Haplotype blocks for genomic prediction: a comparative evaluation in multiple crop datasets

Weber S, Frisch M, Snowdon R et al. (2023) Haplotype blocks for genomic prediction: a comparative evaluation in multiple crop datasets. Frontiers in Plant Science Volume 14 - 2023. https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2023.1217589

关键点

全基因组选择已成为现代植物育种的重要方法，但高密度SNP数据存在冗余问题。
单倍型区块通过整合共遗传标记，可减少冗余并捕捉局部上位性效应。
研究比较了7种单倍型构建方法及4种预测模型（GBLUP、EGBLUP、Bayesian LASSO、RKHS）。
单倍型区块在部分性状中提高预测准确性，但提升幅度较小且依赖性状、模型和数据集。
在低标记密度条件下，单倍型区块更可能带来预测性能提升。
过大的单倍型区块通常显著降低预测准确性，但在小麦中某些大区块（如整染色体）反而有益。
不同构建方法（如LD、固定窗口、Haploview、HaploBlocker）之间无一致最优方案。
单倍型区块数量和信息量受参数影响显著，且常产生大量低频或稀有单倍型。
预测性能的提升往往发生在原本表现较差的模型中，具有“补偿效应”。
单倍型构建参数应视为可调超参数，需要针对具体数据集优化。

摘要

在现代植物育种中，全基因组选择正逐渐成为筛选优良基因型的黄金标准。全基因组预测模型的基础是一组具有表型数据的材料及其基因型信息。在高标记密度以及标记之间存在连锁不平衡（LD）的情况下，育种群体中的基因型数据往往表现出相当程度的冗余。因此，人们对利用单倍型区块来通过总结共同遗传特征以减少冗余的兴趣日益增加。此外，单倍型区块还有助于捕捉由基因位点相互作用引起的局部上位性效应。在本研究中，我们比较了基于单个SNP或单倍型区块的基因组预测方法在作物重要性状预测准确性方面的表现。我们使用了来自油菜、玉米、小麦和大豆的四个已发表数据集。比较了多种单倍型区块构建方法，包括基于连锁不平衡、物理距离、相邻标记数量以及软件 “Haploview” 和 “HaploBlocker” 中实现的算法。所测试的预测方法包括基因组最佳线性无偏预测（GBLUP）、考虑加性×加性上位性的扩展GBLUP（EGBLUP）、贝叶斯LASSO以及再生核希尔伯特空间（RKHS）回归。结果表明，与基于SNP的预测相比，在某些性状中使用单倍型区块可提高预测准确性，但提升幅度在很大程度上取决于具体性状和模型。尤其是在标记密度较低的情况下，单倍型区块可以提高全基因组预测的准确性。在大多数情况下，物理范围较大的单倍型区块会显著降低预测准确性。特别是在不同预测模型之间预测准确性差异较大时，基于单倍型区块的方法可以提升表现较差模型的预测能力。然而，由于不同方法和性状之间的预测准确性差异较大，并不存在一种“最佳”的单倍型区块构建方法。因此，用于定义单倍型区块的标准不应被视为固定的生物学参数，而应作为需要针对每个数据集进行调整的超参数。

1 引言

全基因组预测已极大地推动了动物和植物育种的发展（Hickey等，2017），并且即使在基因组结构复杂的作物中也具有提高遗传增益的潜力（Voss-Fels等，2021）。过去，基于线性混合模型的预测利用亲缘关系，从亲属的目标性状中借用信息。Henderson（1975）通过系谱信息构建分子关系矩阵来推导这种关系，并假设每个亲本向其后代贡献恰好50%的基因组。随着当今测序技术的发展，基因组数据被用于替代系谱关系，通过密集标记图谱计算实际的亲缘关系。此外，随着遗传标记的引入，全基因组预测还可以利用连锁不平衡和共分离信息（Habier等，2013）。如今，主要作物育种群体中的个体可以以较低成本进行高质量测序，从而鉴定出数百万个全基因组范围的单核苷酸多态性（SNP）标记，并可通过高通量基因分型技术在大规模群体中进行检测。结合表型测量，全基因组标记信息可用于预测未表型个体的育种值（Lande和Thompson，1990；Bernardo，1994；Meuwissen等，2001；VanRaden，2008）。这有助于育种者在无需额外表型测定的情况下，准确识别育种材料中的优良基因型。此外，这还可以辅助决策，确定哪些基因型需要进行表型测定，从而降低表型测定成本并提高育种值估计的准确性。因此，全基因组选择在许多作物中具有显著提高遗传增益和经济效益的潜力（Voss-Fels等，2021）。

