MAS (标记辅助选择，Marker-Assisted Selection): MAS 主要基于特定的遗传标记来选择有利的基因型。一个简化的公式描述为：
其中，
- 是性状的观测值。
- 是整体平均值。
- 是标记值（通常为0, 1或2，表示特定标记的等位基因数量）。
- 是标记效应。
- 是误差项。
示例: 假设我们正在研究一种作物，我们知道一个特定的标记与该作物的抗病性有关。基于以前的研究，当这个标记存在时（），作物的生长速度会增加10%；当标记不存在时（），则没有这个效果。
现在，假设我们在一个作物样本上进行了测量，并发现其生长速度为50cm。如果这个作物含有上述标记，则预测的生长速度为: Y=50+1×10%×50=55cm 如果这个作物不含有该标记，则生长速度保持为50cm。
GS (基因组选择，Genomic Selection): GS 则利用全基因组的标记信息来预测遗传价值。一个简化的公式描述为
- 是预测的遗传价值。
- 是一个矩阵，包含了个体的全部基因型信息。
- 是基因效应的估计值。
这两个公式突出了MAS和GS的主要区别：MAS关注单个或几个特定的标记，而GS则利用整个基因组的信息。在PPT中展示这两个公式可以有效地为听众揭示两者的基本原理和差异。
当然，这只是两个简化的公式，真实的模型可能更加复杂，取决于具体的应用和数据结构。
GS (基因组选择): 示例: 假设我们想预测某种牲畜的乳产量。我们已经知道该种牲畜全基因组内有三个主要的基因（标记）影响乳产量，分别为和。基于以往的研究，我们知道这三个基因对乳产量的影响分别为5L, 3L和-2L。
现在，假设我们有一个牲畜，它在和位置都有正效应的等位基因，但在位置有负效应的等位基因。基于GS的模型，我们可以预测这个牲畜的乳产量增益为: G^=1×5+1×3+1×(−2)=6L 所以，我们预测这头牲畜比没有这些等位基因的平均牲畜多产6L的乳。
这两个简单的示例有助于突出MAS和GS在遗传改良中的不同应用和关注点。MAS更注重某些已知的关键标记，而GS则尝试利用全基因组的信息进行预测。