This article traces the 90-yr history and speculates on future applications of predictive breeding in maize (Zea mays L.). Predictive breeding started in the 1930s when superior double-cross maize hybrids were identified based on the mean of the four nonparental single crosses. The advent of recurrent selection in the 1940s led to methods to predict the mean of the next cycle of selection. The shift to single-cross hybrids in the 1960s necessitated methods to predict their performance, and genomic best linear unbiased prediction (GBLUP) was developed in 1994 for predicting single-cross performance for yield and other agronomic traits. In the 1990s, rapid recurrent selection with molecular markers led to the use of multiple regression for predicting the performance of individual plants undergoing selection. After Meuwissen, Hayes, and Goddard published their landmark article on genomewide selection in 2001, prediction methods shifted from multiple regression with fixed marker effects to ridge regression and Bayesian models with random marker effects. Subsequent research showed that GBLUP and ridge regression are equivalent when a trait is controlled by many small-effect loci distributed throughout the genome. Two trends that have strongly persisted in maize predictive breeding in the last 90 yr are leverage of resources and extraction of information from relatives. Predictive breeding in the 2020s will continue to expand in terms of what is being predicted and what predictive methods are used. Because predictions rely on having good phenotypic data for developing black-box prediction models, phenotyping will remain the cornerstone of predictive breeding.

中文翻译：

---

过去 90 年间玉米的预测育种

本文追溯了 90 年的历史，并推测了预测育种在玉米中的未来应用（Zea maysL.）。预测育种始于 1930 年代，当时根据四个非亲本单杂交的平均值确定了优良的双杂交玉米杂交种。1940 年代循环选择的出现导致了预测下一个选择周期平均值的方法。1960 年代转向单交杂种需要方法来预测其性能，1994 年开发了基因组最佳线性无偏预测 (GBLUP)，用于预测产量和其他农艺性状的单交性能。在 1990 年代，使用分子标记进行快速循环选择导致使用多元回归来预测进行选择的单个植物的性能。在 Meuwissen、Hayes 和 Goddard 于 2001 年发表了关于全基因组选择的里程碑式文章之后，预测方法从具有固定标记效应的多元回归转变为具有随机标记效应的岭回归和贝叶斯模型。随后的研究表明，当一个性状由分布在整个基因组中的许多小效应位点控制时，GBLUP 和岭回归是等效的。在过去的 90 年中，玉米预测育种中一直存在的两个趋势是资源利用和从亲属中提取信息。2020 年代的预测育种将在预测的内容和使用的预测方法方面继续扩大。由于预测依赖于拥有良好的表型数据来开发黑盒预测模型，因此表型分析仍将是预测育种的基石。随后的研究表明，当一个性状由分布在整个基因组中的许多小效应位点控制时，GBLUP 和岭回归是等效的。在过去的 90 年中，玉米预测育种中一直存在的两个趋势是资源利用和从亲属中提取信息。2020 年代的预测育种将在预测的内容和使用的预测方法方面继续扩大。由于预测依赖于拥有良好的表型数据来开发黑盒预测模型，因此表型分析仍将是预测育种的基石。随后的研究表明，当一个性状由分布在整个基因组中的许多小效应位点控制时，GBLUP 和岭回归是等效的。在过去的 90 年中，玉米预测育种中一直存在的两个趋势是资源利用和从亲属中提取信息。2020 年代的预测育种将在预测的内容和使用的预测方法方面继续扩大。由于预测依赖于拥有良好的表型数据来开发黑盒预测模型，因此表型分析仍将是预测育种的基石。在过去的 90 年中，玉米预测育种中一直存在的两个趋势是资源利用和从亲属中提取信息。2020 年代的预测育种将在预测的内容和使用的预测方法方面继续扩大。由于预测依赖于拥有良好的表型数据来开发黑盒预测模型，因此表型分析仍将是预测育种的基石。在过去的 90 年中，玉米预测育种中一直存在的两个趋势是资源利用和从亲属中提取信息。2020 年代的预测育种将在预测的内容和使用的预测方法方面继续扩大。由于预测依赖于拥有良好的表型数据来开发黑盒预测模型，因此表型分析仍将是预测育种的基石。