遗传学上bp是什么意思
遗传学上bp是什么意思
09-05-14 &匿名提问 发布
bp(Base Point)，基点，多用在收益率，增长率的描述和描图的坐标中。例如上涨30bp，指上涨30%的1/100 。也就是30的万分之一
请登录后再发表评论!
遗传学目录遗传学研究范围遗传学学科分支遗传学的发展简史细胞遗传学时期微生物遗传学时期分子遗传学时期遗传学的基本内容遗传学与其它学科的关系及其应用　　遗传学（Genetics）——研究生物的遗传与变异的科学。　　The branch of biology that deals with heredity, especially the mechanisms of hereditary transmission and the variation of inherited characteristics among similar or related organisms. (from American Heritage Dictionaries)　　研究基因的结构、功能及其变异、传递和表达规律的学科。（全国科学技术名词审定委员会审定.遗传学名词.北京：科学出版社，2006年3月）[编辑本段]遗传学研究范围　　遗传学的研究范围包括遗传物质的本质、遗传物质的传递和遗传信息的实现三个方面。遗传物质的本质包括它的化学本质、它所包含的遗传信息、它的结构、组织和变化等；遗传物质的传递包括遗传物质的复制、染色体的行为、遗传规律和基因在群体中的数量变迁等；遗传信息的实现包括基因的原初功能、基因的相互作用，基因作用的调控以及个体发育中的基因的作用机制等。[编辑本段]遗传学学科分支　　遗传学中的亲子概念不限于父母子女或一个家族，还可以延伸到包括许多家族的群体，这是群体遗传学的研究对象。遗传学中的亲子概念还可以以细胞为单位，离体培养的细胞可以保持个体的一些遗传特性，如某些酶的有无等。对离体培养细胞的遗传学研究属于体细胞遗传学。遗传学中的亲子概念还可以扩充到DNA脱氧核糖核酸的复制甚至mRNA的转录，这些是分子遗传学研究的课题。　　一个受精卵通过有丝分裂而产生无数具有相同遗传组成的子细胞，它们怎样分化成为不同的组织是一个遗传学课题，有关这方面的研究属于发生遗传学。由一个受精卵产生的免疫活性细胞能够分别产生各种不同的抗体球蛋白，这也是遗传学的一个课题，它的研究属于免疫遗传学。　　从噬菌体到人，生物界有基本一致的遗传和变异规律，所以遗传学原则上不以研究的生物对象划分学科分支。人类遗传学的划分是因为研究人的遗传学与人类的幸福密切相关，而系谱分析和双生儿法等又几乎只限于人类的遗传学研究。　　微生物遗传学的划分是因为微生物与高等动植物的体制很不相同，因而必须采用特殊方法进行研究。此外，还有因生产意义而出现的以某一类或某一种生物命名的分支学科，如家禽遗传学、棉花遗传学、水稻遗传学等。　　更多的遗传学分支学科是按照所研究的问题来划分的。例如，细胞遗传学是细胞学和遗传学的结合；发生遗传学所研究的是个体发育的遗传控制；行为遗传学研究的是行为的遗传基础；免疫遗传学研究的是免疫机制的遗传基础；辐射遗传学专门研究辐射的遗传学效应；药物遗传学则专门研究人对药物反应的遗传规律和物质基础，等等。　　从群体角度进行遗传学研究的学科有群体遗传学、生态遗传学、数量遗传学、进化遗传学等。这些学科之间关系紧密，界线较难划分。群体遗传学常用数学方法研究群体中的基因的动态，研究基因突变、自然选择、群体大小、交配体制、迁移和漂变等因素对群体中的基因频率和基因平衡的影响；生态遗传学研究的是生物与生物，以及生物与环境相互适应或影响的遗传学基础，常把野外工作和实验室工作结合起来研究多态现象、拟态等，借以验证群体遗传学研究中得来的结论；进化遗传学的研究内容包括生命起源、遗传物质、遗传密码和遗传机构的演变以及物种形成的遗传基础等。物种形成的研究也和群体遗传学、生态遗传学有密切的关系。　　从应用角度看，医学遗传学是人类遗传学的分支学科，它研究遗传性疾病的遗传规律和本质；临床遗传学则研究遗传病的诊断和预防；优生学则是遗传学原理在改良人类遗传素质中的应用。生统遗传学或数量遗传学的主要研究对象是数量性状，而农作物和家畜的经济性状多半是数量性状，因此它们是动植物育种的理论基础。　　遗传学研究方法　　杂交是遗传学研究的最常用的手段之一，所以生活周期的长短和体形的大小是选择遗传学研究材料常要考虑的因素。昆虫中的果蝇、哺乳动物中的小鼠和种子植物中的拟南芥，便是由于生活周期短和体形小而常被用作遗传学研究的材料。大肠杆菌和它的噬菌体更是分子遗传学研究中的常用材料。　　生物化学方法几乎为任何遗传学分支学科的研究所普遍采用，更为分子遗传学所必需。分子遗传学中的重组DNA技术或遗传工程技术已逐渐成为遗传学研究中的有力工具。[编辑本段]遗传学的发展简史　　人类在新石器时代就已经驯养动物和栽培植物，而后人们逐渐学会了改良动植物品种的方法。西班牙学者科卢梅拉在公元60年左右所写的《论农作物》一书中描述了嫁接技术，还记载了几个小麦品种。533～544年间中国学者贾思勰在所著《齐民要术》一书中论述了各种农作物、蔬菜、果树、竹木的栽培和家畜的饲养，还特别记载了果树的嫁接，树苗的繁殖，家禽、家畜的阉割等技术。改良品种的活动从那时以后从未中断。　　许多人在这些活动的基础上力图阐明亲代和杂交子代的性状之间的遗传规律都未获成功。直到1866年奥地利学者孟德尔根据他的豌豆杂交实验结果发表了《植物杂交试验》的论文，揭示了现在称为孟德尔定律的遗传规律，才奠定了遗传学的基础。　　孟德尔的工作结果直到20世纪初才受到重视。19世纪末叶在生物学中，关于细胞分裂、染色体行为和受精过程等方面的研究和对于遗传物质的认识，这两个方面的成就促进了遗传学的发展。　　