针对传统遗传学实验教学中存在的问题，在教学中确立注重基础、加强能力、提高素质的全面发展教育观，对遗传学的实验教学内容加以优化，设置模块式课程实验和综合实验，结合教学方法及教学组织形式上的改革，重点突出实验的设计性、综合性及创新性，实施全天性开放实验教学，着力培养学生的研究性学习能力，拓展了学生的知识视野，提高了遗传学实验课程教学质量。
遗传学实验课程是遗传学教学的重要组成部分，是生物、农学、医学类等专业一门重要的专业基础课实验[1-2]。随着分子生物学的迅猛发展，以染色体作为代表的经典遗传实验内容和遗传规律的验证性实验已不能满足学科发展的要求[3]，对现行实验课程的教学内容和方法进行整合和优化势在必行。笔者基于多年来的教学实践，在湖南农业大学校级本科教学改革项目的支持下，在遗传学实验课程教学方面进行了一些有益的尝试。
1整合实验内容，制定实验教学目标
传统遗传学实验教学中普遍存在“三多三少”现象[4]：即染色体操作及经典遗传实验内容多，分子及群体遗传实验内容少;内容单一具体的验证性实验多，设计性、综合性、创新性的实验少;课外补助时间完成的实验多，课堂计划学时内完成的实验少。生科院遗传学实验的授课对象是生物技术、生物科学和生物工程专业的学生，如何在有限实验学时内将经典遗传学实验内容与分子遗传学实验技术实现有效衔接。笔者根据专业培养计划，结合学科发展现状和趋势，重新编写了《遗传学实验技术》教学大纲。明确了课程的性质和任务、实验目的和基本要求、实验项目的具体内容、实验考核方式及办法、实验教材及主要参考资料以及教改说明。将遗传学实验20学时及实践教学的0.5～1.0周(生物技术0.5周，生物科学1.0周)进行合理整合，具体归纳为5个实验模块，即遗传学实验技能训练、果蝇经典遗传、染色体细胞遗传、群体遗传及分子遗传。将遗传学实验技能训练、染色体细胞遗传和分子遗传等3个实验模块整合在0.5～1.0周的连续性实验周中。在教学改革中，基于多年来对教学内容与教学方法的探索，以及科研实践的经验体会，吸取了国内外成熟的经验和信息资料，自编了一本通俗、易懂、实用性较强的实验指导。同时利用多媒体技术，将遗传学实验中比较抽象，难以理解和掌握的一些规律、技术、方法用视频或flash动画等深入浅出、生动形象地展现出来，使学生对实验的细节有更加直观、深刻的印象。将这些课程数字化资料上传到学校校园网上，使学生随时查阅，随时学习，学生进实验室后明确自己要“做什么，怎么做”。目前，已建立了较为完善的课程体系，具有完整的实验及实践教学大纲、考试大纲、课程教案、讲稿、多媒体课件、自编实验指导书等，为进一步提高教学质量提供了良好的保障。让学生能在学习的过程中加以理解，理解后能掌握，掌握后能加以应用。
2加强实验教学团队建设
教学团队建设是保证课程教学水平提高和教育教学持续稳定发展的关键。为切实加强实验教学，取得良好的实验教学效果，全面安排实验双线教学，即由主讲教师全面负责组织教学，辅导教师密切配合共同参与整个实验过程的管理和答疑工作，主讲教师和辅导教师在不同的班级间互换角色交叉排课，使授课教师能够全面了解学生的学习状况和效率，也增强了教师的责任感。每轮实验前建立实验预做制度，确保实验的可行性与可操作性。教师队伍中教授1人，副教授1人，讲师2人，都具有博士或硕士学位。既有丰富教学经验和实验实践经验的中年教师，又有年富力强勤奋钻研的年轻教师，实验教师与学生的比例为1∶40左右，是一支在学历结构、年龄结构、学院结构、师资配置上合理，工作上精诚合作奋发向上的教学团队。
3整合教学资源，建立新型实验教学体系
我校生物科学技术学院实验中心是省重点实验室，依托植物生产部级实验教学示范中心，通过省级普通高校基础课示范实验室建设和中央与地方共建高校基础课实验室建设，在实验教学中已实现多媒体辅助教学，构建了显微数码互动教学系统，添置了先进、实用的新设备，提升了仪器档次和自动化程度，真正达到优化组合，合理配置资源。为遗传学实验技术课程的开设和实践教学搭建了一个坚实的平台，对实验内容进行了精心选择与安排。
3.1设置遗传学实验技能训练模块，整合细胞遗传实验模块
将显微数码互动教学系统的使用、实验用具器皿的准备、药物试剂配制及连续性实验中的实验组织、注意事项、公用仪器使用等内容整合为遗传学实验技能训练模块，同时将动、植物染色体制片技术(包括减数分裂、果蝇唾腺染色体制备、染色体结构变异、多倍体诱导)等经典遗传实验内容整合在0.5～1.0周的综合实验中，通过0.5～1.0周连续性、全方位基本训练，学生系统掌握了细胞遗传学的研究方法和实验技能，为本科毕业论文的开展打下了坚实基础。
3.2整合果蝇经典遗传实验模块
果蝇的杂交实验是遗传规律研究的经典实验。从亲代的杂交到子一、二代的自交、性状鉴定、数据统计分析，实验流程长达2个月以上。尤其是处女蝇收集选择，必须实施全天性开放实验室才能让学生参与实验的全程。而传统的遗传学实验，一次课仅有3～4学时，许多实验操作不可能在限定时间内完成，为保证实验结果的正确性，教师不得不“包办”大部分的实验过程，只选择最后的步骤让学生观察和实践，是典型的为验证而“验证的实验”，学生的研究性学习能力得不到拓展，实验兴趣和求知欲望得不到满足。因此，将果蝇生活史的观察与饲养、单因子分离规律、双因子自由组合规律、伴性遗传、两点与三点基因定位5个验证性实验整合为1个果蝇经典遗传设计性实验。要求学生以组为单位，设计1～2个杂交组合的实验结果来验证4～5个遗传规律。通过亲本品系的合理选择、培养基配制、果蝇的饲养、亲本的交配设计、转瓶培养、子一、二代观察与鉴定至最后的实验结果统计及结果分析等环节，能全面考察学生对所学知识的掌握与应用程度，让学生真正明白了实验设计方案对实验成败的重要性，培养了学生自主学习和研究性学习的能力[5]。该模块设置2次课堂实验，共8学时，分别以实验设计与亲代杂交，中期实验数据统计与交流，实验结果汇报总结为主要内容，实验室全天性开放，学生利用课余时间自觉主动地完成各项实验操作，教师督促指导。在PPT课件汇报实验结果环节，要求学生将原始实验数据进行具体分析，即使实验结果与实验的预期值不相符合，只要学生能找出实验失败的原因并提出相应补救方案，实验就算通过。通过该模块内容整合和实验实施，学生由被动变主动，激发了学生的实验兴趣和学习热情，增强了学生团队意识和工作责任感，培养了实事求是的科研态度和严谨的工作作风。
