1. 全基因组从头测序
在选择育种历史中，经历了从经验育种到育种理论和方法的探索，有选择学说，纯系学说，回交育种、轮回育种、诱变育种、单粒传、理想株型；再到标记辅助选择育种，探索了各种各样的标记，比如扩增片段长度多态性标记辅助选择(aflp)、微卫星标记辅助选择(ssr)和单核苷酸多态性标记辅助选择(snp)。随着测序技术的发展，测序的通量越来越高，成本越来越低，加之计算机运算能力不断提升，这为全新育种技术的发展创造了技术条件，兴起了基因组选择(genomicselection，gs)育种浪潮。
基因组选择育种能有效的解决难测量性状、运气成分大，耗时长、技术难度高等因素的限制，加快育种的步伐。基因组选择育种是利用覆盖全基因组的高密度分子遗传标记进行的标记辅助选择的一种育种方式。
目前比较出名的基因组选择(gs)分析功能软件是ipat软件，ipat软件界面比较友好，但是ipat只有三种gs模型，分别为基因组最佳线性无偏估计(gblup)、岭回归最佳线性无偏估计(rrblup)、贝叶斯岭回归(brr)。
然而，对于有快速育种需求的公司来说，现有的基因组选择分析的效率低，分析结果的准确性也相对较低，无法满足需求。
技术实现要素：
本发明的主要目的在于提供一种全基因组选择育种的方法和装置，以解决现有技术中的分析结果准确性低的问题。
为了实现上述目的，根据本发明的一个方面，提供了一种全基因组选择育种的方法，该方法包括：获取训练群体中与目标表型显著关联的标记；根据训练群体及标记，利用多种全基因组选择预测模型计算育种群体中每个个体的基因组估计育种值；按照基因组估计育种值从高到低的顺序，选择在多个全基因组选择预测模型中均排在前预定数量的个体作为育种材料。
进一步地，多种全基因组选择预测模型包括：基因组最佳线性无偏预测模型、岭回归最佳线型无偏估计模型、贝叶斯套索模型、贝叶斯a模型、贝叶斯b模型、贝叶斯c模型及贝叶斯岭回归模型中的至少4种。
进一步地，多种全基因组选择预测模型包括岭回归最佳线型无偏估计模型、贝叶斯套索模型、贝叶斯a模型、贝叶斯b模型、贝叶斯c模型及贝叶斯岭回归模型中的至少3种时，利用多种全基因组选择预测模型计算育种群体中每个个体的基因组估计育种值包括：利用训练群体中的目标表型与标记之间的显著关联性，对多种全基因组选择预测模型进行精确度评估，得到满足精确度要求的一个或多个全基因组选择预测模型；利用满足精确度要求的一个或多个全基因组选择预测模型，计算得到各标记的效应值；利用各标记的效应值计算得到育种群体中每个个体的基因组估计育种值。
进一步地，获取训练群体中与目标表型显著关联的标记包括：对训练群体来源于基因芯片或基因组重测序的测序数据进行全基因组关联分析，从而获得与目标表型显著关联的标记。
进一步地，从测序数据进行全基因组关联分析从而获得与目标表型显著关联的标记包括：对测序数据进行综合分析，综合分析表型分布分析、群体结构分析、连锁不平衡分析以及亲缘关系分析；根据综合分析的结果进行全基因组关联分析，从而获得与目标表型显著关联的标记。
进一步地，对测序数据进行综合分析，并根据综合分析的结果进行全基因组关联分析，从而获得与目标表型显著关联的标记包括：检测测序数据中数量性状的表型是否符合正态分布或者偏态分布，并剔除偏离杠杆值的极端表型；通过主成分分析或者群体结构分析计算训练群体中群体结构，并将群体结构作为固定效应加入全基因组关联分析模型中；通过衰减距离对全基因组的标记进行连锁不平衡过滤，去除存在多重共线性的效应的标记；通过计算训练群体中各个体间的亲缘距离，并将亲缘距离作为随机效应加入全基因组关联分析模型；利用全基因组关联分析模型计算数量性状的表型中与全基因组的标记之间的关联性，从而选择得到与目标表型存在显著关联的标记；优选地，全基因组关联分析模型为混合线性模型。
