大白猪多群体一步法基因组选择的应用效果分析

【目的】探究在拥有大量无基因型参考群的群体中，基因组选择（GS）方法与传统 BLUP 方法预测准确性的差异。同时，对比联合评估中 GBLUP 和一步法 GBLUP 的应用效果，为联合评估提供参考依据。【方法】使用 6 个大白猪群体（A~F）的校正达 100 kg 体重日龄（DAYS_100）和校正达 100 kg 体重背膘厚（BFT_100）2个性状进行分析，并估计遗传力及遗传相关。探究 BLUP、GBLUP 和 ssGBLUP 模型在不同群体及合并群体中的预测准确性。【结果】（1）F 群体 BFT_100 性状遗传力较低、仅为 0.071，其他群体的 BFT_100 性状遗传力为 0.205 ~ 0.383。6 个群体的 DAYS_100 性状遗传力为 0.258 ~ 0.598。（2）除 D 群体 2 个性状间的遗传相关为 0.211 外，其他群体的遗传相关为负相关（-0.462 ~ -0.200）。（3）对于 DAYS_100 性状，B、C、E 和 F 群体中 GBLUP 模型的预测准确性最高。对于 BFT_100 性状，A、B 和 C 群体中 ssGBLUP 模型的预测准确性最高，而 D 和 E 群体中 GBLUP 模型的预测准确性最高。（4）F 群体与 A 群体的场间关联率（CR）达 3.096%，而在 F 群体中，使用合并参考群的一步法基因组选择，可以提高 BFT_100 性状的预测准确性。【结论】在基因型个体数 >500 且群体占比＞ 7% 的群体中，GBLUP 或 ssGBLUP 模型的预测准确性高于 BLUP 模型；利用 ssGBLUP 模型对场间关联率达到 3% 的群体进行联合评估，可提高低遗传力性状的预测准确性。     

猪基因组选择“两步走”策略的计算机模拟评估

【背景】基因组选择育种自2001年被MEUWISSEN等提出以来,已广泛应用在奶牛、猪等重要家畜的育种中,并显著加快了其重要经济性状的遗传改良速度。2017年,在全国畜牧总站的组织协调下,在全国生猪遗传改良计划框架内,猪全基因组选择育种平台项目正式启动。【目的】尽管基因组选择在种猪选育中取得了良好的效果,基因分型技术的不断升级也带来了成本的持续下降,但对于我国多数核心育种场依然面临着基因芯片分型个体数量不足、基因组选择实施流程不完善等问题,限制了该技术的大规模推广应用。结合我国生猪育种的实际情况,研究提出了一种“终测选择-早期选择”的“两步走”基因组选择策略。“终测选择”指在终测结束后利用一步法基因组BLUP对后备猪进行遗传评估,当群体中芯片分型个体数量达到一定规模后进行“早期选择”。【方法】以杜洛克、长白和大白三个种猪品种真实的50K基因芯片数据作为基础群体对不同品种分别进行大群模拟,共模拟4个世代,前3个世代作为基础群体,第4个世代作为测试群体,每个个体模拟两个性状（中等遗传力性状和低遗传力性状）,利用猪基因组选择育种平台基于HIBLUP软件计算不同品种、不同性状的育种值,比较一步法基因组BLUP和常规BLUP两种方法的预测准确性。根据测试群个体有无终测成绩对其基因组育种值影响大小来评估早期选择效果。【结果】分析表明在3个品种内中等遗传力性状的终测选择效果和早期选择效果均好于低遗传力性状。一步法基因组BLUP的选择准确性均优于常规BLUP的选择准确性,并且随着测试群中芯片分型个体数量的增加、群体规模的扩大,预测准确性越来越高。一步法基因组BLUP的早期选择效果好于常规BLUP,当群体中芯片数量达到2 000张时就可以开展早期选择,阉割排名后30%的个体,可以保证前1%的优秀个体不会被错误淘汰,并且随着芯片数量的增加、早期选择的效果会越来越好。【结论】基因组选择“两步走”的策略符合我国国情、容易在生猪育种中推广实施。当芯片数量较少时,可以开展“终测选择”,一定程度上提高选择的准确性,提高育种效率;当芯片数量较多时,可以开展“早期选择”,对排名靠后的猪只个体进行早期阉割,增加优秀个体的测定量,增大选择强度、加快遗传进展。“两步走”策略符合我国生猪产业基因组选择育种的实际需求,该策略的实施将有利于推动我国猪基因组选择的应用、加快种猪改良进程。     

