一步法基因组预测方法广泛应用于畜禽育种中，它可以在一个模型中同时考虑有基因分型和无基因分型的个体信息。目前，基于群体水平的全基因组序列数据快速增长，如何在一步法基因组预测中更好地利用序列数据提高基因组预测准确性备受关注。研究表明，通过整合来自公共数据库的生物学先验信息可提高基因组预测的准确性。因此，本研究中对一步法基因组预测模型进行扩展，以探究如何在模型中有效地整合基因组注释信息提高基因组预测的性能。本研究以黄羽肉鸡群体为实验对象，群体共有1338个个体及23个性状，其中895个个体具有填充的全基因组序列数据，包含5127612个单核苷酸多态性（SNP）标记。研究考虑了不同注释信息与模型的组合，提出四种扩展的一步法模型，并与原始的一步法及基于单倍型的一步法模型进行比较。对于整合基因组注释信息的扩展一步法模型，我们根据鸡的基因组注释信息对SNP标记进行映射，在基因区域和外显子区域分别共映射到3155524和94837个SNP标记。随后采用这些映射到的SNP标记依据不同模型的规则构建基因组亲缘关系矩阵并用于基因组预测。研究结果发现，扩展的一步法模型在其中15个性状中优于其它基准模型。相比于原始的一步法模型，扩展的一步法模型预测能力可提升约2.5%~6.1%。此外，为了进一步提升一步法模型利用序列数据时的基因组预测准确性，我们在该群体中研究了参考群基因分型策略。结果显示在大部分情况下按家系均匀选择的策略来对个体进行基因分型优于随机选择的方式。综上，本研究在一步法框架下，扩展了基因组预测模型，使其整合序列数据以及基因组注释信息。验证了合理利用基因组注释信息和填充的序列数据可提高一步法基因组预测模型的预测能力。而且，在利用序列数据的同时，通过最大化参考群体和候选群体之间的期望亲缘关系来进行基因分型可进一步提高一步法模型的预测能力。本研究的创新在于通过序列数据将基因组注释信息整合至一步法模型中，为在一步法基因组预测方法中有效利用序列数据提供了有益参考。