3.3优化群体遗传实验模块，增加分子遗传综合实验模块
由于遗传学理论课学时缩减，群体遗传学理论部分的讲授主要集中在遗传平衡定律的解释分析上，遗传平衡定律的应用、扩展及生物学例证则要通过学生自主实验来加以实现，并应证所学理论知识。为此，将人类味盲、嗅盲基因群体的基因结构调查与分析，整合为群体遗传实验模块。实验提供几种味觉、嗅觉鉴别的化学药剂。如苯硫脲(PTC)、薄荷香精、黄连、乙醇、乙酸、氨水等。教师以人类典型味盲、嗅盲基因结构调查分析为主要内容进行指导，再将学生分成几个实验小组，组长带领组员从文献的查阅到调查方案的设计、药剂配制(课余时间完成)、实验的实施到结果分析均由学生独立完成。实验设置2～3个实验因素，每个实验因素设置2～3个水平，包括调查群体的基因种类、调查对象以及实验所用的味觉或嗅觉鉴别药剂的浓度系列等均由学生安排。该模块计划课时为4学时，学生通过邀请教师、学生组成随机的孟德尔群体，尝味相关药剂进行人类味盲、嗅盲基因群体的基因结构调查与分析，准确尝味不同浓度的相关药剂是保证实验结果的重要前提，稍有心理因素的干扰就可能导致实验结果的偏差，要求受试人排除一切心理因素干扰，细细尝味、嗅味各种药剂，实事求是地报告实验结果，通过该实验模块教学使学生对群体遗传有全面系统认识。传统的遗传学实验教学中涉及分子遗传学实验较少且系统性不强，利用0.5～1.0周的连续实验周，尝试以教师的科研材料为基础，增加植物的遗传转化与鉴定方面的实验。例如利用教师科研工作中构建的β-葡萄糖苷酸酶(β-glucuron-idase，GUS)GUS报告基因系统，以拟南芥、烟草为材料，将工程农杆菌浸渍拟南芥花序和农杆菌侵注烟草叶片瞬时表达等为内容进行植物遗传转化实验，学生通过对转基因和非转基因对照材料的抗性筛选及组织化学定位染色，可以从显微镜中非常直观地观察到基因在植物器官、组织和细胞中表达的特异性，明白基因表达的组织特异性主要决定于该基因的特异性启动子。只要知道启动子在什么部位表达，即可推测出该启动子所启动的基因的表达部位。通过植物遗传转化和鉴定实验模块，开拓了学生的知识视野，为后续的基因工程课程的学习奠定了良好的基础，为学生申报大学生创新课题提供了很好的思路和启示[5]。
4在实验教学组织形式上突出设计性、综合性、研究性
通过教学资源的整合和实验模块的设置，加强了遗传学实验的系统性和整体连贯性。前期安排基础性技能训练和相关遗传学规律的验证实验，中、后期通过0.5～1.0周的连续实验周，以教师的科研材料为基础安排设计性、综合性、研究性实验。在果蝇的经典遗传模块，群体遗传和分子遗传模块实验中，实验室全天候开放，学生分成实验小组，组长负责并带领组员，查阅文献资料，确定实验方案，进行实验实施。由于实验中每个项目和环节都责任到人，学生增强了责任意识，更加关注自己的实验结果，他们利用课余时间进行实验观察、数据记录整理及结果分析，保证了实验的系统性和连续性，突出了设计性、综合性、研究性的特点。学生在写课程总结的时候，几乎都提到：实验期间，加深了同学之间的深厚友谊，大家团结协作，互相帮助，互相补充，增强了班级的凝聚力。
5建立行之有效的实验考核体系
经过教学内容的优化和实施，逐步建立和完善了一套行之有效的课程考核体系，考核内容包括以下几项。
5.1实验设计方案撰写
综合实验前的实验设计方案撰写占考核总成绩的30%。通过这个环节的训练，充分调动了学生的自主性学习热情，学生根据实验要求，分头查阅大量的专业文献资料，通过课堂或小组集中讨论环节，最终确定实验方案，看到自己的实验设计能实施，学生的成就感油然而生，不仅开拓了知识视野，也增强了学生做实验的兴趣和信心。
5.2实验报告撰写
实验完成后，要求学生独立完成规范化的实验报告。包括前言、实验材料与方法、实验结果分析、讨论4个部分，做到实事求是、数据可靠、书写格式规范、分析得当，要求实验报告的重点放在实验结果的分析和讨论部分。实验报告的撰写占考核的50%，通过该环节的训练，学生的理论知识得到进一步巩固，阐述分析能力有了很大的提高。
5.3实验技能考核
采取了实际操作结合当场提问的方式进行，包含实验操作的规范、仪器的正确使用、实验中的注意事项以及一些课堂讲解过的理论知识。除了以上考核内容外，还把学生实验课的出勤率、值日的表现等作为考核内容之一，占考核的20%，以此培养学生养成良好的实验操作习惯和严谨的科研作风。
5.4创新与建设奖励
在综合实验过程中，部分学生能表现出较好的创新思路，如设计方案的独特、新颖，实验实施中提出了合理化的建议等，教师都给予适当的鼓励和加分。学生通过这样的实验实践过程，激发了学生的求知欲，充分发挥了学生的主观能动性，活跃了课堂的学习气氛，收到了良好的学习效果。
6结语
遗传学实验课程经过近3年的整合、优化，取得了一定的效果，构建了一个完整、科学的课程模式和体系，为培育具有创新精神、高素质、高能力学生做出了有益的尝试。
关键词：共扼梯度法遗传算法函数优化
一、引言
遗传算法(GeneticAlgorithms，GA)是20世纪60年代由美国J．Holland教授提出的一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法，其主要特点是群体搜索策略和群体中个体之间的信息交换，在整个搜索过程中，对梯度信息的依赖程度将到了最低，而得到了较为理想的结果，尤其在较难解决的搜索方面，传统的搜索方法无法实现，以及在非线性问题上，遗传算法显示出了强大的功能性。
二、标准遗传算法介绍
（一）流程介绍
遗传算法实质上是一个迭代过程，在每次迭代中都将保留一个候选群体，并对候选群体中的个体进行评价，首先按照适应度的大小进行选择何时的样本个体，然后通过对这些个体进行交叉和变异等遗传操作，进而产生了新一代群体样本。重复此过程直到满足收敛条件。在整个遗传算法的运算过程中，需要重点把握以下5个方面：1)对参数进行编码处理；2)设定群体的初始参数；3)设计适应度函数；4)遗传设计操作；5)设定控制参数(主要是指群体大小以及使用遗传操作的概率等)。五种要素构成了遗传算法的主要结构。
（二）算子介绍