基于GBLUP和BayesB方法对肉鸡屠宰性状基因组预测准确性的比较

【目的】育种值估计是畜禽育种的核心内容,准确的育种值估计是提高选种准确性的重要手段。屠宰性状是肉鸡重要的经济性状,且无法活体测量,利用基因组信息进行育种值估计的基因组选择是十分有力的工具。文章通过比较GBLUP和BayesB方法对肉鸡屠宰性状的基因组预测的准确性,为肉鸡育种值估计的策略提供依据。【方法】用本课题组前期收集的3 362只白羽肉鸡的表型记录,性状包括胸肌率（BrR）、胸肌重（BrW）、屠体重（CW）、腿肌率（ThR）和腿肌重（ThW）。利用中国农业科学院自主研发的“京芯一号”鸡 55 K SNP芯片对所有个体进行了基因分型,采用PLINK软件对芯片的基因型数据进行质量控制,基因组选择的GBLUP和BayesB方法分别由基于R语言的ASReml包和hibayes包实施,并采用世代验证法评估两种方法的基因组育种值的预测准确性。【结果】研究发现基因组选择的准确性与性状的遗传力大致呈正相关。结果显示,在使用GBLUP方法时,预测准确性最高的性状为胸肌率。胸肌率、胸肌重、屠体重、腿肌率和腿肌重的基因组预测的准确性分别为0.3262、0.2871、0.2780、0.2153、0.2126;在使用BayesB方法时,预测准确性最高的性状为胸肌率。5个性状的基因组预测的准确性分别为0.3765、0.2257、0.1376、0.2525、0.2844。结果表明,对于白羽肉鸡屠宰性状的基因组选择研究,BayesB方法的预测准确性略高于GBLUP方法。对于3000的样本量和55 K的标记密度,GBLUP方法的计算时间大约为1h,BayesB方法的计算时间大约为7h。【结论】对于胸肌率、腿肌率和腿肌重,BayesB方法的预测准确性高于GBLUP方法;对于屠体重和胸肌重,GBLUP方法的预测准确性高于BayesB。畜禽的育种工作注重实效性。在实际的育种工作中,需要综合考虑育种值估计的准确性和育种的时效性来决定用何种方式估计基因组育种值。     

系谱错误对ssGBLUP估计育种值可靠性的影响

本研究旨在探讨系谱错误对ssGBLUP估计育种值（EBV）可靠性的影响程度,研究不同遗传力、参考群、系谱错误下ssGBLUP、GBLUP和BLUP对EBV可靠性的影响。使用QMSim软件进行数据模拟,BLUPf90软件进行数据分析。结果表明,遗传力的高低与系谱错误率对ssGBLUP预测EBV可靠性的趋势无关。当参考群逐渐增大时,ssGBLUP对系谱错误的容忍程度逐渐降低;随着系谱错误率增大,ssGBLUP估计育种值的可靠性呈线性下降趋势。     

仔猪初生窝重性状的遗传评估

本文旨在计算温氏某育种场大白猪初生窝重性状的遗传参数,并评估基因组选择不同计算方法对初生窝重性状的选择准确性。利用DMU软件和动物模型估计初生窝重的方差组分,包括加性方差组分和永久环境效应方差组分,并计算性状的遗传力。通过简化基因组测序分型方法,构建大白猪基因组选择参考群体,并利用GVCBLUP和BLUPF90软件,验证群体分别使用BLUP、GBLUP和ssGBLUP方法计算估计育种值的准确性。结果显示：初生窝重的遗传力为0.08,为低遗传力性状。初生窝重与总产仔数、产活仔数、健仔数和弱差猪仔数遗传相关系数分别为0.59,0.68,0.88和-0.17。基因组选择结果显示,验证群体ssGBLUP育种值估计的准确性最高,达到0.38,比常规BLUP方法提高了15.79%,与BLUP估计育种值秩相关达到0.63。对初生窝重的选择,可有效提高产仔数;且结合ssGBLUP方法的基因组选择,能够有效提高估计育种值的准确性。     

机器学习在动物基因组选择中的研究进展

基因组选择是指利用覆盖在全基因组范围内的分子标记信息来估计个体育种值。利用基因组信息能够避免因系谱错误带来的诸多问题，提高选择准确性并缩短育种世代间隔。根据统计模型的不同，基因组选择方法可大致分为基于BLUP(best linear unbiased prediction, BLUP)理论的方法、基于贝叶斯理论的方法和其他方法。目前应用较多的是GBLUP及其改进方法 ssGBLUP。准确性是基因组选择模型最常用的评价指标，用来衡量真实值和估计值之间的相似程度。影响准确性的因素可以从模型中体现，大致分为可控因素和不可控因素。传统基因组选择方法促进了动物育种的快速发展，但这些方法目前都面临着多群体、多组学和计算等诸多挑战，不能捕获基因组高维数据间的非线性关系。作为人工智能的一个分支，机器学习是最贴近生物掌握自然语言处理能力的一种方式。机器学习从数据中提取特征并自动总结规律，利用该规律与新数据进行预测。对于基因组信息，机器学习无需进行分布假设，且所有的标记信息都能够被考虑进模型当中。相比于传统的基因组选择方法，机器学习更容易捕获基因型之间、表型与环境之间的复杂关系。因此，机器学习在动物基因组...     