从的几年中德国解剖学家和细胞学家弗莱明在动物中，德国植物学家和细胞学家施特拉斯布格在植物中分别发现了有丝分裂、减数分裂、染色体的纵向分裂以及分裂后的趋向两极的行为；比利时动物学家贝内登还观察到马副蛔虫的每一个身体细胞中含有等数的染色体；德国动物学家赫特维希在动物中，施特拉斯布格在植物中分别发现受精现象；这些发现都为遗传的染色体学说奠定了基础。美国动物学家和细胞学家威尔逊在 1896年发表的《发育和遗传中的细胞》一书总结了这一时期的发现。　　关于遗传的物质基础历来有所臆测。例如1864年英国哲学家斯宾塞称之为活粒；1868年英国生物学家达尔文称之为微芽； 1884年瑞士植物学家内格利称之为异胞质；1889年荷兰学者德弗里斯称之为泛生子；1883年德国动物学家魏斯曼称之为种质.实际上魏斯曼所说的种质已经不再是单纯的臆测了，他已经指明生殖细胞的染色体便是种质，并且明确地区分种质和体质，认为种质可以影响体质，而体质不能影响种质，在理论上为遗传学的发展开辟了道路。　　孟德尔的工作于1900年为德弗里斯、德国植物遗传学家科伦斯和奥地利植物遗传学家切尔马克三位从事植物杂交试验工作的学者所分别发现。年除证实了植物中的豌豆、玉米等和动物中的鸡，小鼠、豚鼠等的某些性状的遗传符合孟德尔定律以外，还确立了遗传学的一些基本概念。1909年丹麦植物生理学家和遗传学家约翰森称孟德尔式遗传中的遗传因子为基因，并且明确区别基因型和表型。同年贝特森还创造了等位基因、杂合体、纯合体等术语，并发表了代表性著作《孟德尔的遗传原理》。　　从1910年到现在遗传学的发展大致可以分为三个时期：细胞遗传学时期、微生物遗传学时期和分子遗传学时期。[编辑本段]细胞遗传学时期　　大致是年，可从美国遗传学家和发育生物学家摩尔根在1910年发表关于果蝇的性连锁遗传开始，到1941年美国遗传学家比德尔和美国生物化学家塔特姆发表关于链孢霉的营养缺陷型方面的研究结果为止。　　这一时期通过对遗传学规律和染色体行为的研究确立了遗传的染色体学说。摩尔根在1926年发表的《基因论》和英国细胞遗传学家达林顿在1932年发表的《细胞学的最新成就》两书是这一时期的代表性著作。这一时期中虽然在1927年由美国遗传学家米勒和1928年斯塔德勒分别在动植物中发现了 X射线的诱变作用，可是对于基因突变机制的研究并没有进展。基因作用机制研究的重要成果则几乎只限于动植物色素的遗传研究方面。[编辑本段]微生物遗传学时期　　大致是年，从1941年比德尔和塔特姆发表关于脉孢霉属中的研究结果开始，到年法国分子遗传学家雅各布和莫诺发表关于大肠杆菌的操纵子学说为止。　　在这一时期中，采用微生物作为材料研究基因的原初作用、精细结构、化学本质、突变机制以及细菌的基因重组、基因调控等，取得了已往在高等动植物研究中难以取得的成果，从而丰富了遗传学的基础理论。年人们只认识到孟德尔定律广泛适用于高等动植物，微生物遗传学时期的工作成就则使人们认识到遗传学的基本规律适用于包括人和噬菌体在内的一切生物。[编辑本段]分子遗传学时期　　从1953年美国分子生物学家沃森和英国分子生物学家克里克提出DNA的双螺旋模型开始，但是50年代只在DNA分子结构和复制方面取得了一些成就，而遗传密码、mRNA、tRNA、核糖体的功能等则几乎都是60年代才得以初步阐明。　　分子遗传学是在微生物遗传学和生物化学的基础上发展起来的。分子遗传学的基础研究工作都以微生物、特别是以大肠杆菌和它的噬菌体作为研究材料完成的；它的一些重要概念如基因和蛋白质的线性对应关系、基因调控等也都来自微生物遗传学的研究。分子遗传学在原核生物领域取得上述许多成就后，才逐渐在真核生物方面开展起来。　　正像细胞遗传学研究推动了群体遗传学和进化遗传学的发展一样，分子遗传学也推动了其他遗传学分支学科的发展。遗传工程是在细菌质粒和噬苗体以及限制性内切酶研究的基础上发展起来的，它不但可以应用于工、农、医各个方面，而且还进一步推进分子遗传学和其他遗传学分支学科的研究。　　免疫学在医学上极为重要，已有相当长的历史。按照一个基因一种酶假设，一个生物为什么能产生无数种类的免疫球蛋白，这本身就是一个分子遗传学问题。自从澳大利亚免疫学家伯内特在 1959年提出了克隆选择学说以后，免疫机制便吸引了许多遗传学家的注意。目前免疫遗传学既是遗传学中比较活跃的领域之一，也是分子遗传学的活跃领域之一。　　在分子遗传学时代另外两个迅速发展的遗传学分支是人类遗传学和体细胞遗传学。自从采用了微生物遗传学研究的手段后，遗传学研究可以不通过生殖细胞而通过离体培养的体细胞进行，人类遗传学的研究才得以迅速发展。不论研究的对象是什么，凡是采用组织培养之类方法进行的遗传学研究都属于体细胞遗传学。人类遗传学的研究一方面广泛采用体细胞遗传学方法，另一方面也愈来愈多地应用分子遗传学方法，例如采用遗传工程的方法来建立人的基因文库并从中分离特定基因进行研究等。[编辑本段]遗传学的基本内容　　遗传学的研究范围包括遗传物质的本质、遗传物质的传递和遗传信息的实现三个方面。遗传物质的本质包括它的化学本质、它所包含的遗传信息、它的结构、组织和变化等；遗传物质的传递包括遗传物质的复制、染色体的行为、遗传规律和基因在群体中的数量变迁等；遗传信息的实现包括基因的原初功能、基因的相互作用，基因作用的调控以及个体发育中的基因的作用机制等。　　遗传学中的亲子概念不限于父母子女或一个家族，还可以延伸到包括许多家族的群体，这是群体遗传学的研究对象。遗传学中的亲子概念还可以以细胞为单位，离体培养的细胞可以保持个体的一些遗传特性，如某些酶的有无等。对离体培养细胞的遗传学研究属于体细胞遗传学。遗传学中的亲子概念还可以扩充到DNA脱氧核糖核酸的复制甚至mRNA的转录，这些是分子遗传学研究的课题。　　一个受精卵通过有丝分裂而产生无数具有相同遗传组成的子细胞，它们怎样分化成为不同的组织是一个遗传学课题，有关这方面的研究属于发生遗传学。