张金鑫¹, 唐韶青², 宋海亮¹, 高虹¹, 蒋尧¹, 江一凡¹, 弥世荣³, 孟庆利⁴, 于凡⁵, 肖炜², 云鹏², 张勤¹, 丁向东^,11 中国农业大学动物科技学院/畜禽育种国家工程实验室/农业部动物遗传育种与繁殖重点实验室,北京 100193
² 北京市畜牧总站,北京 100107
³ 北京六马养猪科技有限公司,北京 101308
⁴ 北京养猪育种中心,北京 100194
⁵ 北京顺鑫农业发展集团有限公司,北京 101300

Joint Genomic Selection of Yorkshire in Beijing

ZHANG JinXin¹, TANG ShaoQing², SONG HaiLiang¹, GAO Hong¹, JIANG Yao¹, JIANG YiFan¹, MI ShiRong³, MENG QingLi⁴, YU Fan⁵, XIAO Wei², YUN Peng², ZHANG Qing¹, DING XiangDong^{,1 1} Key Laboratory of Animal Genetics/Breeding and Reproduction of Ministry of Agriculture/National Engineering Laboratory for Animal Breeding/College of Animal Science and Technology, China Agricultural University, Beijing 100193
² The Beijing Municipal Animal Husbandry Station, Beijing 100107
³ Beijing Liuma Pig Breeding Co., Ltd., Beijing 101308
⁴ Beijing Pig Breeding Center, Beijing 100194
⁵ Beijing Shunxin Agricultural Co., Ltd., Beijing 101300

通讯作者: 丁向东,E-mail： xding@cau.edu.cn

责任编辑: 林鉴非
收稿日期:2018-09-3接受日期:2019-04-2网络出版日期:2019-06-16

基金资助:

国家生猪产业技术体系.CARS-35、北京市科技计划项目BAIC02-2016

Received:2018-09-3Accepted:2019-04-2Online:2019-06-16
作者简介 About authors
张金鑫,E-mail： 1599436449@qq.com。















摘要
【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。
关键词： 基因组选择;大白猪;联合育种;早期选择

Abstract
【Objective】In this study, the molecular breeding via genomic selection was carried out in the joint genomic evaluation on Yorkshire population in Beijing, predicting the breeding value of the new born boars and making selection, so as to improve the selection accuracy of breeding. 【Method】 An admixed population consisting of 4020 individuals from three Yorkshire breeding farms with different genetic background in Beijing was established as the reference group, and the reference animals were selected according to the performance testing records between 2007-2017 in those three pig farms. Three economic traits age at 100 kg (AGE), backfat thickness at 100 kg (BF) and total number born (TNB) were taken into account. The reference and candidate animals were genotyped with Illumina Porcine80K SNP chip. GEBV was estimated by single-step GBLUP (SSGBLUP) method which could make use of both pedigree information and genomic information. GEBVs of candidate boars on the growth traits and reproductive traits were predicted before castration and after performance testing, respectively. Afterwards, the elite candidates were selected according to their GEBVs. Meanwhile, the genetic connectedness among three pig farms was measured by connectedness rating.【Result】Our results showed that the genetic connectedness based on pedigree information among three Yorkshire breeding farms was too low to carry out traditional joint genetic evaluation. However,the genomic relationship coefficients of individuals between farms in G-matrix indicated that genetic links existed among different farms. The genomic selection could realize the joint genomic evaluation through establishing the genetic connectedness via genome-wide markers. A total of 1789 boars were genomic predicted.The accuracy of genomic prediction was largely improved, compared to traditional breeding methods. At the first time of implementing genomic selection or early selection (before the castration of boars), the accuracies of Pedigree Index (PI) for three traits, age at 100 kg (AGE), backfat thickness at 100 kg (BF) and total number born (TNB) were 0.55, 0.56 and 0.41, respectively. However, the accuracies of GEBV from genomic selection were increased to 0.65, 0.70 and 0.60 with improvement of 10, 14 and 19 percentage compared to PI selection, respectively. At the second time of implementing genomic selection (after performance testing), the accuracies of GEBV for AGE, BF and TNB were further increased to 0.78, 0.84 and 0.60, respectively, yielding 8, 12 and 19 percentage higher accuracy than EBV, respectively, in which the accuracies were 0.70, 0.72 and 0.41, respectively. The largest gain of genomic selection was on trait of TNB with low heritability. The early selection based on genomic selection had the same accuracy as traditional selection based on estimated breeding values calculated from performance testing, implying genomic selection could save breeding time and cost with keeping the same accuracy. The comparison of two implementations of genomic selection on 338 boars at different stage showed that the second genomic prediction after performance testing yielded higher accuracy, because the phenotypic records of these boars were also utilized. The accuracies of GEBV for AGE and BF were improved from 0.55, 0.62 to 0.72, 0.84 by increasing 17 and 22 percentage point, respectively. The unbiasedness coefficient was between 0.82 and 1.00, and the unbiasedness of GEBV on traits of AGE and BF were increased from 0.82 and 0.96 to 0.91 and 1.00, respectively. The lower unbiasedness of second genomic selection indicated that the reliability of selecting elite boars was higher.【Conclusion】 Genomic selection could establish genetic connectedness between different farms, enabling joint genetic evaluation which was not feasible in traditional breeding plausible and more breeding farms involved. Compared to traditional PI or EBV selection, genomic selection generated much higher accuracy, and the greatest improvement was obtained on the traits with low heritability. Genomic selection was useful to achieve early selection and to improve the breeding efficiency.
Keywords：genomic selection;Yorkshire;admixed population;joint breeding;early selection