基于全基因组的预测存在多种统计方法（例如 VanRaden, 2008；de los Campos 等, 2009；Zhang 等, 2010；Gianola, 2013；Hofheinz 和 Frisch, 2014；Werner 等, 2018a；Millet 等, 2019），它们在方差成分、标记效应或标记作用方式的假设上有所不同。常见的基因组预测模型包括岭回归BLUP、GBLUP（Bernardo, 1994；Meuwissen 等, 2001；VanRaden, 2008）、再生核希尔伯特空间回归（RKHS）（de los Campos 等, 2009），以及贝叶斯模型，如贝叶斯LASSO（Park 和 Casella, 2008）或贝叶斯岭回归（Pérez 和 de los Campos, 2014）。

然而，双等位基因SNP有时无法识别对某一性状有贡献的所有变异及等位基因组合，因为大多数基因包含多个序列多态性。此外，全基因组预测的高准确性通常依赖于与目标个体关系密切的亲缘个体（VanRaden，2008；Hayes等，2009），而随着验证个体与训练群体之间亲缘关系的减弱，预测准确性会下降（Habier等，2010；Wolc等，2011）。这表明SNP并不一定与致因数量性状位点（QTL）处于连锁不平衡状态，预测准确性至少部分来源于对个体间亲缘关系的隐式捕捉。因此，提高预测性能的一种策略是增加标记密度。随着全基因组测序技术的发展，如今可以为大多数主要作物生成规模更大、密度更高的标记数据集（Edwards和Batley，2010；Yu等，2011）。然而，提高标记密度并不总是能够稳定提升预测准确性（Solberg等，2008；Druet等，2014；Hayes等，2014；Norman等，2018），且通常只有在对标记进行预筛选后才观察到改进（van Binsbergen等，2015；Ni等，2017；Raymond等，2018）。此外，预测准确性还受到性状遗传力（Zhang等，2017）以及可用于全基因组选择的具有表型记录的基因型数量的影响。因此，提高预测准确性的另一种方法是增加用于模型训练的表型材料数量（VanRaden等，2009；Combs和Bernardo，2013）。然而，由于表型测定成本较高，这一方法并非总是可行，尤其是在无法应用稀疏测试方法（Jarquin等，2020；Crespo-Herrera等，2021；Atanda等，2022；Terraillon等，2022）的情况下。因此，在不单纯增加标记密度的前提下，识别更具信息量的变异用于预测，可能是一种提高预测准确性的有效策略。

基因组上的基因位点通常以块状结构共同遗传，只有少数重组热点（Daly 等，2001；Jeffreys 等，2001；Reich 等，2001）界定了所谓的单倍型区块。定义单倍型区块的方法有多种，例如基于相邻标记的固定窗口、基于相邻碱基对的固定窗口，或基于连锁不平衡（LD）的统计度量。前两种方法简单直接，但在生物学意义上未必能够真实反映单倍型区块。更复杂的方法可能更好地刻画真实的单倍型结构。通常使用基于LD的指标（如D´或r²）来构建单倍型区块（Devlin 和 Risch，1995）。此外，利用相邻标记间相互作用的先验信息有助于建模局部上位性（Liu 等，2019），但高阶相互作用计算的困难限制了此类单倍型区块的规模。一般认为，单倍型区块与数量性状位点（QTL）之间具有更高的连锁不平衡，并且已有研究证明，单倍型区块能够捕捉相邻标记之间的局部上位性（Jiang 等，2018）。此外，有研究指出，单倍型区块还可以克服由于标记与QTL之间连锁不完全而产生的表观或“虚假”上位性问题（Wood 等，2014；de los Campos 等，2019）。因此，可以认为单倍型区块有助于提高全基因组预测的效果。