由一个受精卵产生的免疫恬性细胞能够分别产生各种不同的抗体球蛋白，这也是遗传学的一个课题，它的研究属于免疫遗传学。　　从噬菌体到人，生物界有基本一致的遗传和变异规律，所以遗传学原则上不以研究的生物对象划分学科分支。人类遗传学的划分是因为研究人的遗传学与人类的幸福密切相关，而系谱分析和双生儿法等又几乎只限于人类的遗传学研究。　　微生物遗传学的划分是因为微生物与高等动植物的体制很不相同，因而必须采用特殊方法进行研究。此外，还有因生产意义而出现的以某一类或某一种生物命名的分支学科，如家禽遗传学、棉花遗传学、水稻遗传学等。　　更多的遗传学分支学科是按照所研究的问题来划分的。例如，细胞遗传学是细胞学和遗传学的结合；发生遗传学所研究的是个体发育的遗传控制；行为遗传学研究的是行为的遗传基础；免疫遗传学研究的是免疫机制的遗传基础；辐射遗传学专门研究辐射的遗传学效应；药物遗传学则专门研究人对药物反应的遗传规律和物质基础，等等。　　从群体角度进行遗传学研究的学科有群体遗传学、生态遗传学、数量遗传学、进化遗传学等。这些学科之间关系紧密，界线较难划分。群体遗传学常用数学方法研究群体中的基因的动态，研究基因突变、自然选择、群体大小、交配体制、迁移和漂变等因素对群体中的基因频率和基因平衡的影响；生态遗传学研究的是生物与生物，以及生物与环境相互适应或影响的遗传学基础，常把野外工作和实验室工作结合起来研究多态现象、拟态等，借以验证群体遗传学研究中得来的结论；进化遗传学的研究内容包括生命起源、遗传物质、遗传密码和遗传机构的演变以及物种形成的遗传基础等。物种形成的研究也和群体遗传学、生态遗传学有密切的关系。　　从应用角度看，医学遗传学是人类遗传学的分支学科，它研究遗传性疾病的遗传规律和本质；临床遗传学则研究遗传病的诊断和预防；优生学则是遗传学原理在改良人类遗传素质中的应用。生统遗传学或数量遗传学的主要研究对象是数量性状，而农作物和家畜的经济性状多半是数量性状，因此它们是动植物育种的理论基础。　　杂交是遗传学研究的最常用的手段之一，所以生活周期的长短和体形的大小是选择遗传学研究材料常要考虑的因素。昆虫中的果蝇、哺乳动物中的小鼠和种子植物中的拟南芥，便是由于生活周期短和体形小而常被用作遗传学研究的材料。大肠杆菌和它的噬菌体更是分子遗传学研究中的常用材料。　　生物化学方法几乎为任何遗传学分支学科的研究所普遍采用，更为分子遗传学所必需。分子遗传学中的重组DNA技术或遗传工程技术已逐渐成为遗传学研究中的有力工具。[编辑本段]遗传学与其它学科的关系及其应用　　遗传学与生物化学的关系最为密切，和其他许多生物学分支学科之间也有密切关系。例如发生遗传学和发育生物学之间的关系；行为遗传学同行为生物学之间的关系；生态遗传学同生态学之间的关系等。此外，遗传学和分类学之间也有着密切的关系，这不仅因为在分类学中应用了DNA碱基成分和染色体等作为指标，而且还因为物种的实质也必须从遗传学的角度去认识。　　各个生物学分支学科所研究的是生物的各个层次上的结构和功能，这些结构和功能无一不是遗传和环境相互作用的结果，所以许多学科在概念和方法上都难于离开遗传学。例如激素的作用机制和免疫反应机制一向被看作是和遗传学没有直接关系的生理学问题，可是现在知道前者和基因的激活有关，后者和身体中不同免疫活性细胞克隆的选择有关。　　遗传学是在育种实践基础上发展起来的。在人们进行遗传规律和机制的理论性探讨以前，育种工作只限于选种和杂交。遗传学的理论研究开展以后，育种的手段便随着对遗传和变异的本质的深入了解而增加。　　美国在20年代中应用杂种优势这一遗传学原理于玉米育种而取得显著的增产效果；中国在70年代把此原理成功地推广应用于水稻生产。多倍体的生长优势同样在中国得到了应用，小黑麦异源多倍体的培育成功便是一例。人工诱变也是广泛应用的育种方法之一。数量遗传学和生物统计遗传学的研究结果，被应用到动、植物选种工作中而使育种效率得以提高。这些主要是细胞遗传学时期研究成果的应用。　　40年代初，抗菌素工业的兴起推动了微生物遗传学的发展，微生物遗传学的发展又推动了抗菌素工业以及其他新兴的发酵工业的进步。随着微生物遗传学研究的深入，基因调控作用的原理被成功地应用到氨基酸等发酵工业中。此外杂交转导、转化等技术的采用也增加了育种的手段。　　70年代体细胞遗传学的发展进一步增加了育种的手段，包括所谓单倍体育种以及通过体细胞诱变和细胞融合的育种等。这些手段的应用将有可能大大地加速育种工作的进程。　　遗传学研究同人类本身密切相关。由于人类遗传学研究的开展，特别是应用体细胞遗传学和生化遗传学方法所取得的进展，对于遗传性疾病的种类和原因已经有很多了解；产前诊断和婴儿的遗传性疾病诊断已经逐渐推广；对于某些遗传性疾病的药物治疗也在研究中。免疫遗传学是组织移植和输血等医学实践的理论基础；药物遗传学和药物学有密切的关系；毒理遗传学关系到药物的安全使用和环境保护。用遗传工程技术对遗传性疾病进行基因治疗也正在进行探索。人类遗传学研究也是优生学的基础。　　遗传学研究为致癌物质的检测提供了一系列的方法。虽然目前治疗癌症还没有十分有效的方法，但在环境污染日益严重的今天能够有效地检测环境中的致癌物质，便是一个重大的进展。癌症患病的倾向性是遗传的，癌症的起因又同DNA损伤修复有关，近年来癌基因的发现进一步说明癌症和遗传的密切关系，所以从长远观点来看，遗传学研究必将为全面控制癌症作出贡献。　　许多遗传学分支的研究都采用了分子遗传学手段，特别是重组DHA技术。即使是有关群体的遗传学研究也受分子遗传学的影响，进化遗传学研究中的分子进化领域便是一个例子。　　近几年来，人类基因组研究的进展日新月异，而分子生物学技术也不断完善，随着基因组研究向各学科的不断渗透，这些学科的进展达到了前所未有的高度。