北京地区大白猪基因组联合育种研究

【目的】 利用基因组选择技术,进行北京地区大白猪基因组联合遗传评估,并实施基因组选择分子育种,预测刚出生的小公猪基因组估计育种值,提高选种准确性。【方法】 利用北京地区3家核心育种场英、美系大白猪2007-2017年场内性能测定记录,筛选4020头个体构建基因组选择混合参考群,性状包括达100kg体重日龄、100kg活体背膘厚和总产仔数,参考群个体和候选公猪个体基因型信息主要采用Illumina 80K SNP芯片进行测定。基因组育种值采用同时利用系谱信息和基因组信息的一步法（SSGBLUP）方法,对3家核心场猪只进行基因组联合遗传评估,分别在公猪去势前和性能测定结束时预测大白公猪生长性状和繁殖性状基因组估计育种值（GEBV）,并进行相应选种。3个场之间的场间遗传联系用关联率衡量。【结果】 场间关联率计算结果表明,由于遗传背景差异,北京地区3家核心场场间遗传联系偏低,无法开展传统联合遗传评估,但基于基因组信息的G矩阵亲缘关系结果显示,不同群体间个体存在亲缘关系,说明通过基因组选择可以实现3个育种场间的基因组联合遗传评估。基因组选择实施后,累计基因组预测大白公猪1789头。与传统育种方式相比,基因组选择准确性大幅提高。实施第一次基因组选择或早期选择时（公猪去势前）,达100 kg体重日龄、100 kg活体背膘厚和总产仔数系谱指数的准确性分别为0.55,0.56和0.41,而3个性状GEBV的准确性分别为0.65,0.70和0.60,提高了10、14和19个百分点。终选（性能测定结束）时,3个性状的传统育种值（EBV）准确性为0.70、0.72和0.41,GEBV准确性进一步提高至0.78、0.84和0.60,提高了8、12和19个百分点。低遗传力的总产仔数准确性提高幅度最大。公猪去势前初选时基因组选择准确性与常规性能测定结束时的常规育种值选择准确性几乎一致,表明基因组选择早期选种效果与常规育种相当,节省了育种时间和成本。338头完成性能测定的候选公猪两次基因组选择准确性表明,第二次基因组选择由于加入了候选公猪的测定信息,达100kg体重日龄和100kg活体背膘厚的GEBV准确性由第一次的0.55和0.62分别提高到0.72和0.84,提高了17和22个百分点。无偏性系数在0.82-1.00之间,两性状GEBV的无偏性由第一次基因组选择的0.82、0.96 分别提高到0.91、1.00,说明第二次估计的偏差更小,结果可信度更高,能更准确选出优秀的种公猪。【结论】 基因组选择可以建立场间遗传联系,实现常规育种不能进行的联合遗传评估,能够进行更大范围的联合育种。基因组选择的准确性高于传统的系谱指数和育种值选种,且低遗传力性状提高幅度最大。基因组选择能够实现早期选择,提高育种效益。     

豫农黑猪体尺性状遗传参数估计的模型研究

【目的】为提高豫农黑猪体尺性状遗传参数估计的准确性,加快豫农黑猪选育进展。【方法】利用最佳线性无偏预测(best linear unbiased prediction, BLUP)和基因组最佳线性无偏预测(genomic best linear unbiased prediction, GBLUP)2种方法,构建3个单性状动物模型,即基于BLUP的模型1、基于GBLUP的模型2以及基于包含基因组近交系数GBLUP的模型3,采用平均信息约束性最大似然算法(average information restricted maximum likelihood, AIREML)对702头豫农黑猪体尺性状的遗传参数进行估计。【结果】在遗传参数估计的准确性方面,模型1估计的准确性低于模型2和3;模型3和模型2相比,提高了胸围、腿臀围和眼肌深度性状遗传参数估计的准确性。模型3估计体高、腿臀围、背膘厚和眼肌深度的遗传力为0.566、0.302、0.467和0.652,属于高遗传力性状;体长、胸围和管围的遗传力为0.152、0.122和0.255,属于中遗传力性状。体尺性状间的表型相关系数为-0.009～...     