在全基因组选择中，有研究表明，将标记分组为单倍型区块可以提高全基因组预测的准确性（Cuyabano等，2014；Jiang等，2018；Ballesta等，2019），但也有研究表明其并不能带来提升（Solberg等，2008）。即便采用上述单倍型区块构建方法，仍然需要设定合适的超参数（如窗口大小或连锁不平衡阈值）来确定区块边界。以往大多数研究仅在关联分析和全基因组预测中考察了较小范围的LD阈值、相邻标记数量或窗口大小（Cuyabano等，2014；Hess等，2017；Maldonado等，2019）。然而，在植物育种的全基因组预测背景下，用于构建单倍型区块的多种方法及其大量可能的超参数尚未得到系统评估。因此，本研究旨在探讨以下问题：1）单倍型区块构建方法及其参数如何影响单倍型数量？2）与基于SNP的预测相比，基于单倍型区块的预测在准确性上是否存在差异？3）是否存在一种更优的单倍型构建方法以提升基因组预测效果？

这些问题通过采用多种单倍型构建方法加以探讨，这些方法在文献中已有广泛讨论。相关方法从简单策略（如基于标记邻接关系（Villumsen 和 Janss，2009；Villumsen 等，2009；Jiang 等，2018；Liang 等，2020）和物理距离（Hess 等，2017；Liang 等，2020））到更复杂的方法（如基于LD阈值（Cuyabano 等，2014；Voss-Fels 等，2019；Bayer 等，2021；Li 等，2022）、Gabriel 等（2002）提出的D´置信区间方法、Wang 等（2002）提出的四配子规则方法、Solid Spine of LD方法（Barrett 等，2005）以及“HaploBlocker”（Pook 等，2019））。研究使用了来自油菜、玉米、小麦和大豆的四个示例数据集。为评估预测准确性，采用GBLUP、贝叶斯LASSO、EGBLUP和RKHS模型进行了全基因组预测。

2 材料与方法

2.1 数据集

本研究中所分析的数据集均为公开可获得的数据。油菜数据集来自一个春性油菜杂交育种项目（Jan 等，2016）。简而言之，475 个双单倍体（DH）授粉系与两个雄性不育系杂交，构建了 950 个 F1 测试杂交组合。随后对这些杂交种进行了种子产量、开花时间、田间出苗率、倒伏、油产量和硫代葡萄糖苷含量的测定。其中 910 个测试杂交组合具有完整的表型记录，且所有亲本系均使用 Illumina Brassica 60k SNP 芯片进行了基因分型（Clarke 等，2016）。玉米数据集来源于 847 个测试杂交组合，这些材料来自 Bauer 等（2013）描述的一个多样化硬粒型嵌套关联作图群体，由 10 个半同胞 DH 家系组成。所有双单倍体系均与共同的燧石型自交系 UH007 杂交，并对 F1 杂交种的干物质产量（DMY）、干物质含量（DMC）、株高（PH）、抽雄天数（DtTAS）和吐丝天数（DtSILK）进行了表型分析，方法见 Lehermeier 等（2014）。所有 DH 系均使用 Illumina MaizeSNP50 SNP 芯片进行基因分型（Clarke 等，2016）。小麦数据集如 Voss-Fels 等（2019）所述，由 191 个在 1966 至 2013 年间发布的小麦品种组成，这些品种在三种农用化学处理条件下，对多种农艺性状进行了测定，包括产量、生物量产量、降落值、抽穗天数、株高、收获指数、每穗粒数、氮利用效率（NUE）、白粉病抗性、蛋白质含量、蛋白质产量、沉降值、单位面积穗数、条锈病和千粒重（TKW）。所有材料均使用 Soleimani 等（2020）描述的 Illumina 15k 小麦 SNP 芯片进行基因分型。大豆数据集由来自美国农业部（USDA）大豆种质资源库的 1000 个品系组成（Grant 等，2010），并具有蛋白质和油分含量（PC、OC）的表型记录（Bandillo 等，2015）。所有材料均具有来自 Illumina Infinium SoySNP50K BeadChip（Song 等，2013）的基因型信息。

除玉米数据集外，所有表型数据均表示每个基因型的性状校正均值。玉米群体已发表的田间数据则按照原始发表中用于表型数据分析的方法进行了校正。

2.2 基因型数据

除油菜数据集外，所有 SNP 标记的物理位置均来源于原始文献中所使用的相应参考基因组组装，即 Brassica napus Express 617 基因组（Lee 等，2020）、玉米 B73 AGPv2 基因组（Schnable 等，2009）、小麦 Chinese Spring IWGCS 参考序列 v1.0（Zimin 等，2017）以及大豆 Glyma1.01 参考基因组（Schmutz 等，2010）。总体而言，仅保留在参考基因组上具有唯一物理位置、最小等位基因频率 ≥ 0.05 且在每个群体中缺失值比例不超过 10% 的标记用于后续分析。经过筛选后，油菜、玉米、小麦和大豆数据集分别保留了 29385、32363、8710 和 35821 个标记。这对应于油菜、玉米、小麦和大豆中分别为 31.78、15.63、0.57 和 37.48 SNPs mbp-1 的标记密度。筛选后，使用软件 “BEAGLE” V5.2（Browning 和 Browning，2007；Browning 等，2018）对标记进行填补。