在法医学上，STR位点和单核苷酸（SNP）位点检测分别是第二代、第三代DNA分析技术的核心，是继RFLPs（限制性片段长度多态性）VNTRs（可变数量串联重复序列多态性）研究而发展起来的检测技术。作为最前沿的刑事生物技术，DNA分析为法医物证检验提供了科学、可靠和快捷的手段，使物证鉴定从个体排除过渡到了可以作同一认定的水平，DNA检验能直接认定犯罪、为凶杀案、强奸杀人案、碎尸案、强奸致孕案等重大疑难案件的侦破提供准确可靠的依据。随着DNA技术的发展和应用，DNA标志系统的检测将成为破案的重要手段和途径。此方法作为亲子鉴定已经是非常成熟的，也是国际上公认的最好的一种方法。　　系统遗传学 - 21世纪的新趋势　　　年，中国曾[杰]邦哲发表《结构论-泛进化理论》系列论文，阐述系统医药学、系统生物工程与系统遗传学的概念，提出经典、分子与系统遗传学发展观，以及于2003年、2008年于国际遗传学大会，采用结构（structure）、系统（system）、图式（pattern）遗传学的词汇来描述系统科学方法、计算机技术研究生物系统遗传结构、生物系统形态图式之间的“基因型-表达型”复杂系统研究领域，以细胞信号传导、基因调控网路为核心研究细胞进化、细胞发育、细胞病理、细胞药理的细胞非线性系统动力学。　　2005年，国际上Cambien F.和 Laurence T.发表动脉硬化研究的系统遗传学观，Bock G., Goode J.等2007论述系统遗传学将成为下一代遗传学。年，国际系统遗传学飞速发展，欧美建立了许多系统遗传学研究中心和实验室。系统遗传学，采用计算机建模、系统数学方程、纳米高通量生物技术、微流控芯片实验等方法，研究基因组的结构逻辑、基因组精细结构进化、基因组稳定性、生物形态图式发生的细胞发生非线性系统动力学。　　　　大量测定的基因组序列信息催生了一个新的研究领域——基因组学，研究者利用计算机软件查找和研究生物的全基因组中存在的规律。基因组学也能够被归类为生物信息学（利用计算的方法来分析生物学数据）下的一个领域。
请登录后再发表评论!
生物信息学（Bioinformatics）　　是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是21世纪自然科学的核心领域之一。其研究重点主要体现在基因组学(Genomics)和蛋白学(Proteomics)两方面，具体说就是从核酸和蛋白质序列出发，分析序列中表达的结构功能的生物信息。　　生物信息学是一门利用计算机技术研究生物系统之规律的学科。　　目前的生物信息学基本上只是分子生物学与信息技术（尤其是因特网技术）的结合体。生物信息学的研究材料和结果就是各种各样的生物学数据，其研究工具是计算机，研究方法包括对生物学数据的搜索（收集和筛选）、处理（编辑、整理、管理和显示）及利用（计算、模拟）。　　1990年代以来，伴随着各种基因组测序计划的展开和分子结构测定技术的突破和Internet的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。对生物信息学工作者提出了严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？　　生物信息学的另一个挑战是从蛋白质的氨基酸序列预测蛋白质结构。这个难题已困扰理论生物学家达半个多世纪，如今找到问题答案要求正变得日益迫切。诺贝尔奖获得者W. Gilbert在1991年曾经指出：“传统生物学解决问题的方式是实验的。现在，基于全部基因都将知晓，并以电子可操作的方式驻留在数据库中，新的生物学研究模式的出发点应是理论的。一个科学家将从理论推测出发，然后再回到实验中去，追踪或验证这些理论假设”。　　生物信息学的主要研究方向： 基因组学 - 蛋白质组学 - 系统生物学 - 比较基因组学　　姑且不去引用生物信息学冗长的定义，以通俗的语言阐述其核心应用即是：随着包括人类基因组计划在内的生物基因组测序工程的里程碑式的进展，由此产生的包括生物体生老病死的生物数据以前所未有的速度递增，目前已达到每14个月翻一番的速度。同时随着互联网的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。然而这些仅仅是原始生物信息的获取，是生物信息学产业发展的初组阶段，这一阶段的生物信息学企业大都以出售生物数据库为生。以人类基因组测序而闻名的塞莱拉公司即是这一阶段的成功代表。　　原始的生物信息资源挖掘出来后，生命科学工作者面临着严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学产业的高级阶段体现于此，人类从此进入了以生物信息学为中心的后基因组时代。结合生物信息学的新药创新工程即是这一阶段的典型应用。[编辑本段]发展简介　　生物信息学是建立在分子生物学的基础上的,因此,要了解生物信息学,就必须先对分子生物学的发展有一个简单的了解.研究生物细胞的生物大分子的结构与功能很早就已经开始,1866年孟德尔从实验上提出了假设:基因是以生物成分存在,1871年Miescher从死的白细胞核中分离出脱氧核糖核酸(DNA),在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前,人们仍然认为染色体蛋白质携带基因,而DNA是一个次要的角色.1944年Chargaff发现了著名的Chargaff规律,即DNA中鸟嘌呤的量与胞嘧定的量总是相等,腺嘌呤与胸腺嘧啶的量相等.与此同时,Wilkins与Franklin用X射线衍射技术测定了DNA纤维的结构.1953年James Watson 和FrancisCrick在Nature杂志上推测出DNA的三维结构(双螺旋).DNA以磷酸糖链形成发双股螺旋,脱氧核糖上的碱基按Chargaff规律构成双股磷酸糖链之间的碱基对.