即最优线性无偏估计法(Best linear unbiased prediction)。在建立预测模型时,将表型数据(标记的效应)看作是各个标记的线性函数,然后利用最小二乘原理估计出各个标记的效应值,再进行方差检验,包括F测验和多重比较,据此确定各个标记与表型效应的关系参数。目前常用的BLUP法包括基因组最佳线性无偏预测(Genomic best linear unbiased prediction,GBLUP)和岭回归最佳线性无偏预测(Ridge regression best linear unbiased prediction,rrBLUP) 。BLUP法是目前最稳健的预测方法。
3.3 贝叶斯法(Bayesian Analysis)
在建立预测模型时,先假定未知参数的先验信息,然后利用贝叶斯公式根据表型数据(标记的效应)获得后验信息,再去推测未知参数。与前两种方法相比,贝叶斯法含有迭代过程,计算量更大,耗时更长。Bayes全基因组回归需要大规模的建模群体去实现其优势,研究表明,采用1254 个材料建模,Bayes B 需要巨大的计算量,相对而言,GBLUP 的计算量较少。CIMMYT开发了包含贝叶斯模型的预测工具包BGLR,包含了基因型与环境互作工具和多性状选择工具。贝叶斯方法已经应用在一些研究中。