为了实现上述目的，根据本发明的一个方面，提供了一种全基因组选择育种的装置，该装置包括：获取模块、育种值估计模块及选择模块，获取模块用于获取训练群体中与目标表型显著关联的标记；育种值估计模块用于根据训练群体及标记，利用多种全基因组选择预测模型计算育种群体中每个个体的基因组估计育种值；选择模块用于按照基因组估计育种值从高到低的顺序，选择在多个全基因组选择预测模型中均排在前预定数量的个体作为育种材料。
进一步地，多种全基因组选择预测模型包括：基因组最佳线性无偏预测模型、岭回归最佳线型无偏估计模型、贝叶斯套索模型、贝叶斯a模型、贝叶斯b模型、贝叶斯c模型及贝叶斯岭回归模型中的至少4种。
进一步地，多种全基因组选择预测模型包括岭回归最佳线型无偏估计模型、贝叶斯套索模型、贝叶斯a模型、贝叶斯b模型、贝叶斯c模型及贝叶斯岭回归模型中的至少3种时，育种值估计模块包括：模型精确度评估模块，用于利用训练群体中的目标表型与标记之间的显著关联性，对多种全基因组选择预测模型进行精确度评估，得到满足精确度要求的一个或多个全基因组选择预测模型；效应值计算模块，用于利用满足精确度要求的一个或多个全基因组选择预测模型，计算得到各标记的效应值；育种值估计子模块，用于利用各标记的效应值计算得到育种群体中每个个体的基因组估计育种值。
进一步地，获取模块包括：全基因组关联分析模块，用于对训练群体来源于基因芯片或基因组重测序的测序数据进行全基因组关联分析，从而获得与目标表型显著关联的标记。
进一步地，全基因组关联分析模块包括：综合分析模块，用于对测序数据进行综合分析，综合分析表型分布分析、群体结构分析、连锁不平衡分析以及亲缘关系分析；全基因组关联分析子模块，用于根据综合分析的结果进行全基因组关联分析，从而获得与目标表型显著关联的标记。
进一步地，全基因组关联分析模块包括：表型分布分析模块，用于检测测序数据中数量性状的表型是否符合正态分布或者偏态分布，并剔除偏离杠杆值的极端表型；群体结构分析模块，用于通过主成分分析或者群体结构分析计算训练群体中群体结构，并将群体结构作为固定效应加入全基因组关联分析子模块中；连锁不平衡分析模块，用于通过衰减距离对全基因组的标记进行连锁不平衡过滤，去除存在多重共线性的效应的标记；亲缘关系分析模块，用于通过计算训练群体中各个体间的亲缘距离，并将亲缘距离作为随机效应加入全基因组关联分析子模块；全基因组关联分析子模块，用于计算数量性状的表型中与全基因组的标记之间的关联性，从而选择得到与目标表型存在显著关联的标记；优选地，全基因组关联分析分析子模块为混合线性模块。
为了实现上述目的，根据本发明的一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任一种全基因组选择育种的方法。
为了实现上述目的，根据本发明的一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行任一种全基因组选择育种的方法。
应用本发明的技术方案，本发明综合多个模型进行基因组估计育种值计算，并利用多个模型结果共定位，并选择出在所有的模型中都具有高育种值的个体作为育种材料，大大提高结果的精确性。此外，本申请的方法可以从多种模型中寻找出最佳模型预测最佳育种材料，从而提高了基因组选择育种结果的准确性。本发明的方法能适应大部分的材料背景，填补了在超级计算机中基因组选择分析上的空白，提高育种选择的效应，促进育种的进展。
