Predicting Breeding Values with Applications in Forest Tree Improvement

در اکثر برنامه‌های اصلاحی گونه‌های گیاهی و جانوری، داده‌های ژنتیکی (مانند داده‌های آزمایش‌های نتاج مزرعه) برای رتبه‌بندی والدین و کمک به انتخاب نامزدها برای انتخاب استفاده می‌شود. به طور کلی، تمام فرآیندهای انتخاب ابتدا نامزدها را با استفاده از تابعی از داده‌های مشاهده شده رتبه‌بندی می‌کنند و سپس آن دسته از کاندیداهایی را که بیشترین (یا کوچک‌ترین) مقادیر آن تابع را دارند، به عنوان بخش انتخابی انتخاب می‌کنند. برای دستیابی به حداکثر پیشرفت در انتخاب، لازم است از تابعی از داده ها استفاده شود که منجر به رتبه بندی نامزدها تا حد امکان به رتبه واقعی (اما همیشه ناشناخته) شود. اغلب داده های مشاهده شده در مورد نامزدهای مختلف نامرتب و نامتعادل هستند و این روند ایجاد رتبه بندی دقیق و دقیق را پیچیده می کند. به عنوان مثال، برای هر داوطلبی، ممکن است داده‌هایی در مورد آن داوطلب و خواهر و برادرانش در حال رشد در چندین آزمون میدانی در سنین مختلف وجود داشته باشد. همچنین، ممکن است داده‌های عملکرد خواهر و برادر، اجداد یا سایر بستگان از آزمایش‌های گلخانه‌ای، آزمایشگاهی یا سایر آزمایش‌های مزرعه وجود داشته باشد. علاوه بر این، داده‌های مربوط به نامزدهای مختلف ممکن است از نظر کیفیت و کمیت در دسترس به شدت متفاوت باشد و ممکن است از اقوام مختلف باشد. برنامه‌های بهبود ژنتیکی که بیشترین استفاده را از این داده‌های متنوع، نامرتب، نامتعادل و اجدادی می‌کنند، پیشرفت را از تمام مراحل انتخاب به حداکثر می‌رسانند. در این راستا، دو تکنیک تحلیلی وجود دارد، بهترین پیش‌بینی خطی (BLP) و بهترین پیش‌بینی بی‌طرف خطی (BLUP)، که برای پیش‌بینی مقادیر ژنتیکی از منابع، سن، کیفیت و کمیت داده‌ها کاملاً مناسب هستند.

In most breeding programs of plant and animal species, genetic data (such as data from field progeny tests) are used to rank parents and help choose candidates for selection. In general, all selection processes first rank the candidates using some function of the observed data and then choose as the selected portion those candidates with the largest (or smallest) values of that function. To make maximum progress from selection, it is necessary to use a function of the data that results in the candidates being ranked as closely as possible to the true (but always unknown) ranking. Very often the observed data on various candidates are messy and unbalanced and this complicates the process of developing precise and accurate rankings. For example, for any given candidate, there may be data on that candidate and its siblings growing in several field tests of different ages. Also, there may be performance data on siblings, ancestors or other relatives from greenhouse, laboratory or other field tests. In addition, data on different candidates may differ drastically in terms of quality and quantity available and may come from varied relatives. Genetic improvement programs which make most effective use of these varied, messy, unbalanced and ancestral data will maximize progress from all stages of selection. In this regard, there are two analytical techniques, best linear prediction (BLP) and best linear unbiased prediction (BLUP), which are quite well-suited to predicting genetic values from a wide variety of sources, ages, qualities and quantities of data.