标准的遗传算法的操作算子一般包括选择(selection)、交叉(crossover)、变异(mutation)三种基本形式。[5]
（1）选择算子
选择算子(或称复制算子)是对群体中的个体按照优胜劣汰的方式进行操作，同时将父代特征遗传到下一代的过程。其基础是对群体中的每个个体根据适应值对适应度进行评价，其中具有较高适应度的个体通过遗传并将特征转到下一代的概率较为明显。而适应度较低的个体由于没有对环境进行很好的适应，因此其特点被遗传的概率较小，进而被剔除。一般来说，常用的个体选择的算法算子有以下适应度比例方法、最佳个体保存方法、期望值方法、排序选择方法几种形式。
（2）交叉算子
交叉算子(crossover)是指依据交叉概率Pc，对两个相互的染色体进行部分基因的交换，整个过程按照特定的方式有序进行，并最终有两个新的个体出现。其中Pc是一个系统参数。在遗传算法中，使用交叉算子产生后代个体来模仿两个同源染色体通过重组形成新染色体的生物进化过程。在遗传算法中，交叉算子的作用至关重要。一方面，它使在原来的群体中具有优良特性的个体以某种方式进行了保留，同时也开辟了新的基因空间和运算空间。进行保证了群体中的个体具有多样性的特点。
（3）变异算子
变异操作模仿自然界生物体进化中染色体上某位基因发生的突变现象，从而改变染色体的结构和物理性状。在遗传算法中，用变异算子来产生出新的个体，其基本原理是改变在个体编码串定位置的基因值。一般来说，编码串多由二进制表示，其中是转换基因位置的基因值，并通过变异概率Pm进行。以最简单的0-1为例，通过变异操作，变为1-0等。还有一种情况是在被编码的个体中存在浮点数，对于这种情况，首先需要确定变异点的取值范围，即为[Umin，Umax]。并根据这一范围中的某一特点进行实际的变异操作，整个过程需要规范化和标准化。[6]
三、基于共轭梯度的遗传算法设计
（一）设计思想
共轭梯度法是无约束优化算法中比较常用的算法之一，在运用过程中，具有存储量小、高效和计算公式简单等优点，广泛适用于非线性优化等问题。然而在运算过程中，尽管局部搜索能力较强，而在群居搜索能力上，却比较差，需要与其他算法进行联合使用。本文主要对共轭梯度法与遗传算法进行结合使用，并提出了一种混合遗传算法，这种算法其过程中首先以GA对群体进行搜索，并确定最优解锁可能存在的空间领域，以此为基础进行微调。同时，本文发现共轭梯度法很好地解决了具有狭长山谷的优化问题，并以此为切入点，提出了基于共轭梯度法的改进GA算法的混合遗传优化算法。
（二）具体设计
1、传统遗传算法
1)首先对个体的参数执行初始化处理，在这一基础上产生了随机初始群体用于计算；对每个个体的适应值进行计算，进而了解个体特征。
2)根据个体染色体适应值的比例等信息，合理选取具有计算信息的父代。在这一过程中，具有最大适应值的个体可强行将遗传代码遗传到下一代，以便提高运算收敛速度。
3)具体运算中，对固定Pc和自适应Pc进行结合，并交换两个随机个体，其原理是结合一点交换法和两点交换法的运算优点。
4)在对每一个个体的变异运算过程中，可综合应用普通变异法和大变异相法；使固定Pm和自适应Pm相结合。
5)直到运算过程满足运算法则，才能够停止运算准则，此时所得到的结果可认为是全局最优解，运算过程也具有算法收敛性。
6）若运算结果不满足，转至步骤2)重新进行运算。
2、共轭梯度法
1)在s内取初值x(0)及精度ε>0。
2)计算方程go=f(x(0))，同时设s(0)=-g0，k=0。
3)x(k+1)=x(k)+λs(k)，g(k+1)=f(x(x+1))，式中λk=argminf(x(k)+λs(k))。
4)若g(k+1)≤ε，则迭代结束。否则转(5)。
5)若k
3、混合算法
1)对群体进行参数初始化操作；
2)运用遗传算法对运算过程进行迭代处理，在这一过程中，对最优个体进行x*搜索，若在经历若干迭代过程仍然无法寻找更好的个体，停止搜索，转至3）
3）应用共扼梯度法搜索，在进行若干代后，如果仍然找不到比个体x*更好的点，则视x*为最优，结束进程。若找到假定点y，其函数值较x*相比较优，则产生同时确定包含y的群体，返回操作2）执行。
四、小结
本文所提出的基于共轭梯度法的混合遗传算法，通过实验证明，对于促进遗传算法跳出摆脱“早熟收敛”状态，同时以概率1收敛到全局最优值，具有较好的效果。混合遗传算法的求解结果在精度和用时两个方面都有了一定程度的提高。
参考文献:
[1]恽为民,席裕庚.遗传算法的运行机理分析[J].控制理论与应用,1996,13(3)
关键词玉米；杂种优势群；杂种优势模式
中图分类号S513；S334.5文献标识码A文章编号1007-5739（2011）03-0087-03
StudyonHeteroticGroupandHeteroticPatternamongMaizeInbredLinesBasedonSCA
WANGGuo-sheng1CHENJu-lin1HOUWei1YANBao-luo1SUNHong-bo2LIPing-hai1
（1AgricuturalResearchInstituteofTaianofShandongProvince，TaianShandong271000；2SichuanAgriculturalUniversity）
AbstractThebasicpremiseofmaizebreedingistohaveabundantgeneticresources，butidentification，improvementanduseofalargenumberofgermplasmresourcesisaverydifficulttaskbecauseofhumanlaborpowerlimitsorfinancialconstraints.Therefore，itisnecessarytoestablishheteroticpatternsandmaketheappropriateclassificationofthebreedingmaterials.Themethodofmaizeheterosisgroupandheteroticpatternsweresummarized，soastoprovidesciencebasisformaizebreeding.