这个模型表明DNA具有自身互补的结构,根据碱基对原则,DNA中贮存的遗传信息可以精确地进行复制.他们的理论奠定了分子生物学的基础.DNA双螺旋模型已经预示出了DNA复制的规则,Kornberg于1956年从大肠杆菌(E.coli)中分离出DNA聚合酶I(DNA polymerase I),能使4种dNTP连接成DNA.DNA的复制需要一个DNA作为模板.Meselson与Stahl(1958)用实验方法证明了DNA复制是一种半保留复制.Crick于1954年提出了遗传信息传递的规律,DNA是合成RNA的模板,RNA又是合成蛋白质的模板,称之为中心法则(Central dogma),这一中心法则对以后分子生物学和生物信息学的发展都起到了极其重要的指导作用.经过Nirenberg和Matthai(1963)的努力研究,编码20氨基酸的遗传密码得到了破译.限制性内切酶的发现和重组DNA的克隆(clone)奠定了基因工程的技术基础.正是由于分子生物学的研究对生命科学的发展有巨大的推动作用,生物信息学的出现也就成了一种必然.2001年2月,人类基因组工程测序的完成,使生物信息学走向了一个高潮.由于DNA自动测序技术的快速发展,DNA数据库中的核酸序列公共数据量以每天106bp速度增长,生物信息迅速地膨胀成数据的海洋.毫无疑问,我们正从一个积累数据向解释数据的时代转变,数据量的巨大积累往往蕴含着潜在突破性发现的可能,&生物信息学&正是从这一前提产生的交叉学科.粗略地说,该领域的核心内容是研究如何通过对DNA序列的统计计算分析,更加深入地理解DNA序列,结构,演化及其与生物功能之间的关系,其研究课题涉及到分子生物学,分子演化及结构生物学,统计学及计算机科学等许多领域.生物信息学是内涵非常丰富的学科,其核心是基因组信息学,包括基因组信息的获取,处理,存储,分配和解释.基因组信息学的关键是&读懂&基因组的核苷酸顺序,即全部基因在染色体上的确切位置以及各DNA片段的功能;同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测,然后依据特定蛋白质的功能进行药物设计.了解基因表达的调控机理也是生物信息学的重要内容,根据生物分子在基因调控中的作用,描述人类疾病的诊断,治疗内在规律.它的研究目标是揭示&基因组信息结构的复杂性及遗传语言的根本规律&,解释生命的遗传语言.生物信息学已成为整个生命科学发展的重要组成部分,成为生命科学研究的前沿.[编辑本段]主要研究方向　　生物信息学在短短十几年间,已经形成了多个研究方向,以下简要介绍一些主要的研究重点.　　1,序列比对(Sequence Alignment)　　序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的.　　2, 蛋白质结构比对和预测　　基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列更多的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要.　　3, 基因识别,非编码区分析研究.　　基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(Hidden Markov Model)和GENSCAN,Splice Alignment等等.　　4, 分子进化和比较基因组学　　分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因；Paralogous: 相同种族,不同功能的基因；Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现.　　5, 序列重叠群(Contigs)装配　　根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题.　　6, 遗传密码的起源　　通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种&冻结&理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材.　　7, 基于结构的药物设计　　人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益.　　8.生物系统的建模和仿真　　随着大规模实验技术的发展和数据累积，从全局和系统水平研究和分析生物学系统，揭示其发展规律已经成为后基因组时代的另外一个研究 热点-系统生物学。目前来看，其研究内容包括生物系统的模拟（Curr Opin Rheumatol，），系统稳定性分析（Nonlinear Dynamics Psychol Life Sci，），系统鲁棒性分析（Ernst Schering Res Found Workshop， ）等方面。以SBML（Bioinformatics，-8）为代表的建模语言在迅速发展之中，以布尔网络 （PLoS Comput Biol，2007，e163）、微分方程（Mol Biol Cell，-62）、随机过程（Neural Comput，-92）、离散动态事件系统等（Bioinformatics，）方法在系统分析中已经得到应 用。很多模型的建立借鉴了电路和其它物理系统建模的方法，很多研究试图从信息流、熵和能量流等宏观分析思想来解决系统的复杂性问题（Anal Quant Cytol Histol，8）。当然，建立生物系统的理论模型还需要很长时间的努力，现在实验观测数据虽然在海量增加，但是生物系统的模型辨 识所需要的数据远远超过了目前数据的产出能力。