基于机器学习的玉米自交系杂种优势类群研究

文献类型： 中文期刊

第一作者： 曹士亮

作者： 曹士亮;张建国;于滔;杨耿斌;李文跃;马雪娜;孙艳杰;韩微波;唐贵;单大鹏

作者机构：

关键词： 玉米;机器学习;交叉验证;类群划分;判别分析

期刊名称： 中国农业科学

ISSN： 0578-1752

年卷期： 2025 年 58 卷 002 期

页码： 203-213

收录情况： 北大核心 ; CSCD

摘要： 【目的】优化玉米杂种优势类群划分与判别分析方法，为玉米育种提供指导和参考。【方法】采用固相芯片对60份糯玉米自交系进行基因分型，通过质量控制获得不同密度的SNP标记，采用群体结构分析和遗传距离聚类的方法对60份糯玉米进行类群划分，比较不同密度分子标记和分群方法的差异。在此基础上，分别采用随机森林和支持向量机对类群划分结果进行抽样和交叉验证，比较玉米自交系类群判别的预测精度。【结果】通过不同的质量控制标准分别获得11 431和4 022个分子标记，基于2种分子标记密度，分别将60份材料分成5个类群和4个类群，其中，以11 431个SNP标记为基础，通过群体结构分析和遗传距离聚类结果发现，类群内样本一致性为63.33%，以4 022个SNP标记进行分群，发现2种类群划分方法的群内样本一致性为90.00%；比较玉米自交系类群判别的预测精度结果为：基于4 022个标记，随机森林和支持向量机预测精度的平均值（91.43%）高于11 431个标记的预测精度的平均值（86.25%），其中，预测精度最高的是采用4 022个标记的随机森林预测，预测精度为94.17%。【结论】聚类分析法最终将60份玉米糯自交系分为4个类群，运用随机森林和支持向量机对类群划分结果进行抽样和交叉验证，发现随机森林法比支持向量机法能获得更高的预测精度。

分类号： S513%TP181

  • 相关文献

[1]南海中南部金带细鲹与长体圆鲹矢耳石外型比较分析. 李伟畅,朱国平,王雪辉,林龙山,李渊,杜飞雁. 2023

[2]利用SNP芯片进行玉米遗传多样性和群体遗传结构分析及新品种选育. 高嵩,刘宏伟,何欢,吕庆雪,周德龙,邢跃先,赵兴彦,张志军,张建新,仲义,夏远峰,宋广树. 2021

[3]玉米种质类群划分的常用方法及评价. 史桂荣. 2001

[4]利用DNA指纹技术进行玉米自交系类群划分新方法——遗传背景分析法. 郭景伦,赵久然,王元东,段民孝,邢锦丰,王继东,张静梅,任洁. 2003

[5]应用低密度SNP芯片解析玉米遗传多样性. 高嵩,张楠,何欢,郑淑波,赵桐,周小辉,代秀云,黄威,王薪淇. 2024

[6]利用SNP标记对51份玉米自交系进行类群划分. 吴金凤,宋伟,王蕊,田红丽,李雪. 2014

[7]玉米自交系遗传关系的SSR标记分析. 王凤格,赵久然,佘花娣,陈刚,郭景伦,戴景瑞. 2005

[8]非洲抗病优异玉米种质的鉴定及其与自育骨干系高产优势组合的筛选. 郭衍龙,周广成,赵璞,王世才,王清华,马春红. 2017

[9]无人机观测时间对玉米冠层叶绿素密度估算的影响. 周丽丽,冯海宽,聂臣巍,许晓斌,刘媛,孟麟,薛贝贝,明博,梁齐云,苏涛,金秀良. 2024

[10]2001-2010年青藏高原草地生长状况遥感动态监测. 冯琦胜,高新华,黄晓东,于惠,梁天刚. 2011

[11]基于微波植被指数的甘南草地生物量动态监测. 于惠,冯琦胜,陈思宇,韩兰英,黄晓东,梁天刚. 2011

[12]对比Bayesian B等多种方法的大豆全基因组选择应用研究. 唐友,郑萍,王嘉博,张继成. 2018

[13]果蔬生产过程追溯平台设计与实现. 李乔宇,秦磊磊,穆元杰,刘淑云,尚明华. 2020

[14]Stacking Learning在高光谱图像分类中的应用. 徐凯,崔颖. 2018

[15]Bayes逐步判别法在绿茶板栗香化学识别上的应用. 叶国注,袁海波,江用文,尹军峰,汪芳,陈建新. 2009

[16]基于圆形统计和时间序列的月相对两种拖网渔业CPUE的影响. 李成,石肖飞,张健,肖佑鹏,黄斌,石建高. 2023

[17]基于J48决策树算法的水质评价方法. 程克非,程蕾,黄永东. 2012

[18]遥感交叉验证农业保险数据的路径与指标研究. 赵思健,赵坚,陈爱莲,赖积保,李宏伟. 2024

[19]应用清蛋白PAGE技术进行玉米自交系类群划分的初步研究. 陈景堂,池书敏,马占元,刘志增,孟义江,祝丽英. 2001

[20]利用RAPD标记研究燕麦属不同种的遗传差异. 王茅雁,傅晓峰,齐秀丽. 2004

作者其他论文 更多>>

微信小程序