2.3 单倍型区块构建

我们考虑了七种单倍型区块构建方法，这些方法基于：(i) 预设的连锁不平衡（LD）阈值，(ii) 相邻标记的固定窗口，(iii) 相邻碱基对的固定窗口，(iv) “HaploBlocker”（Pook 等，2019），(v) Gabriel 等（2002）描述的 D´ 置信区间方法，(vi) Wang 等（2002）描述的四配子规则方法，以及 (vii) LD 实心脊方法（Barrett 等，2005）。前三种方法在 R 包 “SelectionTools”（可从 http://population-genetics.uni-giessen.de/~software/ 下载）中实现，而后三种方法在软件 “Haploview” v4.1（Barrett 等，2005）中实现。不同方法的详细描述见下文。之所以选择这些方法，是因为它们在单倍型区块构建中的广泛应用以及各自不同的特性。诸如预设 LD 阈值、D´ 置信区间、四配子规则和 LD 实心脊等方法，均基于连锁不平衡（LD）和配子频率，旨在刻画历史重组热点并在群体内生成具有意义的区块。然而，这些区块并不一定代表功能性分组。因此，我们还纳入了基于固定窗口的方法，以评估那些无法仅通过基于群体的度量构建的区块。此外，大多数方法是在整个群体范围内确定区块边界，但需要注意的是，不同亚群体或基因型可能具有不同的重组模式。为此，我们采用了 Pook 等（2019）提出的 “HaploBlocker” 方法，以构建针对不同群体的特异性单倍型区块。

2.3.1 连锁不平衡（LD）阈值

同一染色体上标记之间的连锁不平衡（LD）在 “SelectionTools” 中以 r²（Hill 和 Robertson，1968）进行计算。单倍型区块的构建从具有最高 LD 的两个相邻标记开始。如果该标记对的 LD 超过某一阈值，则将这些标记划入同一单倍型区块。在下一步中，如果紧邻的下一个标记与区块边界标记之间的 LD 仍然超过该阈值，则扩展该区块。该过程持续进行，直到不再有标记满足该条件，然后算法重新从新的标记开始。为考虑标记错位的情况，设置了一个容忍参数为 1，即当某一标记未满足 LD 阈值时，如果其两侧相邻标记满足 LD 条件，则仍可接受该标记。阈值从 0.01 到 1 以 0.01 的步长依次设置，共得到 100 个不同的 LD 阈值。使用非常高的阈值来构建区块会有效去除冗余信息，使这些情形类似于 LD 修剪，而这已被证明可以提高预测准确性（Ye 等，2019）。另一方面，非常低的阈值会形成较大的区块，这在导入育种中较为常见，此时重组有时非常有限（Hao 等，2020）。

2.3.2 相邻标记的固定窗口

从每条染色体的起始位置开始，构建由 m 个相邻标记组成的单倍型区块，直到该染色体上的所有标记都被分配到区块中。我们考虑了 ⌈2x⌉ 个标记，其中 x 取值为 {1, 1.5, 2, 2.5 …}，直到在最极端的情况下，一条染色体上的所有标记都构成一个包含该染色体全部标记的单倍型区块。我们选择构建如此大规模的区块，是为了应对整条染色体或较大染色体片段在性状中发挥重要作用的情形，以及与导入育种相关的情形，在这些情况下重组受到限制（Hao et al., 2020）。

2.3.3 相邻碱基对的固定窗口

从每条染色体的起始位置开始，构建由 m 个连续碱基对组成的单倍型区块，直到整条染色体被划分为多个区块。我们考虑了 ⌈2x⌉ 个碱基对，其中 x 取值为 {10, 10.5, 11, 11.5 …}，直到在最极端的情况下，整条染色体构成一个区块。类似于使用相邻标记固定窗口的方法，我们选择构建较大规模的区块，以适应整条染色体或较大染色体片段对性状产生影响的情形，以及与导入育种相关、重组受限的情况（Hao et al., 2020）。

