近期，张志武&王嘉博老师在Molecular Biology and Evolution上发表GAPIT Version 4。
GAPIT 第4版的核心是将全基因组关联分析（GWAS）结果整合到基因组预测（GP）中，提出了一种称为 GAGBLUP（GWAS-Assisted Genomic BLUP） 的新方法。
[图片上传失败...(image-1489a-1777431497913)]
研究背景
GWAS 用于发现与性状相关的基因位点，GP（基因组预测） 用于预测育种值，两者传统上是独立进行的
将GWAS发现的显著标记整合到GP中可能提高预测准确性，但存在挑战：显著标记之间可能存在高度连锁不平衡（LD），导致冗余和过拟合
核心方法
提出GAGBLUP。
使用 QR分解 筛选GWAS鉴定的关联标记，去除高度相关的冗余标记；
将筛选后的显著标记作为固定效应纳入模型；
利用剩余标记构建亲缘关系矩阵（kinship）作为随机效应；
整合了7种GWAS方法：GLM、MLM、CMLM、SUPER、MLMM、FarmCPU、BLINK。
主要结果
|
方面
|
发现
|
| --- | --- |
| GWAS方法比较 |
多位点模型（BLINK、FarmCPU、MLMM）显著优于单位点模型（GLM、MLM），统计功效更高，假发现率更低
|
| 模拟数据（玉米） |
BLINK-GAGBLUP比标准GBLUP预测准确性提高超过50%
|
| 真实数据（桃） |
GAGBLUP比GBLUP提高21%，比MAS提高30%
|
| 遗传架构适应性 |
GAGBLUP在不同遗传架构下表现稳定：当因果基因数极少（<5）或极多（>100）时，其表现至少与MAS或GBLUP中较好者持平；在中间范围时优势最明显
|
关键结论
BLINK 是表现最佳的GWAS方法，整合到GAGBLUP后效果最优；
GAGBLUP结合了MAS（利用大效应基因）和GBLUP（利用全基因组多基因效应）两者的优势，是一种"安全"的整合策略；
该方法已在R包GAPIT中实现，用户只需提供表型和基因型数据即可自动完成分析。
软件可用性
- GAPIT源代码、用户手册、教程和示例数据集可在 http://zzlab.net/GAPIT 免费获取