3款猪50K SNP芯片基因型填充至序列数据的效果评估

【目的】利用猪 50K SNP（Single nucleotide polymorphisms） 芯片开展基因组育种已经得到了广泛的应用与认可。基因型填充可在不增加基因型检测成本的前提下大幅提高基因型数据量，有利于开展复杂性状的遗传解析与遗传评估。本研究旨在评估 3 款猪 SNP 芯片基因型填充至序列数据的填充效果。【方法】选用 3 款芯片共同检测的 48 头杜洛克猪群体作为填充的目标群体，260 头猪的全基因组测序数据作为参考群体，使用Beagle5.1 软件进行基因型填充，对比 3 款不同猪 SNP 芯片纽勤 50K、中芯一号 50K 和液相 50K 基因型填充至序列数据的填充效果。【结果】 3 款芯片原始的 SNP 数分别为 50 697、57 466 和 50 885 个。填充至序列后，未质控时位点填充准确性 （基因型一致性） 分别为 0.886、0.886 和 0.898，质控过滤 DR²（Dosage R-squared）<0.95 的位点后，填充准确性 （基因型一致性） 分别提升至 0.974、0.976 和 0.969，位点数分别为 3 39...     

花生每荚种子数相关性状QTL的定位

【目的】花生是重要的油料作物和经济作物,高产一直是花生育种的主要目标,决定产量的因素是单位面积的种子数和仁重。单位面积种子数是种植密度、每株荚数和每荚种子数的乘积。因此,对花生每荚果种子数相关性状进行QTL分析,有助于发掘该性状相关基因/位点,为花生产量相关性状分子育种提供重要的理论依据。【方法】以四粒红×冀农黑3号构建的RIL群体为研究材料,于2018年（E1）和2020年（E2）在河北省保定市河北农业大学清苑试验站（115°30′E,38°40′N）种植鉴定,收获时调查统计单仁果数、双仁果数以及多仁果数表型值,利用河北农业大学花生创新团队实验室构建的高密度遗传图谱,采用QTL Icimapping V4.2中的完备区间作图法对2个环境下的每荚种子数相关性状进行QTL定位与分析。【结果】单仁果率与双仁果率均呈正态分布,多仁果率呈偏正态分布。3个性状的QTL定位分析结果表明,共检测到11个QTL,可解释4.66%—22.34%的表型变异,加性效应为-9.35—9.42。其中,定位到5个多仁果率QTL,可解释3.19%—22.34%的表型变异,有1个QTL的加性效应为负值（-4.77）,来自冀农黑3号,其余4个QTL的加性效应为正值（3.59—9.42）,均来自母本四粒红;定位到2个单仁果率QTL,可解释4.97%—6.43%的表型变异,加性效应均为负值（-4.45和-4.54）,均来自冀农黑3号;定位到4个双仁果率QTL,可解释3.46%—20.87%的表型变异,加性效应均为负值（-9.35—-3.84）,均来自冀农黑3号。这些QTL中,6个为主效QTL,其中,qRMSPA05被重复检测到,且可遗传表型变异为16.58%—17.34%,加性效应为7.69—8.12。【结论】定位6个主效QTL和1个主效稳定的多仁果率QTL,有助于改良花生产量性状,可以作为遗传改良的重要候选区段,用于分子标记辅助选择与精细定位研究。     

Incorporating genomic annotation into single-step genomic prediction with imputed whole-genome sequence data

Single-step genomic best linear unbiased prediction (ssGBLUP) is now intensively investigated and widely used in livestock breeding due to its beneficial feature of combining information from both genotyped and ungenotyped individuals in the single model. With the increasing accessibility of whole-genome sequence (WGS) data at the population level, more attention is being paid to the usage of WGS data in ssGBLUP. The predictive ability of ssGBLUP using WGS data might be improved by incorporating biological knowledge from public databases. Thus, we extended ssGBLUP, incorporated genomic annotation information into the model, and evaluated them using a yellow-feathered chicken population as the examples. The chicken population consisted of 1 338 birds with 23 traits, where imputed WGS data including 5 127 612 single nucleotide polymorphisms (SNPs) are available for 895 birds. Considering different combinations of annotation information and models, original ssGBLUP, haplotype-based ssG_HBLUP, and four extended ssGBLUP incorporating genomic annotation models were evaluated. Based on the genomic annotation (GRCg6a) of chickens, 3 155 524 and 94 837 SNPs were mapped to genic and exonic regions, respectively. Extended ssGBLUP using genic/exonic SNPs outperformed other models with respect to predictive ability in 15 out of 23 traits, and their advantages ranged from 2.5 to 6.1% compared with original ssGBLUP. In addition, to further enhance the performance of genomic prediction with imputed WGS data, we investigated the genotyping strategies of reference population on ssGBLUP in the chicken population. Comparing two strategies of individual selection for genotyping in the reference population, the strategy of evenly selection by family (SBF) performed slightly better than random selection in most situations. Overall, we extended genomic prediction models that can comprehensively utilize WGS data and genomic annotation information in the framework of ssGBLUP, and validated the idea that properly handling the genomic annotation information and WGS data increased the predictive ability of ssGBLUP. Moreover, while using WGS data, the genotyping strategy of maximizing the expected genetic relationship between the reference and candidate population could further improve the predictive ability of ssGBLUP. The results from this study shed light on the comprehensive usage of genomic annotation information in WGS-based single-step genomic prediction.     