PDF (1051KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
张金鑫, 唐韶青, 宋海亮, 高虹, 蒋尧, 江一凡, 弥世荣, 孟庆利, 于凡, 肖炜, 云鹏, 张勤, 丁向东. 北京地区大白猪基因组联合育种研究[J]. 中国农业科学, 2019, 52(12): 2161-2170 doi:10.3864/j.issn.0578-1752.2019.12.013
ZHANG JinXin, TANG ShaoQing, SONG HaiLiang, GAO Hong, JIANG Yao, JIANG YiFan, MI ShiRong, MENG QingLi, YU Fan, XIAO Wei, YUN Peng, ZHANG Qing, DING XiangDong. Joint Genomic Selection of Yorkshire in Beijing[J]. Scientia Acricultura Sinica, 2019, 52(12): 2161-2170 doi:10.3864/j.issn.0578-1752.2019.12.013

0 引言

【研究意义】养猪业是畜牧业的支柱产业,良种是生猪生产发展的基础。2010年我国《生猪遗传改良计划（2009-2020）》^[1]开始实施,总体目标是初步形成以联合育种为主要形式的生猪育种体系。猪联合育种实际上就是利用多个群体来构建大规模的育种核心群,对猪场进行跨场、跨区域甚至是全国性的联合评估,挑选出符合选育要求的优秀种公猪,在联合群体间共享,以达到共同利用优秀遗传资源的目的^[2]。联合育种的前提是建立稳定的场间遗传联系,自2010年生猪改良计划实施以来,我国场间关联率呈上升趋势,但场间遗传联系总体依然偏低,制约了全国性联合育种的开展^[3]。随着生物技术的发展,基因组选择已成为动植物育种领域的一个研究和应用热点^[4],在奶牛^[5]、猪^[6,7]、肉牛^[8]、鸡（家禽^[9]）、作物^[10,11]、林木^[12]和水产生物^[13,14]中开始大量研究和应用,是畜禽育种中继表型选择、育种值选择之后,具有重大应用前景的分子育种方式。如SCHAEFFER^[5]2006年提出基因组选择能够将奶牛世代间隔缩短至1.75年,大幅度提高了奶牛遗传进展。FORNI^[6]等人研究表明,基因组选择对低遗传力性状改良作用至关重要,如猪产仔数基因组选择准确性比传统BLUP选择准确性增加了68%。基因组选择同时为开展联合育种提供了新的解决方案^{[2, 15]}。【前人研究进展】常规的联合育种是基于系谱信息的,同一品种不同群体之间往往无法利用系谱构建亲缘关系矩阵,进行联合遗传评估。研究表明通过高密度SNP芯片,可以建立个体间基因组亲缘关系矩阵,实现通过系谱无法建立的不同群体间的遗传联系,从而扩大基因组遗传评估的参考群体,进而提高基因组选择准确性^[16]。我国种猪来源多样,构建遗传背景相同的基因组选择参考群难度较大。SONG等^[7]利用不同来源的大白猪群体构建基因组选择参考群,研究结果表明混合群体参考群可以提高基因组选择的准确性。【本研究切入点】由于多种原因,实施全国性的常规联合育种难度很大,而基因组选择可利用遗传背景不同群体组成的混合参考群,实行联合基因组遗传评估和联合育种,可成为未来我国猪育种发展的方向^[2,17]和尽快赶超国际种业发达国家的有效方法,因此研究和实施基因组联合育种对我国猪联合育种具有重要的理论和实践意义。【拟解决的关键问题】为探讨猪基因组联合育种的可行性,利用北京地区3家国家生猪核心育种场数据（由于缺乏场间联系,无法开展常规联合遗传评估）,构建大白猪基因组选择混合参考群,对3个场刚出生的大白公猪进行联合基因组遗传评估,实施早期选择,并评价基因组联合育种效果,为我国开展猪基因组联合育种提供依据。