例如，对于时间序列的芯片数据，采样点的数量还不足以使用传统的时间序列建模方法，巨大的实验代价是目前系 统建模主要困难。系统描述和建模方法也需要开创性的发展。　　9.生物信息学技术方法的研究　　生物信息学不仅仅是生物学知识的简单整理和、数学、物理学、信息科学等学科知识的简单应用。海量数据和复杂的背景导致机器学习、统 计数据分析和系统描述等方法需要在生物信息学所面临的背景之中迅速发展。巨大的计算量、复杂的噪声模式、海量的时变数据给传统的统计分析带来了巨大的困难， 需要像非参数统计（BMC Bioinformatics，）、聚类分析（Qual Life Res，-63）等更加灵活的数据分析技术。高维数据的分析需要偏最小二乘（partial least squares，PLS）等特征空间的压缩技术。在计算机算法的开发中，需要充分考虑算法的时间和空间复杂度，使用并行计算、网格计算等技术来拓展算法的 可实现性。　　10, 生物图像　　没有血缘关系的人，为什么长得那么像呢？　　外貌是像点组成的，像点愈重合两人长得愈像，那两个没有血缘关系的人像点为什么重合？　　有什么生物学基础？基因是不是相似？我不知道，希望专家解答。　　11, 其他　　如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.[编辑本段]生物信息学与机器学习　　生物信息的大规模给数据挖掘提出了新课题和挑战,需要新的思想的加入.常规的计算机算法仍可以应用于生物数据分析中,但越来越不适用于序列分析问题.究其原因,是由于生物系统本质上的模型复杂性及缺乏在分子层上建立的完备的生命组织理论.西蒙曾给出学习的定义:学习是系统的变化,这种变化可使系统做相同工作时更有效。机器学习的目的是期望能从数据中自动地获得相应的理论,通过采用如推理,模型拟合及从样本中学习,尤其适用于缺乏一般性的理论,&噪声&模式,及大规模数据集.因此,机器学习形成了与常规方法互补的可行的方法.机器学习使得利用计算机从海量的生物信息中提取有用知识,发现知识成为可能.机器学习方法在大样本,多向量的数据分析工作中发挥着日益重要的作用,而目前大量的基因数据库处理需要计算机能自动识别,标注,以避免即耗时又花费巨大的人工处理方法.早期的科学方法—观测和假设----面对高数据的体积,快速的数据获取率和客观分析的要求---已经不能仅依赖于人的感知来处理了.因而,生物信息学与机器学习相结合也就成了必然.机器学习中最基本的理论框架是建立在概率基础上的,从某种意义来说,是统计模型拟合的延续,其目的均为提取有用信息.机器学习与模式识别和统计推理密切相关.学习方法包括数据聚类,神经网络分类器和非线性回归等等.隐马尔可夫模型也广泛用于预测DNA的基因结构.目前研究重心包括:1)观测和探索有趣的现象.目前ML研究的焦点是如何可视化和探索高维向量数据.一般的方法是将其约简至低维空间,如常规的主成分分析(PCA),核主成分分析(KPCA),独立成分分析(Independent component analysis),局部线性嵌套(LocallyLinear embedding).2)生成假设和形式化模型来解释现象[6].大多数聚类方法可看成是拟合向量数据至某种简单分布的混合.在生物信息学中聚类方法已经用于microarray数据分析中,癌症类型分类及其他方向中.机器学习也用于从基因数据库中获得相应的现象解释.机器学习加速了生物信息学的进展,也带了相应的问题.机器学习方法大多假定数据符合某种相对固定的模型,而一般数据结构通常是可变的,在生物信息学中尤其如此,因此,有必要建立一套不依赖于假定数据结构的一般性方法来寻找数据集的内在结构.其次,机器学习方法中常采用&黑箱&操作,如神经网络和隐马尔可夫模型,对于获得特定解的内在机理仍不清楚.[编辑本段]生物信息学的数学问题　　生物信息学中数学占了很大的比重.统计学,包括多元统计学,是生物信息学的数学基础之一;概率论与随机过程理论,如近年来兴起的隐马尔科夫链模型(HMM),在生物信息学中有重要应用;其他如用于序列比对的运筹学;蛋白质空间结构预测和分子对接研究中采用的最优化理论;研究DNA超螺旋结构的拓扑学;研究遗传密码和DNA序列的对称性方面的群论等等.总之,各种数学理论或多或少在生物学研究中起到了相应的作用.但并非所有的数学方法在引入生物信息学中都能普遍成立的,以下以统计学和度量空间为例来说明.　　1, 统计学的悖论　　数学的发展是伴随悖论而发展的.对于进化树研究和聚类研究中最显著的悖论莫过于均值了，就说明了要采用常规的均值方法不能将这两类分开,也表明均值并不能带来更多的数据的几何性质.那么,如果数据呈现类似的特有分布时,常有的进化树算法和聚类算法(如K-均值)往往会得错误的结论.统计上存在的陷阱往往是由于　　对数据的结构缺乏一般性认识而产生的.　　2, 度量空间的假设　　在生物信息学中,进化树的确立,基因的聚类等都需要引入度量的概念.举例来说,距离上相近或具有相似性的基因等具有相同的功能,在进化树中满足分值最小的具有相同的父系,这一度量空间的前提假设是度量在全局意义下成立.那么,是否这种前提假设具有普适性呢，我们不妨给出一般的描述:假定两个向量为A,B,其中,,则在假定且满足维数间线性无关的前提下,两个向量的度量可定义为:(1)依据上式可以得到满足正交不变运动群的欧氏度量空间,这也是大多数生物信息学中常采用的一般性描述,即假定了变量间线性无关.然而,这种假设一般不能正确描述度量的性质,尤其在高维数据集时,不考虑数据变量间的非线性相关性显然存在问题,由此,我们可以认为,一个正确的度量公式可由下式给出:(2)上式中采用了爱因斯坦和式约定,描述了变量间的度量关系.后者在满足(3)时等价于(1),因而是更一般的描述,然而问题在于如何准确描述变量间的非线性相关性,我们正在研究这个问题.