利用基因组信息提高畜禽生产性能研究进展

为了满足人们对畜产品需求的快速增长,必须在加快畜禽产业发展的同时把对环境的影响降到最低,提高畜禽遗传特性有望促进这一问题的解决。进入21世纪以来,以基因组选择为核心的分子育种技术迎来了发展机遇,利用该技术可实现早期准确选择,从而大幅度缩短世代间隔,加快群体遗传进展,并显著降低育种成本。虽然在某些畜种中(如奶牛),基因组选择取得了成功,群体也获得较大遗传进展,但仍无法满足快速增长的需求。因此,亟需寻找能够进一步加快遗传进展的方法。研究表明,在SNP标记数据中加入目标性状的已知功能基因信息,可以提高基因组育种值预测的准确性,进而加快遗传进展。而挖掘更多基因组信息的同时,开发更优化的分析方法可以更有助于目标的实现。文章总结了主要畜禽物种的可用基因组数据,包括牛、绵羊、山羊、猪和鸡以及这些数据是如何有助于鉴定影响重要性状的遗传标记和基因,从而进一步提高基因组选择的准确性。     

畜禽基因组选择方法研究进展

畜禽的选种选育在生产中至关重要,育种值估计是选种选育的核心。基因组选择（genomic selection,GS）是利用全基因组范围内的高密度标记估计个体基因组育种值的一种新型分子育种方法,目前已在牛、猪、鸡等畜禽育种中得到应用并取得了良好的效果。该方法可实现畜禽育种早期选择,降低测定费用,缩短世代间隔,提高育种值估计准确性,加快遗传进展。基因组选择主要是通过参考群体中每个个体的表型性状信息和单核苷酸多态性（single nucleotide polymorphism,SNP）基因型估计出每个SNP的效应值,然后测定候选群体中每个个体的SNP基因型,计算候选个体的基因组育种值,根据基因组育种值的高低对候选群体进行合理的选择。随着基因分型技术快速发展和检测成本不断降低,以及基因组选择方法不断优化,基因组选择已成为畜禽选种选育的重要手段。作者对一些常用的基因组选择方法进行了综述,比较了不同方法之间的差异,分析了基因组选择存在的问题与挑战,并展望了其在畜禽育种中的应用前景。     

母系猪繁殖性状的基因组选择策略

与生长性状相比,猪的繁殖性状具有遗传力低和限性表现的特点,通过传统育种方法很难获得较高的育种值估计准确性,且无法缩短世代间隔。因此,猪的繁殖性状选育策略应与生长性状不同。基因组选择是一种基于全基因组信息的标记辅助选择。与生长性状相比,基因组选择对提高繁殖性状(如产仔数)的预测准确性更具有优势。然而,基因组选择的育种成本较高阻碍了该技术的广泛应用。本文旨在探讨母系猪繁殖性状基因组选择的参考群体构建策略,以节省基因组育种成本和加快遗传进展。     

河北省大白猪繁殖性状基因组选择参考群体构建和应用

联合育种是我国生猪遗传改良计划的重要工作，联合育种能够扩大群体规模，增加群体内遗传变异，提高育种值估计的准确性，且相较于传统育种方法对低遗传力的繁殖性状有着更明显的效果。本研究收集了河北大好河山养殖有限公司、河北裕丰京安养殖有限公司、石家庄清凉山养殖有限公司（以下分别简称大好河山、京安和清凉山）3家育种场共6 790条大白猪的繁殖性状，构建了基因组选择合并参考群体，通过基因型填充将纽勤50K(Geneseek)芯片基因型填充到液相50K，采用一步法进行基因组联合遗传评估。结果表明：清凉山与裕丰京安两场遗传背景相近，大好河山场与其他两场存在较远的联系；基于系谱信息预测大好河山个体的总产仔数育种值准确性为0.170，基因组预测准确性则为0.324；通过联合基因组遗传评估，总产仔数基因组预测的准确性进一步提升至0.347，比基于单场系谱信息提高了104%。本研究表明通过基因型填充统一各场SNP芯片类型，构建河北省大白猪繁殖性状基因组选择参考群，从而进行联合基因组选择是可行的，尤其对提高常规育种进展缓慢的繁殖性状意义重大。     