1 材料与方法

试验于2017年11至2018年6月,在中国农业大学动物科技学院农业部动物遗传育种与繁殖重点实验室进行。

1.1 数据

1.1.1表型数据 本研究数据来源于北京地区3家国家生猪核心育种场,北京六马养猪科技有限公司（BJLM,简称北京六马）、北京养猪育种中心（BBSCB,简称养猪中心）和北京顺鑫农业发展集团有限公司（BJXD,简称顺鑫农业）,达100 kg体重日龄（age at 100 kg live weight , AGE）、100 kg活体背膘厚（backfat adjusted to 100 kg , BF）、总产仔数（total number born , TNB）等3个性状2007—2017年场内性能测定记录,其中繁殖记录为54888条,生长记录为78540条。

1.1.2基因型数据 参考群体：来自上述3个场的4020头大白猪组成基因组选择的参考群体,本研究样品利用天根血液基因组DNA提取试剂盒提取试验猪血样,个体基因型由Illumina公司Porcine SNP 80KBeadchip芯片SNP分型得到,共包含68528个SNP位点。对芯片数据进行如下质控处理：

（1）单个SNP的call rate要求达到90%以上;（2）个体的call rate达到90%以上;（3）SNP位点的最小等位基因频率不能低于0.05;（4）每个SNP位点哈代-温伯格平衡检验P值要大于10^-6质控筛选后,共有4020个个体、56490个SNP位点满足要求。芯片数据格式处理和质控填充分别利用plink^[18]、beagle^[19]软件完成。

候选群体：分批基因组预测北京六马、养猪中心和顺鑫农业3个育种场刚出生的大白公猪,共计1879头,其中338头公猪已完成性能测定。每头候选公猪DNA提取和SNP基因型测定及质控与参考群体相同。参考群体和候选群体信息见表1。

Table 1
表1
表1基因组联合育种大白猪参考群体和候选群体规模统计
Table 1Population size of reference and candidate population from three Yorkshire breeding farms in genomic joint breeding

群体类型 Population type	性状名称 Trait name	北京六马 LM	顺鑫农业 XD	养猪中心 ZX	总计 Total number
参考群体 Reference population	达100 kg体重日龄Age at 100 kg live weight	2260	874	886	4020
	达100 kg活体背膘厚Backfat adjusted to 100 kg	2260	874	886	4020
	总产仔数Total number born	1687	874	854	3415
候选公猪 Candidate population	--	979	259	641	1879

新窗口打开|下载CSV

1.2 方法

1.2.1场间关联率 本研究参照MATHUR^[20,21]方法,用达100 kg体重日龄数据,计算了3个大白猪群体间场间关联率。MATHUR^[21]将一个场的平均关联率定义为它与体系内其它所有场关联率的平均值,这个体系可以是几个场,也可以是几十个场。

1.2.2育种值估计(estimated breeding value, EBV) 本研究对各猪场大白猪达100 kg体重日龄、达100 kg活体背膘厚和总产仔数3个性状育种值分别进行估计,估计育种值采用最佳线性无偏预测法（best linear unbiased prediction, BLUP）。参照全国种猪遗传评估中心遗传评估模型（www.cnsge.org.cn）,生长性状采用双性状动物模型,固定效应为场年季性别;繁殖性状采用单性状重复力模型,固定效应为场年季效应,使用软件为GBS^[22,23]。

1.2.3基因组选择 本研究按图1开展基因组育种,利用构建的来自3个场的混合参考群体进行所有个体的基因组联合遗传评估,对候选公猪进行基因组选择。如图1所示,主要有3次选择（1）初选,淘汰有生理缺陷、弱小的猪只。从剩余公猪中挑选一部分个体作为候选公猪送测,进行芯片基因型检测;（2）第一次基因组选择或早期选择。根据候选公猪的各性状GEBV及基因组综合指数（大白猪采用基因组母系指数）进行二选,成绩优秀的公猪被选留,进行性能测定,此项工作在公猪去势前完成;（3）第二次基因组选择或终选,待性能测定结束以后,结合性能测定信息再次基因组联合遗传评估,计算各性状新的GEBV和基因组母系指数,对优秀个体进行终选留种。