2.3.4 HaploBlocker

由于不同亚群体可能会产生不同的区块边界，我们还使用 Pook 等人（2019）提出的算法构建单倍型区块。该算法依赖连锁关系（linkage）而非连锁不平衡（linkage disequilibrium）来构建单倍型区块。在这里，区块被定义为具有预设频率的一段连续遗传标记序列，通过一系列单倍型的合并与拆分步骤来构建特定亚群的单倍型区块。该算法允许不同亚群具有各自特定的单倍型区块边界。该算法使用 R 包 “HaploBlocker”（Pook et al., 2019）的默认设置运行。

2.3.5 Gabriel 算法

由 Gabriel 等人（2002）为人类单倍型图谱开发的算法（GAB）会为所有染色体内标记对之间的 D´ 计算 95% 置信区间。当单侧上限 95% 的 D´ 置信界高于 0.98 且下限高于 0.7 时，标记对被认为处于“强连锁不平衡（strong LD）”。随后，将处于“强连锁不平衡”的标记分组为区块。区块会持续扩展，直到最外侧的标记对不再满足该标准为止。

2.3.6 四配子规则

由 Wang 等人（2002）提出的四配子规则（GAM）在所有标记对之间未发现历史重组事件的情况下，将连续标记分组为单倍型区块。当某一新标记与任一先前标记的四种单倍型均以至少 1% 的频率出现时，即定义为存在历史重组事件。如果出现这种情况，则在这些标记之间设立区块边界，算法随后从该处开始构建新的区块。

2.3.7 连锁不平衡的实心脊结构

由 “Haploview” 的开发者（Barrett 等人，2005）提出的强连锁不平衡脊（Solid Spine of LD，SPI）方法，通过计算所有染色体内标记对之间的连锁不平衡来寻找一条强 LD 脊。在该方法中，如果同一染色体上的两个标记之间的成对 D´ 高于 0.8，则这两个标记形成一个区块的边界，该区间内的所有标记构成该区块。该方法允许中间的标记之间不存在连锁不平衡。

2.4 全基因组预测模型

2.5 基因组关系

通常，构建单倍型区块会对原始标记数据进行转换。为了评估单倍型区块对标记数据的表征程度，我们使用按照 VanRaden（2008）（见上文）计算的关系矩阵所得到的关系系数，并计算基于 SNP 获得的关系系数与基于单倍型区块获得的关系系数之间的皮尔逊相关系数。

2.6 预测准确性的评估

对于所有四个数据集，通过进行 100 次交叉验证来评估模型性能，其中每一轮将群体划分为 80% 的训练群体和 20% 的验证群体。每个模型在训练群体上进行训练，然后用于对表型数据被掩蔽的验证群体进行预测。此外，在玉米数据集中，还进行了基于家系的交叉验证。这样做是为了测试单倍型区块在预测遗传距离较远个体时的预测能力。在该方法中，根据嵌套关联作图群体的家系划分对数据集进行分割，并让每个家系依次作为验证集。在这两种交叉验证方案中，均使用验证群体观测表型值与预测表型值之间的皮尔逊相关系数（r）作为预测准确性的衡量指标。

3 结果

3.1 单倍型区块特性
在所有分析的数据集中，均考察了不同大小的单倍型。对于油菜、玉米、小麦和大豆，单倍型区块的平均物理大小分别范围为 1.02 kbp 至 47453.13 kbp、379625.06 kbp、1073741.82 kbp 和 47453.13 kbp。平均大小分布的汇总见表 1。值得注意的是，固定窗口方法能够构建最小的单倍型区块（1.02 kbp）以及最大的单倍型区块（见表 1）。

数据集	方法	最小平均大小（kbp）	最大平均大小（kbp）
油菜（Canola）	LD	97.49（r² = 1）	2629.87（r² = 0.01）
油菜（Canola）	相邻标记的固定窗口	25.46（nSNP = 2）	39801.09（nSNP = 2048）
油菜（Canola）	相邻碱基对的固定窗口	1.02 kbp	47453.13 kbp
玉米（Maize）	LD	8.08（r² = 1）	21556.53（r² = 0.01）
玉米（Maize）	相邻标记的固定窗口	64.31（nSNP = 2）	205312.88（nSNP = 5793）
玉米（Maize）	相邻碱基对的固定窗口	1.02 kbp	379625.06 kbp
小麦（Wheat）	LD	106.79（r² = 1）	64954.10（r² = 0.01）
小麦（Wheat）	相邻标记的固定窗口	1544.58（nSNP = 2）	667692.8（nSNP = 1024）
小麦（Wheat）	相邻碱基对的固定窗口	1.02 kbp	1073741.82 kbp
大豆（Soybean）	LD	138.55 bp（r² = 1）	1587.07（r² = 0.01）
大豆（Soybean）	相邻标记的固定窗口	430.27（nSNP = 2）	1526.61（nSNP = 2897）
大豆（Soybean）	相邻碱基对的固定窗口	1.02 kbp	47453.13 kbp