分子遗传技术在家畜遗传评定中的应用

基于表型信息和谱系信息估计基因加性效应值的种畜遗传评定方法在家畜遗传改良中发挥了很大作用,但因其无法真正了解控制经济性状的遗传本质,影响了家畜遗传改良的进一步进展。分子标记辅助选择可在一定程度上提高种畜遗传评定准确性,但在目前不能精确定位QTL或基因时,其效率受到很大影响。提高种畜遗传评定准确性的最有效途径应是直接利用控制经济性状的基因,后基因组时代的功能基因组研究的快速发展为实现这一目标提供了契机。同时,多个家畜品种基因组测序完成和大量SNP多态性的发现,使得利用覆盖全基因组多态性标记信息的基因组选择方法为家畜遗传评定开拓了又一条途径。     

全基因组选择模型研究进展及展望

全基因组选择是一种利用覆盖全基因组的高密度标记进行选择育种的新方法,可通过早期选择缩短世代间隔,提高育种值估计准确性等加快遗传进展,尤其对低遗传力、难测定的复杂性状具有较好的预测效果,真正实现了基因组技术指导育种实践。随着芯片和测序技术日趋成熟,高密度标记芯片检测成本不断降低,全基因组选择模型的不断升级和优化,预测准确性不断提高,全基因组选择已成为动物遗传改良的重要手段和研究热点。目前,全基因组选择已经成为奶牛遗传评估的标准方法,并取得重要进展,在其它物种中的应用正在逐步开展。本文主要对全基因组选择的统计模型发展进行综述,总结全基因组选择在动物遗传育种中的应用现状,讨论当前存在的问题,并对全基因组选择模型的发展方向和应用前景进行展望。     

GBLUP技术在鸡品种选育中的应用效果研究

为揭示遗传力和标记密度对估计基因组育种值的影响和探讨基因组选择在家禽育种中的效果,运用QMSim软件分别模拟不同遗传力、不同标记数目的群体结构数据、基因组信息数据及相应的表型数据;运用基因组最佳线性无偏估计(GBLUP)方法估计基因组育种值,并计算基因组育种值的准确性;比较基因组选择与表型选择在育种成本以及遗传进展的差异。结果显示,随着遗传力和标记数目增加,估计育种值准确性明显提高,同时基因组选择在遗传进展上具有明显优势,但是在对表型选择与基因组选择进行成本分析时,基因组选择的成本并没有明显提高。因此,基因组选择育种在家禽育种过程中具有明显优势。     

基因组选择模型及其在家禽育种中的应用

基因组选择是当前畜禽育种领域一项热门的分子育种方法,已经在实际育种中得到应用并取得良好的效果。基因组选择使用数学模型计算出覆盖全基因组范围内的高密度标记的效应值,从而得到个体基因组估计育种值,再进行高效的选种选配工作。该方法可以提高传统育种值估计的准确性,实现畜禽育种早期选择,缩短世代间隔,从而加快遗传进展。同时,随着第二代测序平台和基因芯片技术不断成熟,单核苷酸多态性（Single nucleotide polymorphism,SNP）标记已成为普遍且重要的动植物研究手段,SNP芯片检测成本也不再高昂。文章综述了常见的基因组选择模型及其在家禽育种中的应用,讨论了其面临的挑战,并且展望了其应用前景,为我国地方家禽保护、评价和利用提供参考。     