图1

新窗口打开|下载原图ZIP|生成PPT
图1基因组选择实施流程

Fig. 1Workflow of Genomic selection



基因组选择的核心是基因组育种值估计。本研究采用一步法（Single-Step GBLUP,简称SSGBLUP）估计基因组育种值,反应变量选用校正表型Y_c,由育种值计算获得,具体细节参照SONG^[16],一步法能够同时利用基因组信息和系谱信息,构建包含A矩阵（根据系谱信息）和G矩阵（根据基因组信息）的H矩阵,以此来估计个体基因组育种值^[24,25]。其GEBV模型如下：

Y=Xb+Zg+e

其中Y为各性状校正表型值向量;b为场固定效应向量;g为加性遗传随机效应向量,服从正态分布N（0, Hσ²_g）,σ²_g为加性遗传方差,H阵为由基因型和无基因型个体构成的个体亲缘关系矩阵;e为随机残差效应向量,服从正态分布N（0, Iσ²_e）,σ²_e为残差方差;X和Z分别为b和g相应的结构矩阵。

1.2.4基因组选择准确性本研究采用准确性、无偏性和理论准确性评价基因组联合育种效果。

（1）准确性：由GEBV和候选公猪校正表型Yc之间线性相关系数计算得到r（Yc, GEBV）。

（2）无偏性：由校正表型Yc对GEBV的回归系数b衡量。b越接近1,表明此方法的无偏性越好。

（3）理论准确性：理论可靠性开方即为理论准确性。Henderson用理论可靠性来评价传统动物个体育种值估计的可靠性^[26],同样个体基因组育种值理论可靠性与传统育种值的可靠性相似^[27],可以通过如下公式计算出每个个体的EBV和GEBV理论可靠性：

REL_i=$\sqrt{\text{1 - SE}{{\text{P}}^{\text{2}}}\text{/ }\!\!\sigma\!\!\text{ }_{\text{g}}^{\text{2}}}$

其中,σ²_g加性遗传方差,SEP为个体的GEBV/EBV预测标准误。

2 结果

2.1 场间关联率

表2列出了3家核心育种场及分场的场间关联率。养猪中心（BBSCB）、北京六马(BJLM1,BJLM4,BJLM5,BJLM6)和顺鑫农业(BJXD1,BJXD2)3个场之间的遗传联系较差,彼此间都为0,说明从系谱上看不出3个场之间群体有遗传联系,但3个核心场内分场之间的关联性很好。

Table 2
表2
表2北京地区3家核心育种场大白猪场间关联率
Table 2Connectedness rating among three Yorkshire populations in Beijing

猪场编号Farm Code	BJXD1	BJXD2	BJLM1	BJLM6	BJLM4	BJLM5	BBSCB
BJXD1	1	--	--	--	--	--	--
BJXD2	0.602	1	--	--	--	--	--
BJLM1	0	0	1	--	--	--	--
BJLM6	0	0	0.649	1	--	--	--
BJLM4	0	0	0.874	0.727	1	--	--
BJLM5	0	0	0.681	0.692	0.76	1	--
BBSCB	0	0	0	0	0	0	1

新窗口打开|下载CSV

图2(a)进一步显示了北京六马和顺鑫农业两猪场间基于系谱建立的个体亲缘关系,结果表明,场间个体间亲缘关系都为0,由于两场从系谱上追踪不到共同的祖先存在,从基于系谱的A阵上无法建立两场间的联系。但基因组信息可以反映出个体间的亲缘关系,如图2（b）所示的基于基因组信息的G矩阵亲缘关系,不同群体间个体的基因组亲缘关系系数并不全都为0,有很多高于0.25甚至0.5。

图2

新窗口打开|下载原图ZIP|生成PPT
图2北京六马(LM)和顺鑫农业(XD)大白猪基于系谱和基因组信息的亲缘关系

a. A矩阵; b. G矩阵. 横坐标表示A矩阵、G矩阵个体对,纵坐标表示亲缘关系估计值
Fig.2Relationship of two Yorkshire populations based on different information

a. A matrix; b. G matrix. The vertical and horizontal axis in the graph stand for individual pairs of matrix & A or G matrix values, respectively

