1. 研究目的与意义、国内外研究现状（文献综述）
在传统品种改良中，大豆与其他自花授粉作物一样遵循常规育种程序，目前育种工作主要是基于分离群体中的优异个体的表型选择进行品种改良，从配制杂交组合到品种的审定，一般需要8-10年的时间。根据农艺性状来进行分析是用于解释大豆株型变异情况的传统方法，并且传统的育种手段已经取得了相当的进展。但是常规育种手段需要较长的育种年限，效率往往较低，已经难以满足目前世界对大豆需求量的迅速提升，需要利用新的技术手段更快提升当前大豆产量的增产速度。鉴于大豆株型及产量相关性状对产量的重要性以及遗传的复杂性，我们需要深入挖掘大豆株型及产量相关性状的qtl/基因来实现大豆的高产育种。
目前全基因组关联分析(genome-wideassociation study, gwas)的理论及应用是国内外数量性状研究的热点, 关联分析根据研究目标分为两种：一种是全基因组关联分析，即在全基因组水平上检测与目标性状关联的位点。另一种是候选基因的关联分析，根据控制表型或者代谢通路基因的多态性位点从中发掘正向调控目标性状的基因，是基于基因序列上的分析，需要对候选基因进行筛选和预测。
gwas是基于自然群体大量的历史重组事件进行统计分析,具有较高检测精度,已广泛应用于动植物复杂性状基因的发掘。然而,但是由于自然群体往往存在未知的群体结构，会干扰统计结果从而导致检测结果呈现较高的假阳性。同时以往的gwas方法还存在另一个不足之处：它是基于snp位点上仅有两个等位变异，仅注重于对主效qtl/基因的检测与发掘，而在多基因控制的数量性状研究中就会受到限制。
针对以往的gwas方法的不足，he等（2017）提出了限制性两阶段全基因组关联分析（restricted two-stage multi-lucus gwas, rtm-gwas），这是一种基于逐步回归的多位点复等位变异的关联分析方法，该方法具有以下四方面的优点：（1）可利用复等位标记进行关联分析，如ssr和snpldb标记，更符合自然群体变异特征；（2）基于多位点模型进行关联分析，不仅可以提高检测功效，并且采用逐步回归不必进行bonferroni多重矫正，大幅度地降低假阴性结果；（3）采用gsc矩阵可以较好的控制群体结构对关联分析结果的影响；（4）除检测位点加性效应外，还能检测位点与环境互作效应。和以往gwas方法相比,rtm-gwas以性状遗传率为上限, 能够较充分地检测出qtl及其相应的复等位变异并能有效地控制假阳性的膨胀。由其结果建立的qtl-allele矩阵代表了群体中所研究性状的全部遗传组成。依据这种qtl-allele矩阵的信息,能够设计最优基因型的遗传组成，进而预测群体中最优化的杂交组合。
2. 研究的基本内容和问题
大豆的产量受多种因素影响，其中大豆株型性状在大豆产量形成过程中表现出重要作用。
改良大豆株型，即改良大豆的农艺性状，包括光高效株型以及抗倒伏株型等，是提高大豆产量的一种重要手段。
随着全球人口的持续增长，对大豆总产的增长比率提出了更高的要求，需要进一步培育高产品种，提高单产，以满足不断增长的粮食需要。
3. 研究的方法与方案
供试材料为133份大豆地方品种，取源于236份的大豆微核心种质群体。大豆微核心种质基于中国23,587份大豆种质资源筛选构建，田间试验于2016年和2017年在南京农业大学江浦试验站和2017年在安徽当涂试验站进行。获取该群体株高、主茎节数、分枝数、茎粗4个株型及产量相关性状的表型数据后，采用SAS 9.4软件分别对4个株型及产量相关性状进行描述性统计分析。接着进行基因分型和SNPLDB标记构建，然后构建QTL-ALLELE矩阵，并对优选组合进行预测。
实验可行性基本具备，学校内的设施以及田间试验材料都已经足以支撑实验的完成。在进行模型预测时，由于计算难度的问题本研究不考虑上位性效应的影响，基于控制显著关联SNPLDB标记的等位变异及其效应就可以预测群体中每个材料的表型估计值。在杂交后代目标性状相关位点/基因往往存在连锁和独立分配两种形式，考虑到株型性状遗传的复杂性，本研究选择连锁模型进行模拟育种。根据关联分析结果的预测过程中，首先假设显著关联的标记与目标性状位点共分离，关联分析位点的基因型为位点的基因型，等位变异效应为关联标记的等位变异效应，从而预测表型值。在进行育种模拟时仅考虑单交育种策略，假设染色体交换次数服从泊松分布，随机模拟每个染色体发生的交换次数，并假定交换在染色体上服从均匀分布，最后随机选择双亲的配子组合成为一个子代个体。
4. 研究创新点
本研究利用到了新的gwas技术：rtm-gwas。
这种方法很好地针对了常规gwas方法的不足。
这是一种基于逐步回归的多位点复等位变异的关联分析方法，该方法具有以下四方面的优点：（1）可利用复等位标记进行关联分析，如ssr和snpldb标记，更符合自然群体变异特征；（2）基于多位点模型进行关联分析，不仅可以提高检测功效，并且采用逐步回归不必进行bonferroni多重矫正，大幅度地降低假阴性结果；（3）采用gsc矩阵可以较好的控制群体结构对关联分析结果的影响；（4）除检测位点加性效应外，还能检测位点与环境互作效应。
5. 研究计划与进展
针对大豆株型及产量相关性状的表型变异进行分析以及相关性分析，筛选到合适的SNPLDB标记后，构建遗传相似系数矩阵。
根据限定的若干假设基础之上，对实验材料的可能组合进行预测，找到一个最佳的组合方案。