Keywordsmaize；heterosisgroup；heteroticpattern
杂种优势在生物界中普遍存在。杂种优势模式是指2个不同的杂种优势群之间具有较高的基因互作效应，因而具有较高的特殊配合力，相互配对产生强杂种优势的模式。对杂种优势群而言，它只有在一定的杂种优势模式下才有实践意义[1]。划分杂种优势群[2]的根本目的就是为育种提供价值。如果杂种优势类群数目过多，育种效率有降低的可能。我国的种质改良进程要比美国慢得多。因此，有必要对亲缘关系较近的群体进行合并，减少杂种优势群的数量，提高育种效率。
1杂种优势群划分的主要方法
理论上，划分杂种优势群研究方法有表型聚类分析、系谱分析、同工酶技术[3]、分子标记[4]和数量遗传分析等。
1.1表型聚类分析
在实践中，育种工作者逐渐发现表型性状与杂种优势不相关或有十分微弱的相关性。表型性状差异与遗传差异的相关程度决定遗传距离参数的可靠性。由于数量性状易受环境影响，因而表型性状不能准确反映遗传差异。这样在其基础上测定的遗传距离的代表性有很大局限性。
1.2系谱分析
该法从种质的系谱来源进行分析，结果最为可靠。美国根据长期的育种经验，从本国种质的系谱来源出发将其划分为Reid和Lancaster2个杂种优势群。吴景锋[5]根据系谱将我国玉米种质划分为国内系和国外系，而王懿波等[6-7]将其划分为5个大群9个亚群。由于我国的许多自交系没有可靠的系谱记载，而且自交系经过多次杂交、自交和长期定向选择，多次发生重组，已经形成了复杂的遗传系统。因此，该法在我国玉米种质类群的划分上存在一定的局限性。但是可以借助此法来验证其他方法所得结果的可靠性。
1.3同工酶技术
同工酶作为遗传标志，已被遗传学家广泛用于遗传分析的研究，其原因：一是同工酶是分子水平的指标，按照一个基因编码对应一个同工酶亚基的理论，可以用同工酶的表现型变异直接推测其基因型变异，而形态学指标则往往是多个基因型的综合表现型；二是同工酶比其他指标灵敏，可以反映DNA上一个碱基的微小变异。
吴文瑜[8]指出：同工酶技术是预测杂种优势、鉴定杂种后代以及杂种纯度的一种手段。同工酶与杂种优势有一定的相关性。但是应用同工酶的遗传多样性对杂种优势预测的可靠性是有限的。Hadjinov、Lamkey和Frei等试图建立同工酶遗传多样性与杂种优势的关系，但均得到了否定的结果。
用酶谱差异指数在实践中预测遗传背景较复杂的杂种优势群存在局限性。其原因如下：一是同工酶是基因表达的产物，在一定程度上受到环境因素的影响，所能提供的标记数目有限，只能鉴别出亲缘关系较远的自交系或杂交种；二是有些同工酶存在组织或器官的特异性；三是同工酶位点少，多态性低，仅能显示被测位点的等位基因数目及遗传变异程度，不能反映基因组其他部位的差异，而后者对杂种优势可能起着更重要的作用；四是操作条件较高，方法繁琐。育种工作者已经通过试验证实同工酶技术不十分适合划分杂种优势群。
1.4分子标记法
对于分子标记在育种中的应用，当前较为一致的看法是：对相近或相同系谱内的自交系，用分子标记可进行杂种优势群的划分工作；对亲本远缘的杂交种，用分子标记的遗传距离和杂种优势之间的相关性较低。其原因：一是在亲代和子代中，同样的DNA分子标记可能会有不同的含义。例如，在亲代中表示相同或相似片段的谱带，在子代中可能代表来自同一家系的等位基因。这就导致对自交系，尤其是系谱远缘的自交系之间遗传距离的估计偏高。二是分子标记可能不在编码区，这样遗传距离可能与功能相似性或不相似性相关，却不能判定与杂种优势的相关性。分子标记不受生物生长环境的影响，不受试验材料取样部位和所处的发育阶段的影响；直接以遗传物质DNA为对象，可测出DNA分子核苷酸序列上的任何变异，所涉及的不仅是编码区，还包括非编码区；DNA分子标记数量多，可覆盖整个基因组；分子标记大多表现为共显性，能够鉴别纯合子和杂合子，因而能提供更丰富的遗传信息。分子标记技术从根本上克服了形态和生化等标记的缺点，在揭示亲本种质的遗传差异上具有很高的灵敏度和可靠性，因而被广泛运用于划分玉米杂种优势群的研究中。
1.5数量遗传分析
根据种质杂交后代的杂种优势表现和变异程度来划分杂种优势群，即通过对自交系间特殊配合力（SCA）的分析而划分类群。双列杂交分析或NCⅡ设计测定配合力成为划分杂种优势群的主要方法。双列杂交分析能够可靠地计算自交系间的SCA，因此可用于杂种优势类群的划分。但其可靠性取决于参试自交系的数量与遗传基础的广泛性和代表性。若分析大量自交系，双列杂交分析的工作量十分巨大，可操作性较差。NCⅡ设计不但可以分析较多的种质，而且工作量相对较小。但NCⅡ设计需要先筛选出1组标准测验种。因此，对于一定数量的种质资源，并已经建立了一定的杂种优势群或标准测验种，NCⅡ设计能够十分有效地划分种质类型。Vasal等利用2个马齿型和2个硬粒型测验种对92个CIMMYT热带玉米自交系进行了类群划分。铁双贵等[9]、李新海等[10-11]、陈彦惠等[12]、李明顺等[13]均采用该法对玉米群体进行杂种优势群的划分和杂种优势模式的构建。
本文为全文原貌未安装PDF浏览器用户请先下载安装原版全文
数量性状在分离群体中呈连续性变异，符合正态分布。控制数量性状的基因为多基因且符合孟德尔遗传定律。根据基因效应程度的差异，控制数量性状的多基因可以分为主效基因和微效基因。与控制质量性状的基因不同，主效基因和微效基因只在基因效应上具有相对的差异，因而不能简单地进行分组。因此，对数量性状进行分子水平的研究必须以田间试验为基础。
2玉米杂种优势模式的研究进展
2.1国外的研究进展
在构建玉米杂种优势方面，以CIMMYT和美国的研究最为成功。美国根据远缘杂种优势的原理划分出2个杂种优势群，并据此构建出1对杂种优势模式Lancaster×Reid群。CIMMYT从1985年就开始着手研究玉米群体和基因库的杂种优势关系。在CIMMYT早、中、晚熟群体或基因库之间，马齿型×硬粒型组合优于马齿型×马齿型和硬粒型×硬粒型。在这些研究的基础上，CIMMYT将其种质清晰地分成基因库、群体、自交系3个层次，并且对其合成改良的基因库和群体也研究出明确的杂种优势模式。Vasal和Beek分8组双列杂交研究了CIMMYT的71个群体及基因库，鉴定出优良群体23、24、26、42、43、44、48、49和优良基因库20、21、22、30，鉴定出优质蛋白玉米群体67、68、69、70和PR7737。同时，许多科研工作者致力于温带种质与热带种质的杂优研究。Brewbaker、Efron和Kim发现热带种质与温带种质杂交后表现出很强的种质优势。
