猪主要经济性状的基因组选择研究

旨在系统比较GBLUP、SSGBLUP、BayesA、BayesB、BayesC、BayesLASSO、BSLMM和BayesR等8种方法对猪重要经济性状基因组选择的准确性。本研究以本实验室收集的2 585头大白猪达100kg日龄、达100kg背膘厚和母猪乳头数3个性状为分析对象,结合猪50K基因芯片分型数据,以加性模型为基础,利用5倍交叉验证比较8种方法的基因组选择准确性。研究发现,基因组选择的准确性与不同性状估计遗传力呈正相关。交叉验证结果表明,预测准确性最高的性状为达100kg日龄,但不同方法在不同性状中表现并不完全相同,在达100kg日龄和达100kg背膘厚中SSGBLUP基因组预测准确性均为最高,而在母猪乳头数中BayesA的基因组预测准确性最高。综上表明,对小样本开展基因组预测时,中、高等遗传力性状可以选择SSGBLUP方法,低等遗传力性状可以选择BayesA方法。如何优化和选择一种广泛适用于所有性状的方法,可能是未来研究的方向。     

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0.38...     

黄羽肉鸡饲料代谢能的研究

本试验选用体重为 2 .81± 0 .0 5kg的成年商品代岭南黄公鸡 ,采用全收粪法 ,根据体重一致原则随机分为 5组 ,每组 16只 ,分两批测定了玉米、豆粕、鱼粉、玉米蛋白粉、棉粕、菜粕、羽毛粉、次粉和麦麸的表观代谢能值分别为 14 .76±0 .6 7、12 .0 4± 0 .2 9、16 .0 1± 0 .4 6、18.85± 0 .33、11.2 0± 0 .71、9.2 4± 0 .6 3、10 .2 0± 0 .84、10 .4 9± 0 .5 9和 10 .0 7± 0 .71MJ kg。     

基于简化基因组测序技术和基因芯片技术比较研究黄羽肉鸡基因组选择

旨在比较简化基因组测序技术和基因芯片技术实施基因组选择的基因组估计育种值（GEBV）准确性。本研究在AH肉鸡资源群体F₂代中随机选取395个个体（其中公鸡212只,母鸡183只,来自8个半同胞家系）,同时采用10×SLAF测序技术和Illumina Chicken 60K SNP芯片进行基因标记分型。采用基因组最佳无偏估计法（GBLUP）和BayesCπ对6周体重、12周体重、日均增重、日均采食量、饲料转化率和剩余采食量等6个性状进行GEBV准确性比较研究,并采用5折交叉验证法验证。结果表明,采用同一基因标记分型平台,两种育种值估计方法所得GEBV准确性差异不显著（P>0.05）;不同的性状对基因标记分型平台的选择存在差异,对于6周体重,使用基因芯片可获得更高的GEBV准确性（P<0.05）,对于剩余采食量,则使用简化基因组测序可获得更高的GEBV准确性（P<0.05）。综合6个性状GEBV均值比较,两个基因标记分型平台之间差异不到0.01,高通量测序技术和基因芯片技术都可以用于黄羽肉鸡基因组选择。     

基于GBLUP等模型对梅花鹿(Cervus Nippon)生长相关性状基因组选择的预测准确性比较

旨在基于GBLUP等模型对梅花鹿(Cervus Nippon)生长相关性状基因组选择的预测准确性进行比较。本研究以吉林某鹿场2014—2019年所产梅花鹿261只作为研究群体(公鹿96只,母鹿165只),对梅花鹿体重体尺等生长相关性状进行遗传力估计,并基于5-fold交叉验证方法对GBLUP、Bayes A、Bayes B、Bayes C、Bayes Lasso、RRBLUP六种基因组选择模型预测准确度进行了比较,以筛选出适合梅花鹿生长相关性状的基因组选择模型。结果发现：1)管围与臀端高的遗传力分别为0.43、0.50,属于高遗传力;体重、体高与体斜长的遗传力分别为0.22、0.30、0.27,属于中等遗传力;而胸围的遗传力为0.15,属于低遗传力;2)在GBLUP中,基因组选择预测的准确度与性状的遗传力呈正相关关系,而在Bayes类与RRBLUP法中并未表现明显正相关关系;3)在样本量较少的情况下,选取GBLUP作为基因组选择模型具有一定的优势;Bayes A可在低遗传力性状中作为首选;体重、体高、体斜长、管围、胸围、臀端高预测准确度最高的分别为GBLUP、Bayes B、Bayes...     