在所有数据集中，使用“Haploview”（GAB、GAM、SPI）方法时，单倍型区块的数量始终低于SNP总数（图1A、E、I、M）。然而，这些区块中有相当一部分仅由单个SNP组成（未成块的SNP）（图1A、E、I、M）。此外，用于全基因组预测的单倍型总数（不包括单SNP区块）在油菜和大豆数据集中有所增加，在小麦中与SNP数量相近，而在玉米中则减少（图1A、E、I、M）。在所有数据集中，基于LD的区块数量随着LD阈值的提高而增加。此外，在玉米中，单倍型数量也呈现类似趋势。对于基于LD的单倍型区块，在大豆中（不包括单SNP区块）单倍型数量在所有LD阈值下均超过SNP总数，而在玉米中则在所有阈值下均低于SNP总数（图1B、F、J、N）。在油菜中，当r² > 0.75时，单倍型数量少于SNP，而在较低阈值下则更多；相反，在小麦中，只有较小的区块（r² ≤ 0.10）才会使单倍型数量超过SNP数量（图1B）。对于固定窗口区块，单倍型区块数量通常随着区块大小的增加而减少（图1C、D、G、H、K、L、O、P）。在这种情况下，较小区块时单倍型数量最多，随着区块大小增加，单倍型数量减少（图1C、D、G、H、K、L、O、P）。值得注意的是，与SNP相比，当区块小于1024、6、128和1449个SNP，或分别小于23726.57 kbp、92.68 kbp、134217.73 kbp和33554.43 kbp时，油菜、玉米、小麦和大豆数据集中的单倍型数量更高（图1C、D、G、H、K、L、O、P）。在所有情形中，随着区块大小的增加，未成块标记数量减少，尤其是在固定窗口方法中更为明显。在所有数据集中，“HaploBlocker”方法产生的单倍型数量最少，显著低于SNP数量（图1A、E、I、M）。此外，在所有数据集和方法中，除基于“HaploBlocker”的区块外，大多数引入的单倍型可归类为低频（频率≤0.05）或极低频（频率≤0.01）（图1）。

在四个数据集中，对基于SNP和单倍型计算的亲缘关系系数之间相关性的分析表明，在许多方法/参数组合下，这两类标记之间存在较高的冗余性。“Haploview”中实现的方法在油菜、小麦和大豆中产生的亲缘关系系数与基于SNP得到的结果高度相关，相关系数接近1（图S1A、E、I、M）。然而，在玉米中，这些方法仅产生中等程度的相关性（GAB = 0.60，GAM = 0.50，SPI = 0.46）（图S1E）。在所有数据集中，基于LD构建的单倍型区块所得到的亲缘关系系数与基于SNP的结果高度相关（r > 0.75），且在不同LD阈值之间变化很小。仅在非常低的LD阈值下，该相关性略有降低，而在非常高的阈值下则略有升高（图S1B、F、J、N）。此外，较小的固定窗口区块产生的亲缘关系系数与基于SNP的结果相似，相关系数接近1；然而，随着区块大小的增加，这种相似性显著下降（图S1C、D、G、H、K、L、O、P）。值得注意的是，在大豆中，随着基于相邻碱基对的固定窗口区块大小增加，SNP与单倍型之间的亲缘关系系数相关性下降，但在最大区块（nKB = 67108.86）时又略有回升（图S1P）。在油菜和大豆中，“HaploBlocker”方法得到的亲缘关系系数与基于SNP的结果高度相关（图S1A、M）；而在小麦中，这一相关性较低（r = 0.75），在玉米中则接近于零（r = 0.058），表明这些区块捕获了不同的信息（图S1E、I）。