桃果实单果重及可溶性固形物含量的全基因组选择分析

【背景】桃单果重和可溶性固形物含量（SSC）是育种家关注的两个重要的数量性状,受到多个微效基因的控制,难以通过单个标记进行早期筛选。全基因组选择作为一种新颖的数量性状早期预测工具,在果树上已经有了初步应用,但其在桃上的应用效果以及影响预测准确性的因素仍需要深入探讨。【目的】建立桃单果重和SSC的全基因组选择技术,为桃高效分子育种技术体系的建立奠定基础。【方法】以520株训练自然群体为试材,通过重测序筛选出的48 398个SNP进行分型,在11个全基因组预测模型中分别筛选出两个数量性状适宜的模型,进而在56株自然群体和1 145株杂交群体上进行应用。【结果】3类群体的平均测序数据量在1.95—3.52 Gb,测序深度为5.29—10.79×。训练自然群体经与参考基因组比对,共得到5 065 726个SNP,去除缺失率较高（>20%）、最小等位基因频率过低（<0.05）的位点后,随机挑选基因组上48 398个SNP用于训练群体的全基因组选择模型构建。单果重预测精度最高的模型是BayesA,SSC预测精度最高的模型为randomforest。分别利用两个数量性状最适的模型进行预测...     

新疆南疆绒山羊绒细型新品系培育关键技术研究

[目的]通过对新疆南疆绒山羊绒细型新品系的培育,引导全国绒山羊产业的育种方向,为我国绒山羊绒细度优势的保持和扩大提供参考,为我国羊绒的出口创汇提供技术支撑.[方法]确定系祖,在南疆绒山羊核心育成母羊群中,利用精准选种、人工授精、个体选配、纯繁扩群等技术手段增加品系的群体数量.[结果]到2010年基础群达标个体仅有110只,进展缓慢且培育品系繁殖成活率较低.2011年,达标个体达206只.[结论]应加强与科研院所的合作,使用BLUP育种加快南疆绒山羊绒细型新品系培育的步伐.     

不同基因辅助选择方法对QTL的选择效率

 在假定目标性状由一个QTL和多基因共同控制的基础上,采用计算机模拟方法研究了在一个闭锁群体内分别采用基因型选择（GTS）、基因辅助BLUP（GBLUP）和常规动物模型BLUP方法对单个性状实施连续选择的效果,并以常规动物模型BLUP为参照,分析了GTS和GBLUP方法对目标性状QTL的选择效率。结果表明：与常规动物模型BLUP相比,GTS和GBLUP选择均可获得更大的QTL基因型值进展,QTL增效等位基因频率上升的速度也更快;与GBLUP相比,GTS方法对QTL的选择效率更高。GTS和GBLUP对QTL的选择优势在短期选择时较为明显,随着世代的递增,这种优势将逐渐降低甚至消失。     

广西中华草龟遗传多样性的RAPD分析

【目的】阐明广西中华草龟的遗传多样性,为今后保护其种质资源及基因库、防止规模化养殖后造成的基因流失提供理论指导,也为中华草龟合理开发利用及选择育种提供科学依据。【方法】运用RAPD技术从分子水平上对广西中华草龟遗传多样性进行分析。【结果】从7只广西中华草龟的基因组中共扩增出267条条带,平均每个个体约扩增出38条条带,平均每条随机引物获得15条以上的条带,扩增片段大小为100~2000 bp,多态性频率为66.29%;个体间的遗传距离指数为0.1360~0.3609,平均遗传距离指数为0.2092±0.0623。【结论】广西中华草龟的遗传多样性较丰富,但个体间的亲缘关系较近,遗传变异度较小。