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。     

黄羽肉鸡IMF选择与遗传参数估计

利用家系选择的方法，对黄羽肉鸡90日龄胸肌肌内脂肪含量（IMF）进行了4个世代的选择；采用动物模型（样本数N=632～1084）和MTDFREML软件对部分肉质性状进行了遗传力（h^2）和遗传相关（r）估计。试验结果表明：经过4个世代的选择，G4代比G0代IMF含量提高了17．8％（P〈0．01），变异系数由29．59％降低到21．72％。胸肌IMF含量的估计遗传力h^2=0．220，4个世代的平均实现遗传力h^2=0．322，初步说明IMF含量为中等遗传力性状，可以通过选择提高。腹脂重、腹脂率、脂带宽、皮脂厚、冠高、冠厚、90日龄体重等性状的遗传力在0．08～0．54范围内，胸肌IMF、腿肌IMF与腹脂重等性状间呈遗传正相关。     

霉变饲料对黄羽肉鸡生长发育的影响

试验选用180只1日龄健康雌性黄羽肉鸡进行,基础日粮育雏一周后,随机分成6组,每组3个重复,每个重复10只鸡.第1组为对照组,饲喂基础日粮,第2、3、4、5、6组分别饲喂10%、20%、40%、60%、90%的霉变基础日粮.结果表明:饲喂不同浓度的霉变日粮均会造成仔鸡生长发育受阻并引起相应的病变,其中饲喂40%及以上霉变日粮饲喂组均使仔鸡的生长发育显著抑制或停滞(P＜0.05).     

黄羽肉鸡IGF-1基因与饲料报酬性状的关系研究

为了探讨胰岛素样生长因子-1(IGF-1)基因作为黄羽肉鸡饲料报酬分子标记的可行性,试验采用PCR-RFLP技术对394只黄羽矮小型肉鸡IGF-1基因的5’侧翼区进行遗传多态性分析。结果表明:IGF-1基因的5’侧翼区PCR扩增产物经HinfⅠ酶切后出现AA、AC和CC 3种基因型;经χ2检验,群体在该位点上处于Hardy-Weinberg平衡状态(P>0.05);不同基因型的最小二乘平均值分析发现,纯合基因型之间饲料报酬差异显著或极显著(P<0.05或P<0.01),AA基因型个体显著优于CC基因型个体,A为优势等位基因。     

2017-2018年黄羽肉鸡饲料营养研究进展

为更好地了解国内外黄羽肉鸡饲料营养的最新研究进展,经查阅并总结了2017-2018年关于黄羽肉鸡饲料营养的国内外文献,旨在为黄羽肉鸡安全、高效养殖提供技术参考。作者主要从黄羽肉鸡营养需要量、饲料添加剂应用技术研究、非常规饲料原料安全高效利用技术研究、饲料原料营养价值评定等几方面进行综述,并指出在黄羽肉鸡饲料营养的应用及研究中应关注以下内容:明确饲料原料中矿物元素、维生素的含量,减少维生素和矿物元素的资源浪费;中草药具有多糖、生物碱、皂甙和有机酸等多种活性成分,建议使用时应合理配伍制成多功能中药添加剂,使其对黄羽肉鸡生产性能、免疫功能等方面都有提高改善作用;益生菌添加剂是一种对黄羽肉鸡养殖有效、绿色环保的添加剂,其中芽孢杆菌和酵母效果较好,两种益生菌组合使用其效果更佳;改进植物性饲料原料的生产工艺以提高其利用率;开发新型的动物性蛋白原料,如蝇蛆和黑水虻等昆虫类动物性蛋白具有安全、绿色环保等优势,是新型动物性蛋白原料的优选。总之,中国的黄羽肉鸡高效养殖技术仍有待进一步的提高,建议完善黄羽肉鸡、种鸡饲养标准,开展更广泛的黄羽肉鸡饲料资源安全高效利用技术研究以及黄羽肉种鸡母体营养对后代肉鸡的影响及其机制。     