3 全基因组预测

3.2.1 油菜

在油菜数据集中，不同模型的预测准确率范围为0.3到0.85，并且对具体性状具有较强依赖性。值得注意的是，对于油产量、田间出苗率、硫代葡萄糖苷含量和倒伏性，考虑上位性效应的模型（EGBLUP和RKHS）始终优于其他基于SNP的模型（图S2）。然而，这一优势并未在基于单倍型的预测中稳定体现。预测准确率在不同LD阈值之间以及基于LD、“Haploview”或“HaploBlocker”方法之间变化较小（图2A、B、S2）。另一方面，固定窗口方法表现出最大的变异性：随着区块大小的增加，所有性状的预测准确率均显著下降，而基于较小固定窗口区块的预测准确率则与基于SNP或其他方法的结果相近（图2C、D、S2）。

与基于SNP的预测相比，使用单倍型区块后预测准确率的提升范围为：GBLUP为0.007至0.021，贝叶斯LASSO为0.008至0.024，EGBLUP为0.008至0.023，RKHS为0.007至0.022。这些数值基于在每个具体性状和模型中获得最高预测准确率的单倍型构建方法（表2，S1）。有趣的是，单倍型的使用对油产量的影响最小（图S1；表S1）。除RKHS模型下的开花时间外，基于LD的方法通常带来最显著的提升。然而，并未发现一个理想的LD阈值或阈值范围（表S1）。对于RKHS模型中的开花时间，最优的单倍型方法是基于相邻碱基对的固定窗口，其大小为20987.15 kbp。

3.2.2 玉米

随机交叉验证获得的预测准确性在0.4到0.9之间变化，并且依赖于性状。在这里，基于SNP的预测中不同模型之间差异很小（图2E，S3）。然而，在使用单倍型时，在贝叶斯框架下实现的模型与频率学派模型之间存在显著差异（图2，S3）。对于基于连锁不平衡（LD）的单倍型，随着LD阈值的提高，GBLUP和EGBLUP的预测准确性下降，而贝叶斯LASSO和RKHS的预测准确性则分别上升（图2F，S4）。在这里，对于DMY、DMC和PH，这些模型最终都趋近于相似的预测准确性，约为r20.75（图S3）。而对于DtTAS和DtSILK，所有模型的预测准确性均趋近于约r20.55（图S3）。对于固定窗口单倍型，则未观察到相同的趋势，其中GBLUP和EGBLUP获得的预测准确性随着区块大小的增加而显著下降。在此情况下，对于贝叶斯框架下的模型，预测准确性保持在较低水平且不受区块大小影响（图2G，H，S3）。除DMY外，GAB方法对预测准确性略有提升，而基于“Haploview”中算法的单倍型在所有情况下都降低了预测准确性（图2E，S4）。总体而言，与基于SNP的预测相比，单倍型并未显著提高预测准确性。在除DMY外的所有性状中，即使是预测准确性最高的单倍型方法，在贝叶斯LASSO和RKHS中也会降低预测准确性（表2，S1），而对于GBLUP和EGBLUP，预测准确性相较于基于SNP的预测没有提高或仅略有提高。DMY从单倍型中获益最多，其中GBLUP、贝叶斯LASSO和RKHS在GAB方法下表现最佳，而对于EGBLUP，固定窗口为8个SNP最为理想（图2；表2）。除DMY外，对于贝叶斯LASSO和RKHS，单倍型在LD阈值为r2 = 1时表现最佳，但其预测准确性仍低于基于SNP的预测（表S1；图S4）。对于相同的性状，频率学派模型在不同固定窗口大小的单倍型下表现最佳，其最大提升为0.002（表S1）。“HaploBlocker”方法结合非常大的固定窗口区块，在所有性状中产生了最低的预测准确性。

基于家系的交叉验证总体上得到的预测准确性明显低于随机交叉验证（图S4；表S2）。从单倍型区块获得的预测准确性排序与随机交叉验证的结果模式一致，但整体水平更低（图S4；表S2）。值得注意的是，在“HaploBlocker”方法结合非常大的固定窗口区块时，预测准确性接近于零。

