在基因组最佳线性无偏预测（Genomic best linear unbiased prediction,GBLUP）模型中,假设所有的标记效应具有相同的方差;对微效多基因性状而言,这种假设是合理的。然而,对于存在主效基因或效应较大基因的性状,这种假设与事实不符,考虑性状遗传结构的方法更加适合这类性状。基于压缩先验的贝叶斯方法或全基因组关联分析（Genome-wide association study,GWAS）方法可有效识别致因变异,并对其效应进行估计;将GWAS或贝叶斯分析的结果用于构建加权的基因组关系矩阵（Genomic relationship matrix,G）,有望提高一般GBLUP的预测性能。目前,关于加权G矩阵构建方法方面的研究并不充分,这主要体现在以下方面:（a）较少考虑标记信息来源对加权方法的影响,一般只用一种方法的结果,例如,基于某一GWAS或贝叶斯方法的标记效应估计结果,也有研究只是简单地使用岭回归BLUP（Ridge regression BLUP,RRBLUP）估计的标记效应进行加权G矩阵构建。（b）构建方法过于单一,只使用标记的效应估计值或检验统计量构建加权G矩阵,缺乏较系统的构建及比较。本论文针对这些热点问题进行一系列研究,主要形成以下三方面的创新性成果:（1）本研究中根据标记效应在不同的GWAS和基因组预测（Genomic prediction,GP）模型中的假设,将GWAS及基因组预测模型分为两类:标记效应具有局部压缩先验（Local-shrinkage prior）的模型和标记效应具有正态先验（Normal prior）的模型。而对于加权G矩阵的构建,我们提出了三种方法:（a）基于基因组特征模型的基因组特征加权G（Genomic-feature weighted G,GFWG）矩阵;（b）基于标记效应方差估计值的加权G（Estimated marker-variance weighted G,EVWG）矩阵;（c）基于标记效应估计值的绝对值的加权G（Absolute value of estimated marker-effect weighted G,AEWG）矩阵。因此,产生6种加权G矩阵选项:局部压缩先验/正态先验（2）（?）GFWG/EVWG/AEWG（3）,将加权G矩阵代替一般GBLUP中的Van Raden G矩阵,产生对应的加权GBLUP方法,即局部压缩先验/正态先验GF/EV/AE-WGBLUP。本文提出的加权GBLUP构建方法,为GWAS和贝叶斯方法应用于基因组预测提供了新思路。（2）从遗传力（h2）和数量性状基因座（Quantitative trait loci,QTL）的个数两个维度考虑数量性状的遗传结构,模拟产生一系列具有不同遗传结构的性状。根据模拟研究的结果,我们将数量性状分为6种具有不同遗传结构的性状类型。与GBLUP相比,加权GBLUP能够有效提高基因组预测准确度,但提高的程度与性状有关;总体来看,模拟性状的准确度提高范围为14.7%～0.4%。对于主要由大效应位点控制的性状,局部压缩先验EVWGBLUP具有优势;对于主要由中等效应位点控制的性状,正态先验AEWGBLUP更具优势;而对于一些性状,大效应位点解释一定比例的遗传变异,但同时存在大量的小效应位点,基于有效GWAS方法的GFWGBLUP具有优势;对于微效多基因性状,本研究中的加权方法与GBLUP的结果类似。（3）将提出的加权GBLUP方法应用于奶牛、猪和火炬松三个物种的25个真实性状的基因组预测。基于真实性状的研究结果表明,这些加权GBLUP能够适应广泛的遗传结构,从而较大程度的优化基因组预测的性能。与GBLUP相比,真实性状的预测准确度提高范围为44%～-3.3%。与现有的研究结果相比,我们的方法在多数情况下都具有优势,验证了我们提出的加权GBLUP方法的有效性。综上所述,本研究构建了一系列的加权GBLUP方法,将GWAS或基因组预测方法得到的标记信息以不同的方式整合到BLUP模型中。与Bayesian alphabet相对应,我们提出的加权GBLUP方法与不同的GWAS/GP方法相结合,可以产生适应不同遗传结构的组合。同时,我们的加权方法可以直接整合到现有的遗传评估体系。