Comparison between Reduced-Representation Genome Sequencing and SNP Chip for Genomic Selection in Yellow-feathered Broiler

This study aimed to compare the accuracy of the genomic estimated breeding value (GEBV) using reduced-representation genome sequencing technology and SNP chip technology to implement genomic selection. A total of 395 individuals (212♂+ 183♀, from 8 half-sib families) were randomly selected from F₂ generation of AH broiler resource population, and genotyped with 10×specific-locus amplified fragment sequencing (SLAF-seq) and Illumina Chicken 60K SNP BeadChip. Genomic best linear unbiased prediction (GBLUP) and BayesCπ were used to compare the accuracy of genomic estimated breeding values (GEBV) for 6 traits: body weight at the 6^th week, body weight at the 12^th week, average daily gain (ADG), average daily feed intake (ADFI), feed conversion ratio (FCR) and residual feed intake (RFI). A 5-fold cross validation procedure was used to verify the accuracies of GEBV between prediction models and between genotyping platforms. The results showed that there was no significant difference between accuracies of GEBV predicted by GBLUP and BayesCπ using the same genotyping platform(P>0.05). The superiority of the two genotyping platforms was different for different traits. For body weight at the 6^th week, the accuracy of GEBV was higher using chip SNPs (P<0.05). On the contrary, the accuracy was higher using SLAF-seq for residual feed intake (P<0.05). Comprehensive comparison of the means of GEBV for 6 traits, the difference between the two genotyping platforms was less than 0.01, therefore, both high throughput sequencing and chip SNPs can be used for genomic selection in yellow-feathered broiler.     

Using Progeny Testing to Evaluate the Efficiency of Genomic Selection in Large White Pigs

This study aimed to evaluate the actual genetic improvement effect of genomic selection in Large White boars through progeny testing in production performance. Nine hundred and thirteen Large White pigs were used to construct a reference group, and 823 new-born Large White boars were used to implement the first genomic selection through ssGBLUP before castration. The second genomic selection were carried out after performance testing, then 10 boars with significant difference in production performance were selected and their offsprings were compared in phenotypic values, estimated breeding values of growth traits and selection index. The results showed that the accuracies of genomic prediction on age at 100 kg body weight, 100 kg backfat thickness and total number born increased from 0.56, 0.67 and 0.64 in the first genomic selection to 0.73, 0.73 and 0.67 in the second genomic selection, respectively. The correlation coefficient of maternal selection index between the two genomic selection before castration and after performance testing was 0.82, which indicated that the first genomic selection before castration was accurate enough to make early selection on boars. According to the genomic breeding values and maternal selection index of 10 selected boars, two groups with high and low production performance were set up. The progeny testing showed that the difference of average phenotypic value between groups was 2.58 days, and the difference of average evaluated breeding value(EBV) between groups was 3.08 days in age at 100 kg body weight, those were 1.15 mm and 1.03 mm in 100 kg backfat thickness, respectively, and the difference in the mean of the comprehensive maternal index was 9.3, all the differences(except age at 100 kg body weight) were extremely significant. This study prove that the offspring of boars with significant differences in genomic evaluation have significant differences in phenotypic values and breeding values, which indicate that, through genomic selection, excellent breeding boars can be selected and their genetic superiority can be passed to their offsprings.     