3.2.3 小麦

此外，对于产量、生物量产量、氮素利用效率（NUE）、蛋白产量、沉降值、条锈病和降落数等性状，先前表现最差的基于SNP的模型在采用单倍型区块后反而成为表现最好的模型（表S1）。另外，对于基于SNP预测准确性非常低甚至为负的性状（如株高、千粒重（TKW）、抽穗天数、降落数、白粉病和条锈病），使用单倍型后均获得了显著改进（图S5–S7；表S1）。在贝叶斯框架下实现的模型似乎从单倍型的应用中受益最大，其中GBLUP的预测准确性变化范围为-0.039至0.170，贝叶斯LASSO为0.006至0.277，EGBLUP为-0.003至0.085，RKHS为0.025至0.291（表2，S1）。当基于SNP数据的模型之间预测准确性差异较大时，通常观察到最显著的改进。只有在少数情况下，如使用RKHS预测降落数、使用EGBLUP预测kernel spike-1、使用RKHS和EGBLUP预测spike m-2，以及使用GBLUP预测条锈病抗性时，与基于SNP的预测相比，采用单倍型区块反而导致预测准确性下降（表S1）。

3.2.4 大豆

在大豆数据集中，预测准确性范围为0.5至0.8，并且油分含量与蛋白含量之间表现出显著的相似性。基于SNP的不同模型之间未观察到明显差异（图2M，S8A，E）。此外，在不同LD阈值下预测准确性的变化很小，仅在r2 = 0.01到0.05之间观察到轻微下降（图2N，S8B，F）。

在使用相邻标记固定窗口区块时，随着区块大小的增加，所有模型的预测准确性均呈下降趋势（图2O，S8C，G）。对于相邻碱基对固定窗口区块也观察到类似的行为，但在区块大小为47453.13 kbp时预测准确性略有提升（图2P，S8D，H）。然而，需要注意的是，在该情况下预测准确性仍低于基于SNP的预测。总体而言，单倍型带来的改进相对较小（表2，S1）。对于油分和蛋白含量，最佳单倍型区块方法及参数相较于基于SNP的预测，在GBLUP中仅分别提高了0.006和0.008，在贝叶斯LASSO中提高了0.006和0.009，在EGBLUP中提高了0.003和0.008，在RKHS中提高了0.003和0.014（表2，S1）。

有趣的是，在各性状内部观察到模型在相同的单倍型区块方法下表现最佳：油分含量对应LD阈值r2 = 0.24–0.26，而蛋白含量对应固定窗口大小nSNP = 4。

讨论

本研究基于四种作物数据系统评估了不同单倍型区块构建方法及参数对全基因组预测的影响。结果表明，尽管单倍型区块会显著改变预测变量数量，但整体上对预测准确性的提升有限，且未在不同性状或模型中表现出一致优势。不同构建方法（如基于LD、固定窗口及Haploview和HaploBlocker算法）对区块大小和数量影响显著，但预测效果差异较小，说明多种参数设置均可获得相似表现。单倍型数量受群体规模和遗传多样性影响，有时甚至超过SNP数量，从而带来高维和低频变异估计困难的问题。总体来看，小区块与SNP表现相近，而过大区块通常降低预测准确性，但在小麦中由于大染色体片段和低标记密度，反而在部分性状中显著提升预测效果。不同模型中，预测准确性往往与基于单倍型和SNP的亲缘关系一致性相关，说明单倍型在很大程度上是对SNP信息的重编码，但在特定情况下也可捕获额外遗传信息（如局部上位性或QTL关联）。此外，群体结构、交叉验证方式及训练-验证集间共享单倍型的程度均显著影响预测性能。总体而言，尚不存在适用于所有数据集的最优单倍型构建方法，应将其视为需优化的超参数。单倍型在预测中的优势有限，但在低标记密度情境、候选基因定位、稀有变异识别及育种设计等方面仍具有潜在应用价值。

结论

正如基于大量既往研究所预期的那样，本研究证实单倍型区块具有提升全基因组选择效果的潜力，尽管提升幅度有时仅为边际改进。当不同预测模型之间性能差异较大时，单倍型区块尤其能够在一定程度上弥补模型差异。相较于基于SNP的预测，单倍型带来的改进程度在很大程度上取决于群体、群体结构、性状以及模型等因素。针对来自不同作物物种、具有不同基因组特性和育种方案的多种性状，我们未能确定在预测准确性方面具有普适最优性的单倍型区块构建方法或参数。基于LD的方法在多种性状中均表现出预测准确性的提升，并且在LD阈值选择上具有较强稳健性。然而，最大的提升出现在由整条染色体构成的单倍型区块。因此，我们建议在全基因组选择中将单倍型区块的定义视为可调节的超参数，并考虑使用极大规模的单倍型区块。