[编辑本段]统计学习理论在生物信息学中应用的困难　　生物信息学中面对的数据量和数据库都是规模很大的,而相对的目标函数却一般难以给出明确的定义.生物信息学面临的这种困难,可以描述成问题规模的巨大以及问题定义的病态性之间的矛盾,一般从数学上来看,引入某个正则项来改善性能是必然的[7].以下对基于这一思想产生的统计学习理论,Kolmogorov复杂性[98]和BIC(Bayesian Information Criterion)[109]及其存在的问题给出简要介绍.支持向量机(SVM)是近来较热门的一种方法,其研究背景是Vapnik的统计学习理论,是通过最大化两个数据集的最大间隔来实现分类,对于非线性问题则采用核函数将数据集映射至高维空间而又无需显式描述数据集在高维空间的性质,这一方法较之神经方法的好处在于将神经网络隐层的参数选择简化为对核函数的选择,因此,受到广泛的注意.在生物信息学中也开始受到重视,然而,核函数的选择问题本身是一个相当困难的问题,从这个层次来看,最优核函数的选择可能只是一种理想,SVM也有可能象神经网络一样只是机器学习研究进程中又一个大气泡.Kolmogorov复杂性思想与统计学习理论思想分别从不同的角度描述了学习的性质,前者从编码的角度,后者基于有限样本来获得一致收敛性.Kolmogorov复杂性是不可计算的,因此由此衍生了MDL原则(最小描述长度),其最初只适用于离散数据,最近已经推广至连续数据集中,试图从编码角度获得对模型参数的最小描述.其缺陷在于建模的复杂性过高,导致在大数据集中难以运用.BIC准则从模型复杂性角度来考虑,BIC准则对模型复杂度较高的给予大的惩罚,反之,惩罚则小,隐式地体现了奥卡姆剃刀(&Occam Razor&)原理,近年也广泛应用于生物信息学中.BIC准则的主要局限是对参数模型的假定和先验的选择的敏感性,在数据量较大时处理较慢.因此,在这一方面仍然有许多探索的空间.[编辑本段]讨论与总结　　人类对基因的认识,从以往的对单个基因的了解,上升到在整个基因组水平上考察基因的组织结构和信息结构,考察基因之间在位置,结构和功能上的相互关系.这就要求生物信息学在一些基本的思路上要做本质的观念转变,本节就这些问题做出探讨和思索.　　启发式方法:Simond在人类的认知一书中指出,人在解决问题时,一般并不去寻找最优的方法,而只要求找到一个满意的方法.因为即使是解决最简单的问题,要想得到次数最少,效能最高的解决方法也是非常困难的.最优方法和满意方法之间的困难程度相差很大,后者不依赖于问题的空间,不需要进行全部搜索,而只要能达到解决的程度就可以了.正如前所述,面对大规模的序列和蛋白质结构数据集,要获得全局结果,往往是即使算法复杂度为线性时也不能够得到好的结果,因此,要通过变换解空间或不依赖于问题的解空间获得满意解,生物信息学仍需要人工智能和认知科学对人脑的进一步认识,并从中得到更好的启发式方法.　　问题规模不同的处理:Marvin Minsky在人工智能研究中曾指出:小规模数据量的处理向大规模数据量推广时,往往并非算法上的改进能做到的,更多的是要做本质性的变化.这好比一个人爬树,每天都可以爬高一些,但要想爬到月球,就必须采用其他方法一样.在分子生物学中,传统的实验方法已不适应处理飞速增长的海量数据.同样,在采用计算机处理上,也并非依靠原有的计算机算法就能够解决现有的数据挖掘问题.如在序列对齐(sequence Alignment)问题上,在小规模数据中可以采用动态规划,而在大规模序列对齐时不得不引入启发式方法,如BALST,FASTA.　　乐观中的隐扰：生物信息学是一门新兴学科,起步于20世纪90年代,至今已进入&后基因组时代&,目前在这一领域的研究人员均呈普遍乐观态度,那么,是否存在潜在的隐扰呢不妨回顾一下早期人工智能的发展史,在1960年左右,西蒙曾相信不出十年,人类即可象完成登月一样完成对人的模拟,造出一个与人智能行为完全相同的机器人.而至今为止,这一诺言仍然遥遥无期.尽管人工智能研究得到的成果已经渗入到各个领域,但对人的思维行为的了解远未完全明了.从本质来看,这是由于最初人工智能研究上定位错误以及没有从认识论角度看清人工智能的本质造成的;从研究角度来看,将智能行为还原成一般的形式化语言和规则并不能完整描述人的行为,期望物理科学的成功同样在人工智能研究中适用并不现实.反观生物信息学,其目的是期望从基因序列上解开一切生物的基本奥秘,从结构上获得生命的生理机制,这从哲学上来看是期望从分子层次上解释人类的所有行为和功能和致病原因.这类似于人工智能早期发展中表现的乐观行为,也来自于早期分子生物学,生物物理和生物化学的成就.然而,从本质上来讲,与人工智能研究相似,都是希望将生命的奥秘还原成孤立的基因序列或单个蛋白质的功能,而很少强调基因序列或蛋白质组作为一个整体在生命体中的调控作用.我们因此也不得不思考,这种研究的最终结果是否能够支撑我们对生物信息学的乐观呢 现在说肯定的话也许为时尚早.　　综上所述,不难看出,生物信息学并不是一个足以乐观的领域,究竟原因,是由于其是基于分子生物学与多种学科交叉而成的新学科,现有的形势仍表现为各种学科的简单堆砌,相互之间的联系并不是特别的紧密.在处理大规模数据方面,没有行之有效的一般性方法;而对于大规模数据内在的生成机制也没有完全明了,这使得生物信息学的研究短期内很难有突破性的结果.那么,要得到真正的解决,最终不能从计算机科学得到,真正地解决可能还是得从生物学自身,从数学上的新思路来获得本质性的动力.毫无疑问,正如Dulbecco1986年所说:&人类的DNA序列是人类的真谛,这个世界上发生的一切事情,都与这一序列息息相关&.但要完全破译这一序列以及相关的内容,我们还有相当长的路要走.
请登录后再发表评论!