利用后裔测定验证大白猪基因组选择实施效果研究

旨在通过测定基因组选择选留的大白公猪的后裔生产性能,探究基因组选择实际育种效果。本研究选用913头大白猪构建参考群体,利用ssGBLUP对新出生的823头大白公猪在去势前进行第一次基因组评估,待生产性能测定后进行第二次基因组评估,最终选留10头性能差异显著的公猪留种,比较其后代生长性状表型和育种值及综合选择指数差异。结果表明,两次基因组遗传评估,达100 kg体重日龄、100 kg活体背膘厚和总产仔数3个性状基因组育种值（GEBV）估计准确性分别由0.56、0.67和0.64提高至0.73、0.73和0.67,两次基因组选择基因组母系指数相关系数为0.82,表明在去势前进行公猪基因组选择具有较高的准确性,可实现种猪早期选择。根据各性状GEBV和基因组母系指数,10头公猪被划分为高、低生产性能组,后裔测定成绩表明,两组公猪后代100 kg体重日龄表型均值之差为2.58 d,育种值之差为3.08 d,100 kg活体背膘厚表型均值之差为1.15 mm,育种值之差为1.03 mm,综合母系指数均值之差为9.3,除后代100 kg体重日龄表型均值之差外,其他差异均达到极显著水平。本研究证明,在基因组评估中具有显著差异的公猪其后代在表型值和育种值等方面均存在显著差异,通过基因组选择能够挑选出优秀种公猪,可将其遗传优势传递给后代。     

柞蚕饲料转化效率及相关性状的遗传分析

以柞蚕新品种582为研究对象,对柞蚕饲料转化效率及相关性状进行了遗传分析。结果表明：全茧量与雌性个体的茧重转化率呈极显著正相关,茧层率和消化率与雌性个体的茧重转化率呈极显著和显著负相关;茧层量和茧层率与雄性个体的茧重转化率呈显著和极显著负相关。通径分析表明,全茧量是影响雌性个体茧重转化率的第一要素,蛹体重是影响雄性个体茧重转化率的第一要素。     

提高猪饲料效率的测定与选择

为提高猪饲料效率的选择,本试验测定一些与猪饲料效率相关的生产性状并进行遗传评估。方法：测定60头军牧1号白猪后备公猪的采食量、体增重、背膘厚等生产性状,用猪剩余采食量（RFI）和饲料转化率（FCR）作为评价饲料效率的两个指标,并对其遗传参数进行评估。结果：测定期内军牧1号公猪群体FCR均值为2．61,RFI的标准差为77．52。RFI与FCR的遗传力分别是0．35、0．33,RFI与ADFI（日采食量）、ADG（日增重）、BF（背膘厚）的遗传相关分别是0．89、0．12、-0．05,FCR与ADFI、ADG、BF的遗传相关分别是0．55、-0．65、-0．11。结论：军牧1号白猪品种内饲料效率存在较大的遗传差异,由于RFI与ADG遗传相关很低,因此用RFI作为选择性状可有效提高猪的饲料效率。     

中国荷斯坦牛繁殖性状的基因组预测效果比较

旨在比较不同方法对中国荷斯坦牛繁殖性状的基因组预测效果,选择最佳的基因组预测方法及信息矩阵权重组合（τ和ω）用于实际育种。本研究利用北京地区33个牧场1998—2020年荷斯坦牛群繁殖记录,分析了3个重要繁殖性状：产犊至首次配种间隔（ICF）、青年牛配种次数（NSH）和成母牛配种次数（NSC）共98 483~197 764条表型数据。同时收集了8 718头母牛和3 477头公牛的基因芯片数据,根据具有芯片数据的牛群结构划分为公牛验证群和母牛验证群。随后,通过BLUPF90软件的AIREMLF90和BLUPF90模块利用最佳线性无偏预测（BLUP）、基因组最佳线性无偏预测（GBLUP）和一步法（ssGBLUP）对3个性状进行基因组预测,不同方法的预测效果根据准确性和无偏性来评估。结果表明,3个繁殖性状均为低遗传力性状（0.03~0.08）;ssGBLUP方法中,各性状信息矩阵的权重取值能够在一定程度上提升基因组预测的效果;ICF、NSH和NSC在母牛验证群下的最佳权重取值分别为：τ=1.3和ω=0,τ=0.5和ω=0.4以及τ=0.5和ω=0;在公牛验证群下最优权重组合分别为：τ=1.5和ω=0,τ=1.3和ω=0.8以及τ=0.5和ω=0;基于最佳权重的ssGBLUP方法准确性较BLUP和GBLUP方法准确性分别提升了0.10~0.39和0.08~0.15,且无偏性最接近于1。综上,使用最佳权重组合的ssGBLUP时,各性状基因组预测结果具有较高准确性和无偏性,建议作为中国荷斯坦牛繁殖性状基因组选择方法。