2. 全基因组测序数据分析流程
基因组拷贝数变异通常是指某个基因或某个基因区域的拷贝数在个体间的差异。测序结果中的拷贝数变异可以通过基因组测序数据进行分析。以下是一些常见的分析步骤：
1. 使用软件对测序数据进行比对，如BWA或Bowtie等，将测序reads与参考基因组比对。
2. 对比对结果进行拷贝数变异检测，常用的软件包括CNVnator、DECoN、FREEC等。这些软件会根据reads的比对情况和深度信息来检测拷贝数变异。
3. 根据检测结果，生成基因组拷贝数变异图谱（copy number variation profile），可视化拷贝数变异的基因和区域。通常使用软件如GISTIC、CONTRA等。
4. 对拷贝数变异进行功能注释和生物信息学分析，探究其与疾病、表型等的关联。
需要注意的是，基因组拷贝数变异测序结果的分析需要结合临床资料和其他生物信息学分析结果，才能作出更为准确的解释。
3. 全基因组从头测序方法
WGS全称为whole-genome shotgun就是全基因组鸟枪法 它的作法是把基因组直接打碎成3kb（也有地方写的是2Kb……）左右的小片段，测序并拼接。并且，WGS在现在的测序项目中使用得越来越广泛。例如水稻基因的测序，就是使用的WGS策略。 百科给的是基因测序的方法 是在获得一定的遗传及物理图谱信息的基础上，绕过bac克隆逐个排序的过程，将基因组dna分解成2kb左右的小片段进行随机测序，辅以一定数量的10kb的克隆和bac克隆的末端测序，利用超级计算机进行整合进行序列组装
4. 全基因组测序的两种策略
全基因组测序，即对一种生物的基因组中的全部基因进行测序，测定其dna的碱基序列。
全基因组测序的意义是使人类从根本上认知疾病发生的原因，做到正确的治疗疾病、尽早的预防疾病。
1986年， Renato Dulbecco是最早提出人类基因组定序的科学家之一。他认为如果能够知道所有人类基因的序列，对於癌症的研究将会很有帮助。美国能源部(DOE)与美国国家卫生研究院(NIH)，分别在1986年与1987年加入人类基因组计划。
5. 全基因组测序检测的准确率能达到多少?
肿瘤基因检测，是针对引起肿瘤的致病突变进行的检测。根据检测目的主要分为两类：指导肿瘤患者的精准治疗，评估肿瘤患者的亲属罹患肿瘤的易感性。
肿瘤的本质是体细胞突变累积的结果。通过二代测序技术检测患者的肿瘤组织中含有哪些突变，确认引起在肿瘤发生过程中发挥驱动作用的突变，就可以针对性使用靶向药物。靶向药物相比传统化疗药物具有针对性强，副作用小的优点，可有效改善肿瘤患者的预后。靶向药物在肺癌治疗中的应用经验最丰富。目前有条件的肺癌患者需要常规进行基因检测，有助于临床医生选择个体化的医疗方案。
有一些肿瘤的遗传性很强，比如卵巢癌，乳腺癌，结直肠癌等。这意味着肿瘤患者的亲属也有可能发生肿瘤。最著名的例子是安吉丽娜朱莉，她的妈妈和姨妈都患有乳腺癌，提示她的家族可能存在乳腺癌致病基因。为了确认自己是否携带相关致病基因，她进行了BRCA基因检测，发现自己果然携带这个BRCA1基因突变。
携带这种基因突变并不意味着一定发生肿瘤，但是肿瘤发生的风险要远高于一般人。因此她先后切除了乳腺和卵巢，预防乳腺癌和卵巢癌的发生。需要注意的是，进行这种基因检测，使用的是血液样本。
以上只是简单介绍了肿瘤基因检测的两个最主要目的。实际上根据不同的检测技术和检测样本，肿瘤基因检测还可以实现肿瘤早期筛查和诊断，肿瘤动态检测，肿瘤患者预后等多种目的。肿瘤基因检测专业性较强，需要配套相应的遗传咨询，与临床，实验室，患者三方面充分沟通，才能全面发挥肿瘤基因检测的重要作用。