基因组选择在家畜改良上的研究进展

基因组选择（GS）是全基因组范围内的分子标记辅助选择,目前被证明是利用DNA标记信息改善复杂性状最有效的方法。本文简要概述了基因辅助选择以及标记辅助选择;重点介绍了GS,包括GS的实施策略与育种值估计方法,GS的准确性获得以及对GS方法的比较,总结了当前家畜上利用GS加速遗传改良的应用进展;并对家畜在GS上的应用前景进行展望。     

结合GWAS先验标记信息的肉鸡RFI性状全基因组选择研究

旨在比较结合全基因组关联分析（genome-wide association study,GWAS）先验标记信息的基因组育种值（genomic estimated breeding value,GEBV）估计与基因组最佳线性无偏预测（genomic best linear unbiased prediction,GBLUP）方法对鸡剩余采食量性状育种值估计的准确性,为提高基因组选择准确性提供理论与技术支持。本研究选用广西金陵花鸡3个世代共2 510个个体作为素材,其中公鸡1 648只,母鸡862只,以42～56日龄期间的剩余采食量（residual feed intake,RFI）为目标性状,将试验群体随机分为两组,其中一组作为先验标记信息发现群体,用于GWAS分析并筛选最显著的top5%、top10%、top15%和top20%的位点作为先验标记信息;另外一组分别结合不同的先验标记信息进行遗传参数估计并比较基因组育种值的预测准确性,使用重复10次的五倍交叉验证法获取准确性,随后两组群体再进行交叉验证。研究结果表明,GBLUP计算RFI的遗传力为0.153,预测准确性为0.387～0.429,结合GWAS先验标记信息的基因组选择方法计算RFI的遗传力为0.139～0.157,预测准确性为0.401～0.448。将GWAS结果中P值最显著的top10%～top15%的SNPs作为先验信息整合至基因组选择模型中可以将RFI的预测准确性提升2.10%～5.17%。     

Research Progress on Genomic Selection Methods in Livestock and Poultry

Selection and breeding are very important in production of livestock and poultry,and breeding value estimation is the core of selection and breeding.Genomic selection (GS) is a novel molecular breeding method to estimate genomic breeding value using high-density markers across the whole genome.At present,GS has been successfully applied in cattle,pig,chicken and so on,and made significant progress.This method can achieve early selection,decrease the testing costs,shorten generation interval,improve the accuracy of breeding value estimation and accelerate genomic progress.GS estimates the effect of SNP by phenotype information and SNP genotype of each individual in the reference population,and measures the SNP genotype to calculate the genomic estimated breeding value in the candidate population,then selects the best individuals according to the genomic estimated breeding value.With the rapid development of genotyping technology and the decrease of detection cost,and the continuous optimization and high efficiency of genomic selection methods,genomic selection has become an important research method in the selection and breeding of livestock and poultry.The authors reviewed some of the widely used genomic selection methods,compared the differences between different methods,analyzed the problems and challenges of genomic selection,and looked forward to its application prospects in breeding.     

基因组选择及其在羊育种中的应用研究进展

数量性状是羊育种中的重要性状,受微效多基因控制、遗传力低,而传统育种方法难以提高羊的育种效率。提高动物育种效率对于选种选配工作和经济生产效益至关重要。随着育种新技术的不断革新与发展,基因组选择(genomic selection,GS)方法已成为育种技术中强大的工具,且已成功运用于个体经济价值较大的物种中,其具有缩短世代间隔、提高育种准确性、减少生产成本、提高畜禽经济效益等优势。近年来,由于基因组技术的不断成熟和各个统计模型的升级优化,以及高密度SNP芯片价格的下调,报告有关于基因组选择育种的实证和模拟研究层出不穷,且基因组选择技术已在羊育种中逐步开展,特别是在羊的重要性状中已有不少报道。由于羊的品种较多,地方性状差异化较大,个体经济价值略低,尽管基因组育种的新技术已经非常成熟,但目前仍没有在羊育种中大范围普及。为了更全面地了解该技术在羊育种中的研究现状,且基于选种选配的重要地位,作者就基因组选择在羊育种中的研究进展展开综述,主要从表型测定、基因分型、不同模型方面介绍了基因组选择在羊的重要性状中的应用和现状,讨论了其优势与挑战,并展望了基因组选择的未来发展方向。     