欧洲的早熟硬粒自交系×玉米带马齿自交系，热带和亚热带的ETO×Tuxpeno等都是强优势组合。巴西的常用组合模式为马齿型×Tuxpeno或Suwan-1×Tuxpeno；在阿根廷则以Flint×RecoveredFlint为基本的杂种优势组合模式。
2.2国内的研究进展
我国从20世纪80年代才开始玉米杂种优势模式方面的研究工作。吴景锋[5]初步将国内现有自交系划分为国内自选系和国外引进系两大类。截至1997年前后，我国杂种优势群划分研究还处在起步阶段。由于理论基础薄弱，这个时期育种工作者大多依据经验进行杂种优势群划分，因而没有统一的研究结论。例如，根据大田试验分析，我国骨干自交系分为5个类群，但若采用RAPD分子标记进行分析，我国的骨干自交系却可分为6个类群。相应地，在构建杂种优势模式方面的研究也不够完善。王懿波等[6-7]组建出10个杂种优势模式，还细分出16个子模式。彭泽斌等[14]总结出的模式也有7个。杂种优势模式越繁琐，就越难在育种实践中发挥指导作用。因此，在这方面还有待进一步的研究。
随着研究的深入，我国玉米种质逐渐可较明确地分成5个类群：四平头、旅大红骨、Lan、BSSS和PN。在这5个类群中，虽然四平头×旅大红骨也有一定的杂种优势，但它们的遗传关系较近（相似系数为0.66），可以合并为一群，定名为Dom；BSSS也属于Reid种质，它与PN群的遗传关系很近（相似系数为0.66），可以合并为一群，定名为PA种质。总结以上研究，我国生产上应用的杂种优势群可以概括为3群或6个亚群：国内群（Dom）（包括四平头和旅大红骨两大亚群）、A群（Reid群）（包括BSSS和PA2个亚群）、B群（非Reid群）（包括Lan.和PB2个亚群），并认为我国适用的杂优模式主要是A×D或B×D（表1）。
随着CIMMYT进一步完善对杂种优势模式的研究，开发利用CIMMYT种质已经成为我国玉米育种发展的新方向。陈彦惠等[11]分析了我国玉米改良群体与CIMMYT种质配合力，划分杂种优势群和杂种优势模式。李新海等[10-11]鉴定出3个在我国具有潜在利用价值的CIMMYT群体；并发现了2份强优势组合群体（Pob43和Pob21），均为热带晚熟马齿型种质。结果表明：有望通过对热带群体进行改良，以提高其杂种优势利用水平，为我国玉米育种服务。
3研究展望
玉米种质扩增是一项长期的工作，如果育种工作者盲目地进行，不仅会浪费大量的人力物力，而且也得不到理想的效果。杂种优势类群和杂种优势模式的深入研究在理论上为种质扩增提供了指导，可以有效地提高育种效率。我国种质扩增工作起步晚、条件有限。这在客观上就更加需要育种工作者紧紧围绕杂种优势模式进行这方面的工作，充分高效地利用我国的种质资源。种质之间杂种优势关系清晰是杂种优势群划分和杂种优势模式构建的基础。CIMMYT在这方面做了大量的工作。经过多年的研究，CIMMYT将其种质清楚地分为3个层次并且构建了明确的杂种优势模式，有效地指导了育种工作。
目前我国的研究大多局限于自交系水平，在群体水平上还没有系统的研究[15]。我国培育的群体和外来群体共有40多个，如果能够明确它们之间的杂种优势关系，就可以有针对性地利用外来群体改良国内群体，或者利用国内群体改良外来群体，提高我国杂种优势水平。开发利用CIMMYT种质已经成为我国玉米育种新的发展方向。把来自CIMMYT的种质划分到我国的杂种优势群中，与我国的种质结合起来，确定合理的改良方案，对我国现有群体进行改良。引入外来新种质（包括外来温带、热带、亚热带种质）并加以改良，有计划地导入我国玉米种质，进行改良和改造，创造新种质，以及通过多种途径创造新变异，从而选育高配、高产、高抗的新自交系。
总之，广泛的种质资源是培育新品种的基础和保障。玉米作为我国重要的食、饲、经三用作物，更应注重建立杂种优势模式，把育种材料作适当的分群。
4参考文献
[1]刘纪麟.玉米育种学[M].2版.北京：中国农业出版社，2002.
[2]张世煌，彭泽斌，李新海.玉米杂种优势与种质扩增、改良和创新[J].中国农业科学，2000，33（S1）：34-39.
[3]张祖新，郑用琏.玉米地方品种同工酶的遗传多样性及其与数量性状的关系[J].湖北农学院学报，1996，16（1）：1-8.
[4]刘新芝，彭泽斌.采用RAPD分子标记、表型和杂种优势聚类分析法对玉米自交系类群的划分[J].华北农学报，1998，13（4）：36-41.
[5]吴景锋.我国主要玉米杂交种种质基础评述[J].中国农业科学，1983（2）：1-8.
[6]王懿波，王振华，王永普，等.中国主要种质杂交优势利用模式研究[J].中国农业科学，1997，30（4）：16-24.
[7]王懿波，王振华，王永普，等.中国玉米主要种质的改良与杂优模式的利用[J].玉米科学，1999，7（1）：1-8.
[8]吴文瑜.植物同工酶的研究和利用[J].武汉植物学研究，1990，8（2）：183-188.
[9]铁双贵，卢彩霞，丁勇，等.玉米人工合成群体产量相关性状选择潜势及杂种优势模式分析[J].华北农学报，2002（1）：30-34.
[10]李新海，傅骏骅，张世煌，等.利用SSR标记研究玉米自交系的遗传变异[J].中国农业科学，2000，33（2）：1-9.
[11]李新海，李明顺，袁力行，等.热带、亚热带玉米种质的研究与利用[J].中国农业科学，2000，33（S1）：20-26.
[12]陈彦惠，王利明，吴连成.玉米热带、亚热带种质资源利用的现状及展望[J].河南农业大学学报，1999，33（2）：202-206.
[13]李明顺，张世煌，李新海，等.根据产量特殊配合力分析玉米自交系杂种优势群[J].中国农业科学，2002，35（6）：600-605.
[14]彭泽斌，张世煌，刘新芝.我国玉米种质的改良创新与利用[J].玉米科学，1997，5（2）：5-8.
[15]姚文华，谭静，陈洪梅，等.玉米杂种优势类群的研究进展[J].玉米科学，2006，14（5）：30-34.