2.2 基因组选择准确性评价

2.2.1基因组选择准确性与无偏性 表3列出了338头已完成性能测定的候选公猪作为验证群体,评价基因组选择的准确性和无偏性。结果表明,第二次基因组选择由于加入了候选公猪的测定信息,两个生长性状达100kg体重日龄（Age）和100kg活体背膘厚(BF)的基因组选择准确性由第一次基因组选择的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。无偏性反映了基因组选择预测的偏差情况,无偏性值越接近1,表明预测的偏差越小。如表3所示,第二次基因组选择Age和BF两个性状无偏性分别为0.96和1.00,远好于第一次的0.82和0.91,表明终选时预测偏差更小,预测结果更为准确。

Table 3
表3
表3已有表型的候选公猪基因组预测准确性和无偏性
Table 3Accuracy and unbiasedness of genomic prediction

性状 Trait	选择阶段Selection stage	准确性Accuracy	无偏性Unbiasedness
达100 kg体重日龄 Age at 100 kg live weight	第一次基因组选择（公猪去势前） First genomic selection (before castrated)	0.55	0.82
	第二次基因组选择（性能测定结束） Second genomic selection (end of performance measurement)	0.72	0.96
100 kg活体背膘厚 Backfat adjusted to 100 kg	第一次基因组选择（公猪去势前） First genomic selection (before castrated)	0.62	0.91
	第二次基因组选择（性能测定结束） Second genomic selection (end of performance measurement)	0.84	1.00

新窗口打开|下载CSV

2.2.2 基因组育种值、系谱指数和育种值理论准确性比较 常规育种中依据系谱指数与育种值进行二选（公猪去势前）和终选（性能测定结束）,在基因组育种中则根据基因组育种值。表4分别列出了二选和终选时GEBV与系谱指数和EBV的理论准确性比较。为了验证通过基因组早期选种结果与性能测定后选种结果相比是否可靠,我们将候选公猪第一次和第二次基因组选择时的GEBV与其系谱指数（即利用父母信息对个体预测的结果）、有测定成绩后的EBV的理论准确性做了比较。结果显示,二选时,达100kg体重日龄、100kg活体背膘厚和总产仔数3个性状基因组选择的理论准确性高于系谱指数的理论准确性10,14和19个百分点;终选时,3个性状基因组选择的理论准确性高于EBV理论准确性8,12和19个百分点,低遗传力的繁殖性状提高幅度最大。生长性状基因组选择理论准确性标准差均小于系谱指数和EBV理论准确性标准差,基因组选择准确性波动范围小、精确度高。终选时EBV与二选时系谱指数相比,增加了候选公猪的性能测定信息,因此100kg体重日龄（Age）和100kg活体背膘厚EBV理论准确性分别高出系谱指数15和16个百分点,同样,两个性状第二次基因组选择的理论准确性比第一次增加了13和14个百分点。由于尚无总产仔数记录,因此EBV与系谱指数、两次基因组选择理论准确性相同。各性状利用测定信息与芯片信息估计的基因组育种值准确性均高于仅利用测定信息估计的育种值准确性。

表4不同选择阶段的公猪GEBV、系谱指数和EBV理论准确性

Table 4
表4
表4不同选择阶段的公猪GEBV、系谱指数和EBV理论准确性
Table 4The theoretical accuracy of GEBV, pedigree Index and EBV in different selection stages

选择阶段 Selection stage	选择标准 Selection criteria	达100 kg体重日龄 Age at 100 kg live weight	100 kg活体背膘厚 Backfat adjusted to 100 kg	总产仔数 Total number born
公猪去势前 Castration stage	基因组育种值Genomic estimated breeding value	0.65±0.04	0.70±0.03	0.60±0.04
	系谱指数 Pedigree index	0.55±0.03	0.56±0.04	0.41±0.05
测定结束 Performance testing	基因组育种值Genomic estimated breeding value	0.78±0.02	0.84±0.02	0.60±0.05
	育种值Estimated breeding value	0.70±0.04	0.72±0.04	0.41±0.05

Pedigree index: the estimated breeding value of an individual without measured achievement using parental information
系谱指数为个体无测定成绩时利用父母信息估计的育种值

