数量遗传学的统计假设前提

在数量遗传学与育种实践中，统计模型是连接表型观测值与基因型内在规律的桥梁。任何统计模型的有效性都依赖于特定的假设前提，数量遗传学亦不例外。理解这些统计假设前提，不仅有助于正确选择分析方法，更是避免得出错误育种结论的关键。本文将从总览视角，系统梳理数量遗传学的核心统计假设，并探讨其在育种实践中的应用全景。
数量遗传学的基础在于将表型值（P）分解为基因型值（G）与环境效应（E）的线性组合，即 P = G + E。进一步地，基因型值又被假设为多个微效基因效应的线性累加。

• 加性效应主导：模型假设基因的替换效应是可加的，即等位基因的替换不依赖于遗传背景或基因座位的组合。这是育种值（加性效应值）能够稳定遗传并在后代中保持预期的统计学基石。
• 互作效应的残差化：尽管真实生物体系中存在显性效应（等位基因内互作）和上位性效应（非等位基因间互作），但在基础数量遗传模型中，这些非加性效应通常被假设为次要部分，或被归入随机残差之中。这种简化保证了线性模型的可解性，但也意味着当上位性效应占主导时，常规的加性模型预测将产生偏差。

群体遗传结构的平衡假设

数量遗传学的参数估计（如方差组分、遗传力）高度依赖群体的遗传结构。统计模型通常隐含了对群体状态的假设。

• 随机交配与无选择：模型通常假设参考群体处于随机交配状态，且不存在系统性选择。这一假设确保了基因频率的稳定性，使得基于当代群体估计的遗传参数能够外推至下一代。若群体存在强烈的定向选择，配子间的结合将偏离随机期望，导致参数估计失真。
• 与哈迪温伯格平衡的关联：虽然哈迪温伯格平衡的具体推导属于群体遗传学的细分范畴，但数量遗传模型的有效性往往以群体接近该平衡状态为前提。只有当群体基因型频率符合平衡预期时，基于等位基因频率对方差组分的统计学推导才具有无偏性。

环境效应的正态性与独立性假设

在方差分析及线性混合模型中，对环境效应及残差的分布假设是进行统计推断（如显著性检验、置信区间估计）的核心依据。

• 正态分布假设：模型假设环境效应及随机残差服从均值为0的正态分布（$E \sim N(0, \sigma_e^2)$）。这一假设主要源于中心极限定理——当影响表型的微环境因素足够多且相互独立时，其总和趋近于正态分布。正态性假设保证了限制性极大似然（REML）等参数估计方法的最优性。
• 独立同分布与无互作：假设环境效应相互独立，且环境效应与基因型效应之间不存在互作（G×E）。若存在显著的基因型与环境互作，单一环境下的表型方差将无法代表基因型在多环境下的真实变异，必须引入多环境试验（MET）模型进行联合分析。

微效多基因与无连锁干扰假设

数量性状的连续变异特征，要求其背后的遗传基础满足特定的统计学性质。

• 无限微效多基因假设：经典数量遗传学假设控制数量性状的基因座位是无限的，且每个基因的效应微小且相等。这一假设是连续变异正态化及遗传力概念成立的基石。当性状实际受少数主效基因控制（如QTL）时，其分布将偏离正态，需采用混合模型将主效基因作为固定效应拟合，以消除对多基因背景估计的干扰。
• 无连锁干扰：在基础统计模型中，通常假设各基因座位间不存在连锁不平衡（LD）。若位点间紧密连锁，会导致遗传方差组分间的协方差无法被简单拆分，增加参数估计的维度与难度。

统计假设在育种实践中的应用全景

理解上述假设并非纯粹的数学游戏，而是直接指导育种实践的科学依据。

• 遗传参数估计的可靠性边界：遗传力的准确估计依赖于加性方差与表型方差的正确拆分，而这又以线性可加、环境正态及群体平衡为前提。育种者在解读遗传力时，必须审视数据是否严重违背了这些假设（如高度近交群体或极端非正态分布的性状）。
• 育种值估计与模型选择：现代育种中广泛使用的最佳线性无偏预测（BLUP），正是建立在上述统计假设框架下的高级实现。当微效多基因假设不完全成立时，育种者需在模型中引入显性效应或上位性效应；当G×E互作显著时，需构建因子分析结构的环境协方差矩阵。
• 基因组选择时代的假设演进：随着全基因组标记数据的普及，传统基于系谱的无限微效多基因假设正在向基于标记的基因组关系矩阵（GBLUP）演进。尽管计算方式改变，但线性可加性与残差正态性的核心统计假设依然适用，只是将“无限微效”具象化为“有限但密集的标记效应”。

综上所述，数量遗传学的统计假设前提构建了从复杂数据中提取遗传信号的逻辑框架。育种工作者唯有深刻理解这些假设的内涵与边界，才能在面对真实复杂的农业生物数据时，合理选择模型、客观评估参数，最终推动育种决策的科学化与精准化。