| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 缩略词表 | 第9-10页 |
| 第一章 文献综述 | 第10-28页 |
| 1.1 玉米母本单倍体诱导研究进展 | 第10-15页 |
| 1.1.1 玉米诱导系选育及诱导率相关研究 | 第10-14页 |
| 1.1.2 母本可诱导性的研究 | 第14-15页 |
| 1.1.3 通过改造CENH3诱导母本单倍体 | 第15页 |
| 1.2 单倍体鉴别方法综述 | 第15-18页 |
| 1.3 单倍体自然加倍综述 | 第18-19页 |
| 1.4 数量性状遗传研究概述 | 第19-20页 |
| 1.4.1 连锁分析定位QTL | 第19-20页 |
| 1.4.2 全基因组关联分析 | 第20页 |
| 1.5 近红外光谱分析研究进展 | 第20-22页 |
| 1.6 机器学习及其常用算法 | 第22-26页 |
| 1.6.1 线性判别方法 | 第22-24页 |
| 1.6.2 非线性判别方法 | 第24-26页 |
| 1.7 研究目的及意义 | 第26-28页 |
| 第二章 母本单倍体可诱导性定位 | 第28-49页 |
| 2.1 引言 | 第28页 |
| 2.2 材料与方法 | 第28-32页 |
| 2.2.1 实验材料 | 第28页 |
| 2.2.2 实验设计 | 第28-29页 |
| 2.2.3 表型测量与数据分析 | 第29-30页 |
| 2.2.4 DNA提取与基因分型 | 第30-31页 |
| 2.2.5 遗传连锁图谱构建 | 第31页 |
| 2.2.6 QTL定位 | 第31-32页 |
| 2.3 结果 | 第32-42页 |
| 2.3.1 亲本选择及DH群体的构建 | 第32-34页 |
| 2.3.2 表型数据校正 | 第34-36页 |
| 2.3.3 DH群体在四个环境下的表现 | 第36-39页 |
| 2.3.4 DH群体基因型分析 | 第39-41页 |
| 2.3.5 QTL定位结果分析 | 第41-42页 |
| 2.4 讨论 | 第42-49页 |
| 2.4.1 母本可诱导性的遗传特点 | 第42-43页 |
| 2.4.2 环境对母本可诱导性的影响 | 第43页 |
| 2.4.3 群体大小和分子标记密度对定位结果的影响 | 第43-44页 |
| 2.4.4 母本可诱导性QTL定位的应用 | 第44-49页 |
| 第三章 父母本遗传距离与单倍体诱导率的关系 | 第49-57页 |
| 3.1 引言 | 第49页 |
| 3.2 材料与方法 | 第49-50页 |
| 3.2.1 实验材料 | 第49页 |
| 3.2.2 表型与基因型 | 第49页 |
| 3.2.3 基因型数据的分析 | 第49-50页 |
| 3.3 结果 | 第50-55页 |
| 3.3.1 三个诱导系的诱导率 | 第50-53页 |
| 3.3.2 全基因组遗传距离分析 | 第53-54页 |
| 3.3.3 遗传距离与诱导率的关系 | 第54-55页 |
| 3.4 结论与讨论 | 第55-57页 |
| 第四章 诱导率QTL qhir8的效应分析 | 第57-64页 |
| 4.1 引言 | 第57页 |
| 4.2 材料与方法 | 第57-59页 |
| 4.2.1 实验材料 | 第57-58页 |
| 4.2.2 基因分型 | 第58-59页 |
| 4.3 结果分析 | 第59-62页 |
| 4.3.1 染色体片段代换系的筛选 | 第59-60页 |
| 4.3.2 qhir8的效应分析 | 第60-62页 |
| 4.4 讨论 | 第62-64页 |
| 第五章 利用机器学习鉴别单倍体 | 第64-85页 |
| 5.1 引言 | 第64页 |
| 5.2 材料与方法 | 第64-67页 |
| 5.2.1 实验材料 | 第64-65页 |
| 5.2.2 近红外光谱数据的采集与光谱预处理 | 第65页 |
| 5.2.3 单倍体的田间鉴定 | 第65-66页 |
| 5.2.4 运用机器学习算法构建单倍体预测模型 | 第66-67页 |
| 5.3 结果 | 第67-82页 |
| 5.3.1 单倍体田间鉴定结果 | 第67-68页 |
| 5.3.2 单倍体与杂合二倍体近红外光谱特征 | 第68-70页 |
| 5.3.3 利用不同算法构建单倍体鉴别模型 | 第70-77页 |
| 5.3.4 模型效果对比 | 第77-79页 |
| 5.3.5 几种模型在测试数据中的表现 | 第79-80页 |
| 5.3.6 不同光谱预处理方法对模型准确率的影响 | 第80页 |
| 5.3.7 不同数据集模型预测效果比较 | 第80-81页 |
| 5.3.8 近红外鉴别单倍体的优势 | 第81-82页 |
| 5.4 讨论 | 第82-85页 |
| 5.4.1 单倍体鉴定方法的比较 | 第82-83页 |
| 5.4.2 机器学习近红外鉴定单倍体的优势 | 第83页 |
| 5.4.3 机器学习鉴定单倍体的影响因素 | 第83-84页 |
| 5.4.4 机器学习鉴别单倍体的应用 | 第84-85页 |
| 第六章 机器学习在单倍体雄穗自然加倍和DH选择中的应用 | 第85-94页 |
| 6.1 引言 | 第85页 |
| 6.2 实验材料与方法 | 第85-86页 |
| 6.2.1 单倍体自然加倍预测 | 第85-86页 |
| 6.2.2 DH系粒重的选择 | 第86页 |
| 6.3 实验结果 | 第86-92页 |
| 6.3.1 单倍体自然加倍田间调查结果 | 第87页 |
| 6.3.2 机器学习预测单倍体自然加倍 | 第87-88页 |
| 6.3.3 DH系粒重分布 | 第88页 |
| 6.3.4 DH系光谱预测可行性分析 | 第88-91页 |
| 6.3.5 DH系基因型预测粒重 | 第91页 |
| 6.3.6 机器学习DH系籽粒近红外光谱预测粒重 | 第91-92页 |
| 6.4 讨论 | 第92-94页 |
| 第七章 全文结论与讨论 | 第94-96页 |
| 参考文献 | 第96-106页 |
| 致谢 | 第106-107页 |
| 作者简历 | 第107-108页 |
| 附录 | 第108-117页 |