芯片技术在畜禽育种中的应用研究进展

中国畜禽品种资源丰富,且有许多优良性状基因,但这些优良性状基因并没有被充分利用,因此,在基因水平上开展遗传资源的开发和利用是畜禽经济性状改良的重要方向。目前,虽然传统系谱选择方法在育种工作中发挥了重要作用,但存在准确率低、育种周期长等缺点。随着分子生物学技术的快速发展,近年来先进的基因组测序和基因分型技术大大促进了畜禽育种方法的革新。从低通量、耗时的限制性片段多态标记（RFLP）到如今高通量、高密度的单核苷酸多态性（SNP）标记,基因检测效率有了大幅度提高。基因芯片技术在分子标记辅助选择和全基因组选择育种研究中逐渐得到广泛应用,成为畜禽育种的新技术手段和新热点。主要介绍了高、低密度SNP芯片技术在畜禽育种中的研究及应用,并简述了其技术优势、存在问题及挑战、应用展望,旨在表明基因芯片技术必将会成为畜禽分子育种工作中一项重要的基础技术,在畜禽种业快速发展过程中起到重要的推动作用,以期为基因芯片技术在畜禽育种中得到进一步应用提供理论参考,推进中国畜禽育种遗传进展,提升中国畜禽种业的科技竞争力。     

国内外肉牛遗传评估体系概况

种公牛的选育是肉牛育种工作的核心。传统选育肉用种公牛需要经过后裔测定进行选择,其优点是准确性高,但存在周期长、屠宰和肉质性状难以收集、成本高等问题,致其选择效率低。自2001年全基因组选择概念提出后,该技术迅速成为动植物育种领域研究的热点。利用全基因组选择进行肉用种公牛的选育,进行早期选择从而大幅度缩短世代间隔,可以提高繁殖性状等低遗传力性状的选择准确性,加快遗传进展,并大大降低育种成本。2014年,美国安格斯协会开始应用全基因组选择技术,其他欧美发达国家也陆续使用,肉牛育种进入基因组时代。中国自2017年开始使用全基因组选择技术选择青年肉用种公牛,并于2020年在全国范围内使用该技术进行基因组遗传评估。本文综述了国内外肉牛遗传评估现状,以期为我国肉牛育种工作提供参考和借鉴。     

全基因组测序在畜禽中应用的研究进展

在基因组研究方面,目前全基因组测序已由第一代测序技术发展到第三代测序技术,全基因组测序与传统方法相比具有更加全面、精准、高效等优势。随着测序技术的发展和费用的降低,全基因组测序（whole genome sequencing,WGS）技术逐渐成为基因组研究应用最广泛的技术。全基因组测序已经在畜禽起源进化、重要经济性状基因挖掘、分子育种等方面取得了诸多成果。通过全基因组重测序,能够发现拷贝数变异（copy number variation,CNV）及单核苷酸多态性（single nucleotide polymorphism,SNP）变异,丰富现有的CNV和SNP数据库,为抗病、生长、食欲、代谢调节、表型、环境适应机制及重要经济性状基因的分析提供重要数据。作者针对全基因组测序技术在主要畜禽上的研究进展,综述了全基因组测序在畜禽的品种遗传多样性、群体演变机制、功能基因挖掘等研究中的应用,并探讨了全基因组测序存在的问题,旨在为畜禽种质资源保护和分子育种实践提供参考。     

全基因组SNP分型技术在畜禽遗传育种研究中的应用

随着畜禽资源分子鉴定、物种进化、全基因组育种等热点领域的逐渐兴起,准确的全基因组SNP分型成为了畜禽基因组研究的关键。基因芯片、重测序、简化基因组测序及靶向捕获测序等全基因组SNP分型技术已广泛应用于畜禽基因组研究中。本文概述了全基因组SNP分型技术的原理及其在全基因组关联分析、选择信号分析和畜禽遗传资源背景分析等方面的应用,以期为畜禽基因组研究和育种应用提供借鉴和参考。     

