基因组选择一步法理论及应用研究进展

基因组选择(Genomic selection,GS)是一种新兴的畜禽遗传评定方法,较传统方法有明显优势,近十几年来成为畜禽遗传评定研究热点。但基因分型成本较高,实际育种过程中不可能对所有个体进行基因型检测,致使某些经济价值较小物种实施GS受限。一步法(Single step procedure)有效解决了这个问题。一步法既能将全基因组遗传标记用于畜禽遗传评定,又能将未经基因分型的个体全部纳入遗传评定模型,在猪、鸡等群体的基因组选择中应用备受关注。介绍了基因组选择一步法的原理,综述了其应用效果及相关问题等。     

基因组选择在奶牛育种中的革命性突破(综述)

基因组选择(Genomic Selection)方法最近已经在奶牛育种中获得革命性突破。美国农业部和加拿大奶牛网络的最新研究发现,基因组育种值和传统育种值合并后对后备公母牛的育种值的可靠性(准确度)平均增加幅度最大(23%),相当于后裔测定11头女儿的可靠性。基因组选择可以允许育种者提前选择那些获得优越染色体片段的种畜,因此可加快和提高遗传改良的速度和效率,降低后裔测定的成本,甚至最终取代整个后裔测定方法。从2009年起,美国和加拿大将在官方颁布的奶牛育种值中合并基因组育种值和传统育种值。及时采用这一新方法,对我国奶牛业的遗传改良发展速度尤其至关重要。     

畜禽基因组选择中贝叶斯方法及其参数优化策略

品种选育在畜禽育种中占十分重要的地位,基因组选择作为畜禽育种的新兴技术手段而备受关注。其优点为可以缩短世代间隔,加快遗传进展,可以不依赖于表型进行选择。2001年,Meuwisen提出基因组选择的概念后,基因组选择首先应用于奶牛育种,至2014年8月,国际公牛组织已有34个成员国在其国家奶牛育种群中应用基因组选择。随着基因组选择的不断推广应用,提高基因组育种值估计准确性的问题有待于解决,当前对基因组选择方法的研究和探讨正在不断深入,有效的模型及算法对提高基因组育种值估计的准确性具有重大现实意义。至今已有17种贝叶斯方法相继被提出,本文简要介绍了基因组选择中的经典BayesA和BayesB方法,其中BayesA假设所有位点都有效应,BayesB假设部分位点有效应,且这部分有效应的位点所占的比例很小,它们的假设模型和算法都不相同。Meuviwisen提出经典贝叶斯方法后,其它贝叶斯方法犹如雨后春笋般涌出,这些新方法的提出,都是基于经典贝叶斯方法原理,对假设模型和算法进行适当改进,以期对模型中的参数进行优化。如BayesC方法在BayesB的基础上对模型中的π值进行优化,BayesCπ和 BayesDπ是在BayesC的基础上进行改进,这两种方法假设各位点的效应方差是相同的,而BayesC假设各位点的效应方差是不同的,BayesDπ又是在BayesCπ基础上对效应方差服从尺度逆卡方分布中的尺度参数进行优化。Bayes Lasso的思想和BayesA一样,不同之处在于它假设标记效应服从另一种分布-拉普拉斯分布,所以标记效应的后验分布也随之改变。BayesRS方法假设各位点的效应方差是按占一定比例的总遗传方差分配的。其它的贝叶斯方法也都是在前人研究的基础之上对模型中的先验假设进行变换和模型中的参数进行优化,以期寻找最适合群体的假设模型和参数。目前广泛应用的贝叶斯算法仍是经典贝叶斯算法以及BayesCπ,这是由于它们计算结果的稳定性和较高的基因组育种值估计准确性。在这3种贝叶斯算法中,基因组育种值估计准确性基本上是BayesB＞BayesCπ＞BayesA,但某些性状计算的基因组育种值准确性结果并非如此。相对于经典贝叶斯方法,参数优化过程在一定程度上提高了基组育种值估计的准确性。总之,在经典贝叶斯方法的基础上,贝叶斯方法的改进算法及其参数优化策略围绕着以提高基因组育种值估计的准确性为目的,通过生物遗传算法与实际的群体情况相结合,寻找最适的假设模型和参数优化策略,丰富和拓展了基因组选择算法,并能使得基因组育种值更具参考价值。由于中国的动物育种历程与国外育种差距甚远,利用基因组选择可以加快畜禽育种进程,进而还可以培养新品系,丰富遗传资源。同时对基因组选择在中国的方法研究及应用进行了介绍,面对基因组选择的种种优点,全基因组选择育种技术势在必行。此外,文章还探讨了畜禽基因组选择中贝叶斯方法及其参数优化策略存在的主要问题和今后研究的热点,以期为获得更加可靠和快捷的基因组选择算法提供参考。     

玉米全基因组选择育种研究进展

介绍了全基因组选择技术的由来和原理,阐释了不同的基因分型平台(GBS、DArT和r Amp Seq)和技术对实施全基因组选择育种技术的影响。此外,还介绍了开展全基因组选择育种所采用统计模型中的四大类算法,以及全基因组选择在玉米育种中的应用、面临的挑战以及发展前景。     

植物全基因组选择育种研究进展与前景

全基因组选择是指基于基因组育种值(GEBV)的选择方法,指通过检测覆盖全基因组的分子标记,利用基因组水平的遗传信息对个体进行遗传评估,以期获得更高的育种值估计准确度。当前,大部分关于全基因组选择的研究都集中在动物育种领域,其中有限群体容量的连锁不平衡、衰减程度、育种目标、试验设计和其他群体的特性以及育种程序都和植物育种不同。随着生物技术的迅猛发展,全基因组选择近年开始在植物数量性状研究和植物育种中也取得了一定的进展。综述了全基因组选择的原理、方法、优势以及全基因组选择在植物育种方面的研究进展。     

植物数量性状全基因组选择研究进展

全基因组选择是新近开始在植物数量性状研究和植物育种中应用的一种分析方法.它以连锁不平衡为基础,利用BLUP(best linear unbiased prediction)分析方法准确估计某一群体每一遗传标记的育种值,从而只利用这些预测的育种值来进行选择.文章综述了全基因组选择的原理、方法以及全基因组选择在植物育种方面的研究进展,探讨各种因素对全基因组选择的影响,并讨论了全基因组选择在植物数量性状分子育种研究中可能的应用.     

基于全基因组分析技术的鱼类育种技术原理与应用

随着越来越多的鱼类完成全基因组测序,如何将基因组信息和相关分析技术应用于鱼类育种成为业内关注的问题.相比于作物与畜禽,基于全基因组分析的鱼类育种技术的研究和应用较为滞后.目前鱼类育种主要参考其他物种已各成体系的诸多方法,虽然这些方法为鱼类全基因选择育种提供了参考,但众多的技术和算法在选择和应用中也存在一些问题.梳理了不...     

全基因组选择在植物育种中的研究进展

育种值的估计是品种选育核心,在农业生产中占有十分重要的地位。全基因组选择通过估计全基因组所有标记或单倍型的效应,从而得到基因组估计的育种值,是分子标记辅助选择的一种新方法。随着高通量基因分型技术的发展及高密度全基因组SNP标记的开发应用,全基因组选择已成为动植物遗传育种的研究热点。对全基因组选择的原理、计算方法、影响准确性的因素及植物育种中的研究现状等进行综述,并对全基因组选择在植物育种的应用进行了展望。     

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。     

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。