数量遗传学　　采用数理统计和数学分析方法研究数量性状遗传的遗传学分支学科。　　简史 1909年瑞典遗传学家H.尼尔松－埃勒提出多基因学说，用每对微效基因的孟德尔式分离来解释数量性状的遗传。英国统计学家和遗传学家R.A.费希尔、美国遗传学家S.赖特和英国生理学家和遗传学家J.B.S.霍尔丹在20世纪20年代奠定数量遗传学的理论基础。40年代中美国学者J.L.勒什和英国数量遗传学家K.马瑟进一步发展了数量遗传研究，K.马瑟并把它称为生统遗传学。50年代以来随着概率论、线性代数、多元统计和随机过程等的逐步应用，使数量遗传学的内容又有了很大的发展。　　研究方法 主要是用生物统计学方法对群体的某种数量性状进行随机抽样测量,计算出平均数、方差等,并在此基础上进行数学分析。根据丹麦植物生理学家和遗传学家W.L.约翰森的研究规定数量性状的表型值P 等于基因型值G和环境值E之和；群体的平均表型值圴即等于平均基因型值强（因为群体的∑E＝0）；基因型值又由基因的累加效应值A、显性效应值D和非等位基因间的上位性效应值I组成。这样,群体某一数量性状的遗传变异即可用遗传型方差VG表示，它是累加方差VA、显性方差VD和上位性方差VI之和。如不考虑环境因素与遗传因素间的相互作用，那么测量到的表型变异的表型方差(VP)即等于遗传型方差VG与环境方差VE之和，可写成如下公式：　　VP＝VG＋VE＝VA＋VD＋VI＋VE根据此式,只要能估算出环境方差(例如可用纯系亲本或杂种一代的方差来表示),就可测量杂种分离世代表型方差中遗传型方差的大小。以此为基础，也可以估算出育种实践上一系列有指导意义的遗传参数如遗传力、重复力、遗传相关、遗传进度以及选择指数等。利用这些参数就可以分析和预测数量性状变异的遗传动态，作为动、植物育种的参考。　　遗传力或称遗传率，用来测量一个群体内某种由遗传原因(对环境影响而言)引起的变异在表型变异中所占的比重，以此作为选择的一个参考指标，从而判断该性状变异传递给后代的可能程度，例如奶牛的出生体重的遗传力是49％(见表)，说明出生体重在很大程度上是由遗传因素决定的，所以按出生体重来选育大型牛的成功的可能性较大。相反地，怀孕率的遗传力是3％,说明怀孕率大部分不决定于遗传因素，所以按怀孕率来选育多产的奶牛的成功的可能性很小。广义遗传力 (h2B)以遗传型方差占表型方差的比值(h2B＝VG/VP)表示。遗传力大,则该性状的变异主要来自遗传因素，受环境变动的影响较小。由于遗传方差中只有累加方差VA是上下代可以固定遗传的变异量，所以在育种上应用时常以累加方差占表型方差的比值来表示遗传力(h2N＝VA/VP),这就是狭义遗传力。遗传力在动、植物育种中有着广泛的应用。育种实践常需求出有关数量性状的遗传力作为确定选种方法和时期的参考，以及用来预测选择效果与估计累加效应值，即育种值等（见表）。　　重复力指个体在不同次生产周期之间某一数量性状的表型值可能重复的程度，用以度量有关某一性状的基因型在波动的环境中得以表达的稳定性；也可以用于研究群体中某种数量性状在不同环境中的近似度。重复力也是组内相关系数，因而它还可以确定某一表型值应该测量的次数。如牛奶乳脂率的重复力为80％，这表明重复力较高，测量少数几次就能大致确定该乳牛今后的乳脂率水平。此外，重复力还可以用来估算群体或个体某一性状的稳定性。　　遗传相关指同一个体两个性状的基因型中累加效应之间的相关，它等于两性状的遗传协方差与各性状遗传标准差乘积之比。遗传相关可以反映基因型间的相关程度，所以可以利用遗传力高的性状来间接选择某些与它有较高遗传相关但遗传力低或不易测量的经济性状，以提高选择效果。　　由于遗传相关已经除去了环境影响，所以它就比表型相关可靠。例如家鸡卵重变异的遗传力为 60％，体重变异的遗传力只有31％；这暗示按体重选育大种鸡效果不佳，这两种性状的表型相关虽只有0.16％，但遗传相关达50％，因此可以按卵重性状间接选育大种鸡。又如牛的泌乳量与牛的体型及乳房形状之间有密切的遗传相关，水稻的产量同产量因子（如每株穗数、每穗粒数及千粒重等）之间也存在遗传相关。　　在育种工作中通常根据性状的相关性，从一个性状的特点间接地预测另一性状的选择价值。但这只是表型相关，它还包含有环境影响的部分，所以不能真实地反映不同性状间的遗传关系。遗传相关真实反映基因型间的相关，以它作为根据来进行选择就能收到比较良好的效果，尤其是选择遗传力较低的性状收效更为显著。　　遗传进度(又称遗传获得量)是杂种后代某一数量性状的平均数在一定选择强度下比原来群体平均数提高的数值。它是遗传力h2与选择差i的函数，即ΔG＝ih2。选择差指群体中某一数量性状的平均值与被选作为下一代亲本个体该性状平均值之间的差量。遗传进度是确定遗传效果的一个重要估计值。只要求出两性状的遗传力和它们之间的遗传相关，就可以估计通过一个性状的选择来间接选择另一性状的相关遗传进度。　　遗传进度按性状的遗传力有着不同的效果。对遗传力高而遗传方差大的性状，在一定选择强度下可以获得较大的遗传进度，说明这一性状的选择效果较高。因此遗传进度是确定选择效果的一个重要参数。此外，性状间遗传进度的关系也如性状间相关一样，对一个性状的选择将会影响另一性状的遗传进度。性状间的相关只是相对地说明两个性状的密切程度；而性状间遗传进度的相关则表明两个性状在遗传上获得的绝对值的相互关系。所以遗传进度不仅可以用来预测某一性状在选择下的绝对进度，还能预测其他性状引起的相应进展。据此，我们也就能够对育种材料作出适当的评价，而对供试的材料给以合理的安排和处理。　　选择指数是对多个数量性状进行综合选择的选择指标，可以用来使目标性状经过选择而获得最大的改进。选择指数值等于各性状表型值与指数系数乘积的代数和。随着问题的性质和要求不同，确定指数系数的方法也各不相同，因而有许多不同估算法的选择指数可以作为多个数量性状选择时的指标。　　数量遗传学的另一个重要内容是研究各种不同遗传交配设计（如双列杂交、轮回选择、动物的各种交配系统等）以及在这些交配设计中数量性状的遗传动态。此外，基因型与环境的相互作用也是近年来数量遗传学的重要研究课题。　　遗传规律与生物统计学以及其他数学分支结合起来，解释数量性状的遗传规律和生物发展的规律，从而丰富和充实了遗传学和进化论。由于经济性状绝大多数是数量性状，所以研究数量性状的遗传变异对于育种实践具有重要的指导作用。
请登录后再发表评论!