整合生物学先验信息的全基因组选择方法及其在家畜育种中的应用进展

相较于传统的育种方法,全基因组选择（genomic selection,GS）通过对拟留种的个体进行早期选择和增加选择的准确性进而加快育种的遗传进展。通过改进GS方法无法再缩短育种的世代间隔,因而如何提高GS的准确性以获得额外的遗传进展一直是GS研究的核心问题。当前,各种组学技术不断成熟,从公开的资料或前期的研究积累获取生物学先验信息已比较容易。因而,如何在GS模型中整合已知的先验信息进而提高GS的准确性以获得额外的遗传进展成为当前育种研究的热点问题。本文对生物学先验信息的类型以及整合先验信息的GS方法进行综述,探讨了这些方法在家畜育种中的应用和前景,以期为家畜育种中开展整合生物学先验信息的GS研究提供借鉴与参考。     

Genomic prediction in a numerically small breed population using prioritized genetic markers from whole-genome sequence data

The objective of this study was to investigate the accuracy of genomic prediction of body weight and eating quality traits in a numerically small sheep population (Dorper sheep). Prediction was based on a large multi-breed/admixed reference population and using (a) 50k or 500k single nucleotide polymorphism (SNP) genotypes, (b) imputed whole-genome sequencing data (~31 million), (c) selected SNPs from whole genome sequence data and (d) 50k SNP genotypes plus selected SNPs from whole-genome sequence data. Furthermore, the impact of using a breed-adjusted genomic relationship matrix on accuracy of genomic breeding value was assessed. The selection of genetic variants was based on an association study performed on imputed whole-genome sequence data in an independent population, which was chosen either randomly from the base population or according to higher genetic proximity to the target population. Genomic prediction was based on genomic best linear unbiased prediction (GBLUP), and the accuracy of genomic prediction was assessed according to the correlation between genomic breeding value and corrected phenotypes divided by the square root of trait heritability. The accuracy of genomic prediction was between 0.20 and 0.30 across different traits based on common 50k SNP genotypes, which improved on average by 0.06 (absolute value) on average based on using prioritized genetic markers from whole-genome sequence data. Using prioritized genetic markers from a genetically more related GWAS population resulted in slightly higher prediction accuracy (0.02 absolute value) compared to genetic markers derived from a random GWAS population. Using high-density SNP genotypes or imputed whole-genome sequence data in GBLUP showed almost no improvement in genomic prediction accuracy however, accounting for different marker allele frequencies in reference population according to a breed-adjusted GRM resulted to on average 0.024 (absolute value) increase in accuracy of genomic prediction.     

Genomic selection

Genomic selection is a form of marker-assisted selection in which genetic markers covering the whole genome are used so that all quantitative trait loci (QTL) are in linkage disequilibrium with at least one marker. This approach has become feasible thanks to the large number of single nucleotide polymorphisms (SNP) discovered by genome sequencing and new methods to efficiently genotype large number of SNP. Simulation results and limited experimental results suggest that breeding values can be predicted with high accuracy using genetic markers alone but more validation is required especially in samples of the population different from that in which the effect of the markers was estimated. The ideal method to estimate the breeding value from genomic data is to calculate the conditional mean of the breeding value given the genotype of the animal at each QTL. This conditional mean can only be calculated by using a prior distribution of QTL effects so this should be part of the research carried out to implement genomic selection. In practice, this method of estimating breeding values is approximated by using the marker genotypes instead of the QTL genotypes but the ideal method is likely to be approached more closely as more sequence and SNP data is obtained. Implementation of genomic selection is likely to have major implications for genetic evaluation systems and for genetic improvement programmes generally and these are discussed.