关键字：遗传算法；机器学习；人工生命；人工神经网络；神经网络拓扑结构
中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)27-2040-03
TheApplicationofGeneticAlgorithmtotheArtificialIntelligence
WANGHui
(XinjiangPetroleumInstitute,Urumqi830000,China)
Abstract:Inthispapertheauthorintroducesthebasicconceptionofgeneticalgorithm(GAforshort),thefeatureofGAandthecalculationsteps.Wecanalsogetageneralideaofthedevelopmentinthemachinelearning,ParallelProcessing,artificialLife,andtheintegrationofevolutionaryrulesandstrategies.Atlast,theapplicationofGAtoartificialneuralnetworksisdiscussed,especiallytheapplicationofGAtothestudyofneuralnetworksweightandtheneuralnetworktopology.
Keywords:geneticalgorithm;machinelearning;artificiallife;artificialneuralnetworks;neuralnetworktopology
1遗传算法简介
遗传算法是模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法，与传统数学模型截然不同，它为那些难以找到传统数学模型的难题找出了一个解决方法。遗传算法借鉴了生物科学中达尔文的物竞天择、适者生存的进化准则，1975年，Michigan大学Holland教授根据这一规律首次提出了遗传算法（geneticalgorithm，简称GA），其基本思想是力求充分模仿这一自然寻优过程的随机性、鲁棒性和全局性。这是一种新型的全局优化搜索算法，因为其直接对结构对象进行操作，不存在求导和函数连续性的限定等数学问题，鲁棒性强、随机性、全局性以及适于并行处理，已广泛应用于神经网络、计算机科学、优化调度、运输问题、组合优化、机器学习、信号处理、自适应控制和人工生命等领域，并且遗传算法在实际应用中也取得了巨大成功。
2基本遗传算法
遗传算法的工作过程本质上就是模拟生物的进化过程。首先，要规定一种编码方法，使得你的问题的任何一个潜在可行解都能表示成为一个“数字”染色体。然后，创建一个由随机的染色体组成的初始群体（每个染色体代表了一个不同的候选解），并在一段时期中，以培育适应性最强的个体的办法，让它们进化，在此期间，染色体的某些位置上要加入少量的变异。
遗传算法是一种基于空间搜索的算法，它的求解可以看成是最优化过程。遗传算法的最大优点就是，你不需要知道怎么去解决一个问题，你需要知道的仅仅是用什么样的方式对可行解进行编码，使得它能被遗传算法机制所利用。遗传算法并不能保证所得到的解是最优解，但可以将误差控制在容许的范围内。遗传算法具有以下特点：
1）遗传算法是对参数集合的编码而非针对参数本身进行优化；
2）遗传算法是从问题解的编码组开始而非从单个解开始搜索；
3）遗传算法利用目标函数的适应度这一信息而非利用导数或其他辅助信息来指导搜索；
4）遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。
那么下面对基本遗传算法给出一个求解步骤：
1）定义一个目标函数；
2）将可行解群体在一定的约束条件下初始化，每一个可行解用一个向量x来编码，称为一条染色体，向量的分量代表基因，它对应可行解的某一决策变量；
3）计算群体中每条染色体xi(i＝1，2，…，n)所对应的目标函数值，并以此计算适应值Fi，按Fi的大小来评价该可行解的好坏；
4）以优胜劣汰的机制，将适应值差的染色体淘汰掉，对幸存的染色体根据其适应值的好坏，按概率随机选择，进行繁殖，形成新的群体；
5）通过杂交和变异的操作，产生子代。杂交是随机选择两条染色体（双亲），将某一点或多点的基因互换而产生两个新个体，变异是基因中的某一点或多点发生突变；
6）对子代群体重复步骤(3)～(5)的操作，进行新一轮遗传进化过程，直到迭代收敛（适应值趋稳定）即找到了最优解或准最优解。
3遗传算法的发展动向
GA在应用方面的取得了较丰硕的成果，其主要应用领域在于函数优化，机器人学，设计，组合优化，信号处理，人工生命等，此外遗传算法还有几个引人注目的新动向。
3.1基于GA的机器学习
这一新的研究方向把GA从历史离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法，这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望，GA作为一种搜索算法从一开始就与机器学习有密切联系。分类器系统是第一个基于GA的机器学习系统。基于GA的概念学习是近几年机器学习领域的一个较为引人注目的研究方向。还有一些嵌入领域知识的基于GA的机器学习的研究。
3.2并行处理的GA
并行处理的GA的研究不仅是GA本身的发展，而且对于新一代智能计算机体现结构的研究都是十分重要的，GA在操作上具有高度的并行性，许多研究人员都正在搜索在并行机上高效执行GA的策略。近几年也发表了不少这方面的论文，研究表明，只要通过保持多个群体和恰当地控制群体间的相互作用来模拟并执行过程，即使不使用并行计算机，我们也能提高算法的执行效率。在并行GA的研究方面，一些并行GA可以分为两类：一是粗粒度并行GA，它主要开发群体间的并行性，如Coboon分析了在并行计算机上解图划分问题的多群体GA的性能；另一类是细粒度并行GA，它主要开始一个群体中的并行性，如Kosak将群体中的每个个体映射到一个连接机的处理单元上，并指出了这种方法对网络图设计问题的有效性。
3.3GA与人工生命的渗透
人工生命是用计算机、机械等人工媒体模拟或构造出的具有自然生物系统特有行为的人造系统。人工生命与GA有密切的关系，基于遗传算法的进化模型是研究人工生命现象的重要理论基础，虽然人工生命的研究尚处于启蒙阶段，但遗传算法已在其进化模型、学习模型、行为模型、自组织模型等方面显示出了初步的应用能力，并且必将得到更为深入的应用和发展。人工生命与遗传算法相辅相成，遗传算法为人工生命的研究提供了一个有效的工具，人工生命的研究也必将促进遗传算法的进一步发展。
3.4GA与进化规则及进化策略的结合
GA，进化规则及进化策略是进化计算的三个主要分支，这三种典型的进化算法都以自然界中生物的进化过程为自适应全局优化搜索过程的借鉴对象，所以三者之间有较大的相似性，但三种算法又是从不完全相同的角度出发来模拟生物的进化过程，分别是依据不同的生物进化背景，不同的生物进化机制而开发出来的，所以又有差异。但在进化计算领域内更重要的工作是生物的进化机制，构造性能更加优良且适应性更加广泛的进化算法。
