全基因组选择-GS的技术评估
基因组选择的流程：
GS一般涉及以下步骤（图1）：首先设立一个参考群体（reference population），该群体中的每个体都具有已知的表型特征及其基因型信息；通过建立适当的统计模型能够推算出各个单核苷酸 polymorphism (SNP) 或不同染色体片段对应的效应值；接着对候选人群体（candidate population）中的每一个体执行基因分型分析，并应用来自参考人群体推算出的各个 SNP 及其染色体片段效应值来评估候选群体系测结果；最后依据测得的结果给定筛选标准并按照 GEBV（遗传效应预测值）对这些个体进行筛选；筛选出来的个体经测查后完成性状测定指标后，则将其纳入到新的 reference population 中以重新推算相应的 SNP 以及染色体片段效 应 值；如此循环往复直至获得理想的遗传改良目标。
研究目的：
该基因组选择方法不仅精确而且高效，在较短时间内即可完成对基因组育种值的估算。该方法主要依赖于一系列先进的统计模型技术，在遗传学研究中发挥着重要作用。其理论基础在于利用基因组内的大量标记信息及其对应的性状数据来推断各个标记或染色体区域对性状表现的影响程度。通过评估GEBV值的质量（Genomic Estimated breeding Value），能够有效弥补现有技术在某些方面的不足。具体而言，在马尔可夫链蒙特卡罗积分法（Markov Chain Monte Carlo integration, MAS）框架下仅能利用有限数量的显性标志位点来解释部分遗传变异的问题。此外，在定位数量性状位点（QTL）的过程中也面临一定的挑战和困难。因此，在这一过程中核心目标在于提高预测精度的同时尽量精确地估测各个特定标记的作用大小。
GS方法分为两大类：直接型，间接型
2）直接型：参考群体和预测群体遗传信息构建的亲缘关系矩阵（G）,作为随机效应的混合模型获取戴预测个体的估计育种值，如BLUP法，利用系谱信息构建个体间的亲缘关系矩阵作为随机效应，利用混合线性模型对随机效应进行预测BLUP，获得个体的估计育种值，相比于基于系谱构建的亲缘关系矩阵，G更能够反应个体间的遗传信息差异，我们称之为gBLUP
3)间接型：首先在参考群中估计标记效应，然后结合预测群的基因型信息将标记效应累加获得预测群的个体估计育种值，如代表性的方法：rrBLUP，Bayes系列（Lasso,Bayes A,BayesB,Bayes C,Bayes Cπ），他假设所有的标记都拥有同样的方差，Bayes的计算复杂度高。
影响GS的因素
1）标记类型及结构：SNP标记为主
2）标记密度：GS的效果与其密度呈正相关
3）资源参考群中的样本数量： GS 的准确度随样本数量提升而增强
4）估计标记效应所需代际间隔的数量：与估计所需代际间隔的数量呈正相关
5）性状遗传特性的特点：通常而言，在选择低遗传力性状方面， GS 显示出更强的优势
6）资源参考群与预测群体间的遗传差异程度
相关GS应用
Christensen 基于 60,000 个来自杜洛克猪系谱群体上的单核苷酸多态性标记（SNPs），在料重比这一指标下评估了广义遗传效应值（GBEV）的预测精度；结果显示，在基于遗传信息计算得到的 GBEV 预测值相比传统血缘关系推导出的 EBV 预测值时具有更高的预测精度
GBLUP方法
GBLUP和一步法, 都属于GBLUP方法.
采用替代的方式构建基于遗传组的关系图谱（Genome-Bred Relationships Matrix G-Matrix），以取代传统的基于家谱信息建立的关系图谱（numerator relationship matrix NRM 或 A-Matrix），从而通过最佳线性无偏估计量 BLUP 方法直接计算个体遗传效应 GEBV 值，并将其命名为 GBLUP 方案
与贝叶斯方法相比
从文献来看，BayesB被认为是最优的。
然而，在实际应用中, GBLUP因其广泛的使用和最高的实用价值而备受关注。
除此之外, 其他方法虽然各有特点但并未达到GBLUP的水平
全基因组测序数据处理方法：
测序数据分析流程
为了对原始测序fastq文件进行分析和处理，首先需要将该文件与无种参考序列的FASTA格式进行比对。随后可以通过其他生物信息学软件将比对结果进一步转换为可分析的基因型数据。
GS的作用与展望
作为基因选择育种技术（GS）随着传统育种方法与NAS技术的发展而产生的新一代育种技术，在猪（Sus scrofa）等动物中得到了广泛应用，并且解决了肉质性状以及抗性等难以选育的技术难题同时该方法还具有低成本早期选择的优势然而在实际应用中GS仍面临诸多挑战
GS 的早期发展主要集中在奶牛身上，在后来逐渐向猪和鸡育种推广。目前，在如水稻和玉米等作物的应用相对滞后主要是因为高昂的成本。由于成本过高、顾虑较多等原因，企业普遍不愿进行大规模推广。反应体现在小规模试验基础之上的一种常见做法是降低芯片密度来降低成本。这种做法（降低芯片密度）反而导致了 GS 精度下降形成恶性循环。因此，高昂的成本无疑是制约 GS 发展的主要因素。
GS在猪育种中的应用
相比奶牛，在猪的育种体系中实施基因素描（GS）的前提条件是必须提高个体基因型效应（GEBV）估计值的准确性[58]。这一前提条件源于在传统的猪育种模式下，由于世代间隔已被维持在一个较短的时间段内，并且难以进一步缩短其世代间隔这一事实。因此，在实际操作中，采用基因素描技术的应用主要依赖于通过提升个体基因型效应值（GEBV）来实现遗传性能上的提升。特别适用于那些在传统育种方法中通常被选育但其遗传效应较低的关键性状特性。
牛基因筛选（GS）显著地减少了动物群体代际周期，并且在实际应用中提高了遗传参数估计的准确性。针对具有较低遗传保留能力的一些性状特征——如繁殖性能、胴体重、抗病性能等——通过选择能够较好地传递这些特性的个体，在传统遗传分析方法中难以实现高效的改良效果。
参考文献：
谈成、边成、杨达等人在《遗传》杂志上发表文章探讨了基因组筛选技术在农业动物诱变育种中的具体应用情况