5.1 品种侧平台：从测序数据到育种值

5.1 品种侧平台：从测序数据到育种值

本节摘要：品种侧工具链的主干是一条数据流水线：原始测序数据 → 变异检出 → 基因型质控 → 群体与关联分析 → 育种值预测 → 晋级名单。本节以开源基因组学平台家族为例讲透每个工序的质量控制点与数据交接，并说明育种专用软件与通用分析平台的分工。

流水线的全貌

第 2 章讲方法时假想"基因型数据已经摆好了"，本节补上前置工序——数据从来不是摆好的。品种侧的标准流水线：

原始测序数据（下机文件）
  → 序列质控（每个碱基的质量分数、接头污染、产量）
  → 比对到参考基因组（或免比对的变异检出方案）
  → 变异检出与基因型判定（SNP calling，含缺失处理）
  → 基因型质控：缺失率、次等位基因频率、哈迪温伯格平衡
  → 群体结构分析：主成分、亲缘关系矩阵
  → 下游三选一：关联分析（GWAS）/ QTL / 基因组预测（GS）
  → 育种值排行 → 晋级名单（交回第 1.1 节的循环）
​

每一道箭头都是一次数据交接，也都是一次损耗机会。开源生态里，基因 组学工具包家族（以某著名开源项目为代表）覆盖了从质控到变异检出的前半段；群体遗传与关联分析有成熟的统计遗传软件；育种值预测则由专门的育种统计软件承接。它们各有数据格式偏好，格式转换（基因型的矩阵格式、系谱格式、标记格式）是品种侧数据工程的家常便饭。

质控点：三条硬线

基因型质控的常规参数会话（供新项目参考）：
位点过滤：
  缺失率 > 10%            剔除   （测得不牢的位点不如不要）
  次等位基因频率 < 0.01   剔除   （稀有标记信息量低、易出错）
  哈迪温伯格平衡 p < 1e-4  剔除   （严重偏离提示基因型判定错误
                                    或群体分层，先查原因再剔除）
个体过滤：
 个体缺失率 > 15%          剔除   （样品质量差）
 重复或近克隆检测                （指纹比对，防止同名不同物）
异交物种注意：哈迪温伯格过滤要慎用——自交作物适用，
              异交群体的偏离可能就是生物学本身。
​

质控参数不是圣旨，是与物种、群体结构、标记类型联动的起点。异交物种、混系材料、双单倍体群体各有各的注意点——这就是"工具会过时、质控逻辑不会"的含义。

图：品种侧数据流水线与质量控制点

平台分工：通用分析 vs 育种专用

品种侧工具生态分两层。通用基因组分析层解决"从数据到矩阵"：变异检出工具包、质控与格式转换工具、统计遗传分析框架，使用者多为生物信息人员。育种应用层解决"从矩阵到决策"：育种值估计软件（含系谱与基因组混合模型的求解器）、试验设计与田间布局工具、种质与系谱管理系统。两层的接口是那几个标准化的基因型与系谱文件格式。组织选型的常见误区是"一层通吃"——用通用框架硬做育种决策（缺系谱与多环境试验的建模便利），或用育种软件硬做上游质控（缺灵活性）。务实做法是接口清晰的两层架构，中间格式版本化。

云与本地：一组决策

品种侧数据量中等（对比分子侧的虚拟库动辄数十亿分子），但计算有明显的季节性峰值——收样季节批量下机、播种前要出名单。公有云弹性好但数据出境合规要过法务（种质数据在很多语境下是受管控资源，见第 6 章）；本地集群前期投入高但没有合规摩擦。中小组织的常见折衷：本地跑原始数据与质控（敏感段不出门），弹性资源跑参数扫描与交叉验证（可匿名化的中间产物）。

⚠️ 常见坑：跳过群体结构直接建模。群体分层（材料按血统聚类）不校正，GS 的预测会被"猜血统"主导——模型看起来准，其实只是记住了谁跟谁同源；正确做法是把主成分或亲缘矩阵放进模型，2.3 节的 GBLUP 框架天然支持这一点。

💡 关键直觉：品种侧流水线的产出不是"一堆显著标记"，是一张"任何育种家都能看懂并追溯"的晋级名单——可追溯性由每个质控点的记录支撑。

常见追问

自建流水线还是用服务商？ 分情况：测序下机与基础质控交给服务商（规模效应在他们那边）；从质控后数据到晋级名单的这段是组织的核心资产——这段流水线封装了你对自家群体、性状与选择指数的理解，外包等于把决策逻辑交给外人。折衷方案常见形态：服务商交付标准格式数据，内部流水线只做"质控复核、群体分析、预测建模"三段，用容器化保证环境可复现。

参考基因组更新了，老基因型数据怎么办？ 工程答案是"坐标链映射"：把旧版本坐标上的标记映射到新版本（公共的坐标转换文件可查），映射失败的标记标记为"跨版本不可用"并在矩阵中留缺。切忌混用两套坐标的矩阵——那是错配事故的标准配方。制度答案：所有分析登记参考版本号（前文交接损耗清单的第二条），并在升级版本前完成一次全库重比对评估。

GS 模型多久重训一次？ 原则：有新表型数据就增量更新，参考群体构成发生结构性变化（引入新种质类群、换测定体系）时全量重训并做新旧模型对比验证。重训本身便宜，贵的是验证与发布流程——把"模型版本、训练数据快照、验证准确率"三件套一起登记，育种家看到的每个名单都能追溯到模型版本，这是 4.2 节可回放原则在预测环节的落地。

基因型用芯片还是测序？ 芯片（固定探针集）便宜、通量高、缺失率低，适合大量个体的常规分型；测序（尤其是低覆盖加填充的策略）不受探针设计限制，能发现新变异，适合参考群体建设与非常规物种。多数成熟的育种项目走"芯片做日常、测序做升级"的双轨：参考群体用高密度信息打底，候选群体的日常分型用便宜芯片，靠填充算法补齐密度——两种技术的价差就是这条流水线最直接的省钱设计。

表型数据的管理和基因型一样重要吗？ 更重要——基因型出错容易在质控里暴露（缺失、错配都有统计指纹），表型错误的隐藏性更强（一个地块管理失误会被记成"基因型差异"）。平台层面给表型的最低配置：采集协议模板（每个性状的测量标准、时期、单位固化在表单里）、采集人设备字段（出问题可回溯）、以及入库前的离群值报告（超出品种×环境合理范围的读数先标黄再人工裁决）。5.1 节工序图的"质控合格证"在表型这端的含金量，一点不比基因型端低。

本节要点回顾

• 主干五工序：质控、检出、过滤、结构分析、预测建模；每道工序有明确的合格证标准。
• 三条硬线：缺失率、次等位基因频率、平衡检验，参数随物种群体调整而非照抄。
• 两层架构：通用分析层管数据到矩阵，育种应用层管矩阵到决策，接口格式版本化。
• 交接损耗：命名、版本、编码、系谱一致性是四大漏点，制度化检查胜过事后补救。
• 部署折衷：敏感段本地、弹性段上云，合规约束优先于性能偏好。

品种侧的流水线到位后，分子侧的工具箱长什么样？下一节换到结构化学的世界。