4基于遗传算法优化神经网络的应用研究
神经网络和遗传算法目标相近而方法各异。因此，将这两种方法相互结合，必能达到取长补短的作用。近年来,在这方面已经取得了不少研究成果，形成了以遗传算法与神经网络相结合的进化神经网络(ENN)。遗传算法在神经网络中的应用主要是用遗传算法学习神经网络的权重和学习神经网络的拓扑结构两个部分。
4.1遗传算法学习神经网络的权重
而最主要的是学习神经网络的权重，也就是用遗传算法来取代一些传统的学习算法。目前广泛研究的前馈网络中采用的是Rumelhart等人推广的误差反向传播（BP）算法，BP算法具有简单和可塑的优点，但是BP算法是基于梯度的方法，这种方法的收敛速度慢，且常受局部极小点的困扰，采用遗传算法则可把神经网络的结构优化和权值学习合并起来一起求解，克服了BP算法的缺陷，是神经网络权值学习的有效方法。
遗传算法学习神经网络权值的算法步骤如下：
1）随机产生一组分布，采用某种编码方案对该组中的每个权值（或阈值）进行编码，进而构造出一个个码链（每个码链代表网络的一种权值分布），在网络结构和学习算法已定的前提下，该码链就对应一个权值和阈值取特定值的一个神经网络；
2）对所产生的神经网络计算它的误差函数，从而确定其适应度函数值，误差与适应度成反比关系；
3）选择若干适应度函数值最大的个体，直接遗传给下一代（精英保护策略）；
4）利用交叉和变异等遗传操作算子对当前一代群体进行处理，产生下一代（新一代）群体；
5）重复步骤2～4，使初始确定的一组权值分布得到不断的进化，直到训练目标得到满足或者迭代次数达到预设目标为止。
4.2遗传算法学习神经网络的拓扑结构
神经网络结构包括网络的拓扑结构（连接方式）和接点转移函数两方面。利用遗传算法设计神经网络可根据某些性能评价准则如学习速度，泛化能力或结构复杂程度等搜索结构空间中满足问题要求的最佳结构。利用遗传算法设计神经网络的关键问题之一仍然是如何选取编码方案。
遗传算法学习神经网络结构的算法步骤如下:
1）随机产生若干个不同结构的神经网络，对每个结构编码，每个码链对应一个网络结构，N个码链构成种群。
2）利用多种不同的初始连接权值分别对每个网络进行训练。
3）计算在每个对应码链下神经网络的误差函数，利用误差函数或其他策略（如网络的泛化能力或结构复杂度）确定每个个体的适应度函数。
4）选择若干适应度函数值最大的个体构成父本。
5）利用交叉，变异等遗传操作算子对当前一代群体进行处理，产生新一代群体。
6）重复上述2）-5）步骤，直到群体中的某个个体（对应一个网络结构）能满足要求为止。
5结束语
遗传算法作为一种新型的全局优化搜索算法，由于其直接对结构对象进行操作，不存在求导和函数连续性的限定，又具有鲁棒性强、随机性、全局性以及适于并行处理的优点，在人工神经网络的应用上展现了它的独特魅力与优势，但同时，它在理论和应用技术上也存在着许多不足和缺陷，比如相对鲜明的生物基础，其数学基础显得极为薄弱，尤其是缺乏深刻且具有普遍意义的理论分析。随着理论研究的深入，可以肯定，作为一种高效并行的全局搜索方法，遗传算法以其特有的算法特点使其在许多实际问题中的应用会越来越广；同时，广泛的数学方法和强大的计算机模拟工具的出现，必将使遗传算法的研究取得长足的进展。
参考文献：
[1]蔡自兴.人工智能及其应用[M].3版.北京：清华大学出版社，2003.
[2]王风琴.基于遗传算法的神经网络优化[J].燕山大学学报，2001，25（3）：234-239.
[3]陈国良.遗传算法及其应用[M].北京：人民邮电出版社，1999.
[4]陈颖琪.进化计算与神经网络的结合[J].红外与激光工程，1999，（4）：8-11，35.
[5]Kretnovichv.QmtanaCandPuentesO.GenetncAlgorithms-WhatFitnessScalingisOptimal.CtbermandSystem1993.24.
[6]SWMathfoud.Geneticdriftinsharingmethods.0-7803-I899-4/94.1994IEEE
[7]VPetrochs.SKazarns.VaryingqualityfunctionGengenticalgorithmsandthecuttingproblem.0-7803-I899-4/94.1994IEEE
[8]杨旭东，张彤.遗传算法应用于系统在线识别研究[J].哈尔滨工业大学学报，2000，32（1）：102-104.
[9]PhamDT，JinG.Geneticalgorithmsusinggradient-likerenreductionoperator.ElectronicsLetters.1995.31.
[10]NoverD，BaskaranS，ScbusterP.Understandinggeneticalgorithmsdynamicsusingharvestingstrategies.PhysicsD79,1994.
[11]KaoT,HwangSY.Ageneticalgorithmwithsruptiveselection[J].IEEETranscationsonSystem,Man.AndCybernetris-PartB:Cybernetics1996,26.
[关键词]遗传算法分类规则种间竞争
一、引言
遗传算法(GeneticAlgorithm,GA)是由美国J.Holland教授于1975年在其论文“自然系统和人工系统的适配”中提出，并已得到了广泛的应用，不过它仍然存在过早收敛和局部最优等问题。本文在引入“种间竞争”的思想的同时对其进行改进，在一定程度上解决了其“早熟”的问题。基于种间竞争的基本遗传算法的计算步骤大部分与单种群基本遗传算法一致，不同的是在产生初始群体时，不是产生1个群体，而是2个群体。在遗传操作后插入群体之间的信息交换，即种间竞争。
二、种间竞争算法的改进
1.改进思想
(1)初始种群:个体按照适应值降序排列，将前三分之一放入群体1而剩余的三分之二放入群体2。群体1比群体2优秀，这样就能较快地在群体1中挖掘到优秀的个体。
(2)群间比较和交换方法:相隔几代相互替换个体一次，本文是用群体2中较优秀的个体去交换1中较差的个体，这样既保持了群体1的多样性又保持了其优秀性。
(3)自适应变异算子：变异概率（Pm）能够控制新基因导入群体的比例。Srinivas等提出变异概率自适应改变的方法:当种群各个个体适应度差别小并趋于收敛时，增大Pm参数值；当种群适应度较为发散时，降低Pm参数，使个体趋于收敛。
(4)适应度函数：本文采用适应度函数F=W1*Conf+W2*Sup（0
2.改进算法描述
Step1：求个体适应值并降序排列并生成两个初始群体。
Step2：两个群体独立执行遗传算子产生后代。
Step3：种间竞争：竞争频率C，群间比较个数R。
Step3.1：若进化代数能整除C进入种间竞争。
Step3.2：排序：群体1升序，群体2降序。
Step3.3：群间比较：群体1中最差的R个体同群体2中最好的R个体进行比较，再将其中优秀的个体都放到群体1中。
Step3.4:当比较个数大于等于R或群体1中当前个体适应值已经优于群体2中的，则执行Step4，否则循环执行Step3.2～Step3.4。
Step4:两群体分别进入下一代的基本遗传操作。待算法完成后从群体1中简化并打印分类规则。
三、改进算法在收入分类规则挖掘中的应用
1.系统运行环境和测试用的数据
算法用MicrosoftVisualC++6.0开发实现，并使用了UCI(UniversityofCalifornia,Irvine)机器学习数据库中的收入统计(adult)数据集进行实验。此数据集用于统计收入“>50K”和“
2.数据预处理
分别对数据进行了空值、简化属性、离散化等预处理。并随机地将数据集分为训练集和测试集，训练集占三分之二，共32561条实例，测试集占三分之一，共16281条实例。
3.算法参数
种群大小为100，最大进化代数为50，交叉概率PC为0.5，适应度函数权值W1为0.7，竞争频率C为3，替换个数R为5。
4.实验结果
算法运行30次,在测试集上准确率最高的规则集如下。分别列出规则、训练集上的适应度和测试集上的适应度。
IF(marital-status=Never-married)THENclass=”
IF(workclass=private)and(native-country=United-States)THENclass=”
IF(workclass=private)and(sex=male)THENclass=”
IF(marital-status=Married-civ-spouse)and(native-country=United-States)THENclass=”>50K”0.7120.707
如果一条规则在测试集上的适应度与训练集上适应度相差不超过0.1，就认为这条规则能够很好地推广到测试集上。列出的规则集大部分能很好地推广到测试集上。关于“50K”的模式适应度较低,通过观察数据集可以看出,类“>50K”的实例在数据集中所占的比例较低，只占总数据集的23.93%。
四、结束语
本文在简单遗传算法的基础上，引入并改进了基于种间竞争的分类规则挖掘算法。从而避免了种群内部的“封闭竞争”，提高了全局和局部搜索能力和进化速度。但算法引入了一些新的参数，如何优化设置这些参数还要做进一步的研究。
参考文献:
[1]JohnH．Holland，adaptationinnaturalandartificialsystems[m]，UniversityofMichiganpress,1975
[2]陈建能:基于种间竞争的遗传算法的改进.福建农林大学学报，2003,32(1):127～129
【关键词】灰尖巴蜗牛；16SrDNA；序列分析；遗传结构
灰尖巴蜗牛(Bradybaenaravida)，隶属软体动物门，腹足纲，柄眼目，巴蜗牛科，巴蜗牛属，其属陆生贝类软体动物，贝壳壳质坚硬而厚，黄褐色或略呈红褐色，壳体扁球形[1]。该物种喜欢生活于潮湿的灌木丛、草丛中、田埂上、乱石堆中、枯枝落叶下、农田、菜田、庭院以及温室附近的阴湿潮湿、多腐殖质的环境。近年来，保护地农作物的迅速发展为灰尖巴蜗牛的栖息和越冬提供了适宜的环境，致使灰尖巴蜗牛的发生有了加重的趋势。经研究发现，危害农作物的蜗牛主要有3种:灰尖巴蜗牛(Bradybaenaravida)、同型巴蜗牛(B.similaris)、江西巴蜗牛(B.kiangsinensis)。其中以灰尖巴蜗牛的发生数量较多,占55%～65%[2]。
1材料与方法
1.1样品采集与保存
实验用25只灰尖巴蜗牛分别从曲靖师范学院校内4个地点及曲靖市龙潭公园采集，样品去壳后置于95%乙醇中固定保存。
1.2总DNA的提取、PCR扩增及序列测定
1.3数据分析
利用软件Chromas、ClustalX1.8软件进行同源排序，并适当手动校对。利用DnaSP4.10.7软件统计序列总变异位点、单突变位点及简约信息位点等。利用ArlequinVer3.1软件中的populationcomparisons和populationdifferentiation两个模块进行分析。基于Kimura2P模型，计算种群间成对的遗传距离(FST)值。以ArlequinVer3.1进行Mismatch分析、Tajima’s序列变异中性检验及Fu’sFs中性检测。种群的分化和种群结构的地理格局通过ArlequinVer3.1分子变异分析AMOVA(AnalysisofMolecularVariance)模块来估测。
2结果
2.1单倍型分析
统计分析结果显示，5个地理种群25只灰尖巴蜗牛中分析得到17种单倍型，5个种群单倍型数分别为5，3，3，2，4个，其中第1个种群拥有最多的单倍型数目，第4个种群拥有最少的单倍型数目。
2.2种群间遗传分化水平
种群间的遗传分化程度可通过遗传距离(FST值)来衡量。分析结果表明，种群间成对的FST值位于0.400-0.900之间，其中Pop4和Pop5两种群间的遗传距离最大，即0.900；Pop3和Pop4两种群间的遗传距离为0.401，是所有值中最小的。
2.3种群结构稳定性检验
采用错配分布分析的结果表明，该物种群体错配分布曲线呈现多峰分布，则说明历史种群大小相对较为稳定，即该物种群体遗传结构在历史上是比较稳定的，没有发生过种群大爆发。
2.4群体遗传结构分析
分子变异分析（AMOVA）结果显示，种群间的变异组分为12.097，占整个变异组分的78.120%；种群内的变异组分为2.259，占整个变异组分的14.590%，种群间的变异组分明显高于种群内。上述结果说明种群间的遗传变异对种群结构贡献最大，即灰尖巴蜗牛群体存在着显著的遗传结构。
3讨论
研究结果综合说明，灰尖巴蜗牛群体遗传结构在历史上是比较稳定的，具有显著的遗传分化，种群间遗传距离普遍较高。这种分化格局明显的遗传结构的形成可能主要有以下两方面的原因：首先，遗传分化与灰尖巴蜗牛本身的生物学特征有关。该物种个体小，扩散分布能力有限，种群间存在限制性基因流。这种单个个体迁移距离远小于其分布生境范围的物种，也极易形成距离隔离效应而导致相邻种群间的基因流受限。另外，人类活动影响。本研究采集的5个种群中除Pop5位于龙潭公园外，其余种群均分布于曲靖师院校内，种群内个体的活动可能明显受到人为活动的严重影响，致使各种群出现地理隔离和遗传分化。
综上所述，5个不同地理种群间基因交流受限制，种群分化明显，且种群间变异比率高，具有显著的遗传结构，证实了距离隔离对遗传分化具有显著的影响，以及适度人类活动所导致的群体遗传结构稳定，缺乏过种群大爆发。这一重要的结果将有利于针对灰尖巴蜗牛综合防治措施的制定，并有望为该物种的分子生态学研究工作的开展提供重要的参考数据。
参考文献
[1]刘延虹,陈雯,谢飞舟.灰巴蜗牛发生规律研究[J].陕西农业科学,2007,4:126～129.