新窗口打开|下载CSV

3 讨论

3.1 联合育种

联合育种是我国猪育种的方向,由于单个猪场育种群数量有限,联合育种能够扩大育种群规模,从而增大遗传变异、提高育种值估计准确性和加大选择强度,获得较大的遗传进展。场间遗传联系是联合育种的前提,完整的系谱登记是评价育种场之间遗传联系的基本依据。场间遗传联系实际上是两个猪场系谱间的联系,即可以追踪到共同祖先。MATHUR等^[20,21]利用加拿大育种数据进行分析,结果显示场间平均遗传联系大于等于3%时开展联合遗传评估效果较好,本研究中的三个大白群体由于来源不同,从系谱上无法建立起场间联系,各场间关联率为0（表2）,导致常规联合遗传评估无法开展,这在我国当前生猪遗传改良中普遍存在^[3]。虽然从系谱上无法找到这些大白猪之间的遗传联系,但是由于他们都发源于英系大白猪,不同品系间仍有着共同祖先的DNA印记,即使遗传背景不同仍然存在亲缘关系（图2）。本研究结果表明芯片信息相比系谱信息,能更真实的反映出个体间的亲缘关系,利用芯片信息能够建立起不同群体间的遗传联系。因此,基因组信息可以建立起不同群体间的场间联系,进而可以开展基因组联合遗传评估和联合育种。本研究利用北京地区三个遗传背景不同的大白猪群体,构建了混合参考群体,开展了基因组联合育种,不同阶段基因组选择准确性都高于相应的常规基于单场信息的系谱指数和育种值选择,表现出基因组联合育种的优势。因此,基因组选择为我国种猪联合育种提供了一条新途径。

3.2 混合群体效果及性能测定的重要性

参考群体规模^{[15, 28]}、性状遗传力^[29]、标记与QTL之间的连锁不平衡^[29,30]和标记密度等都是影响基因组选择准确性的因素。基因组育种值估计时利用的表型信息都来自于参考群,参考群规模直接影响着表型信息量的大小,因此扩大参考群体规模是提高基因组选择准确性的有效途径。直接扩大单个群体规模最为有效,合并来源不同的群体构建混合参考群体也是一个选择,这个在奶牛、肉牛的基因组选择中有诸多研究^[31,32,33]。LUND^[31]等利用合并不同国家荷斯坦公牛群体开展基因组选择,结果表明混合群体基因组选择准确性比单个群体基因组选择准确性提高了10个百分点,其中针对不同群体不同性状基因组准确性提高幅度在2%—19%之间。我国猪种遗传背景复杂多样,建立单一遗传背景的基因组参考群难度较大,混合群体的基因组选择对我国开展基因组联合育种具有现实意义。本研究构建的混合参考群对刚出生的小公猪实施基因组选择后,选择准确性大幅提高。早期选择时,达100kg体重日龄、100kg活体背膘厚和总产仔数的选择准确性由55%、56%和60%分别提高到65%、70%和60%。候选公猪性能测定结束后,由于增加了测定信息,达100kg体重日龄、100kg活体背膘厚两个性状基因组选择准确性进一步提高到78%和84%。同时本研究发现,常规的性能测定十分重要,达100 kg体重日龄、100 kg活体背膘厚EBV准确性远高于仅依赖父母信息的系谱指数准确性15和16个百分点,也高出第一次基因组选择（候选公猪无性能测定信息）的准确性5和2个百分点,表明个体的测定信息对提高育种值或基因组育种值估计准确性影响更大,因此坚持性能测定十分重要。

3.3 基因组早期选择

本研究结合我国当前生猪市场情况,主要对公猪进行了基因组选择应用,这一流程同样适用于母猪选择。研究结果表明,基因组选择可以很好的对公猪进行早期选择,公猪去势前进行的第一次基因组选择与终选时的EBV选择准确性相当,且相关很高,表明第一次基因组选择的个体与常规育种选择个体排序基本一致,基因组早期选择可以达到常规育种性能测定结束时的效果。综合指数结果排名前20的个体,早期选择时基因组母系指数与传统母系指数秩相关0.6、终选时基因组母系指数与传统母系指数秩相关0.62。两者相关较高,说明传统母系指数排名靠前的个体,其基因组母系指数排名也很靠前,两者排序一致性好,对优秀个体有着较高的选择准确性。同时,利用基因组选择,可以对公猪有针对的提前去势淘汰,减少后期常规测定的繁琐工作量及测定成本。本研究也表明,基因组选择对低遗传力性状总产仔数准确性提高幅度最大,这与其他研究相同^{[6, 34]},另外,基因组选择对屠宰性状和难以测定的肉质性状^[35,36]更具有无法比拟的优势。

3.4 一步法估计基因组育种值优势

基因组育种值估计是基因组选择的核心,人们提出了一系列方法估计GEBV,按基因组育种值估计思路大致可分为两类：一类是间接法,通过估计等位基因的效应值来预测GEBV,即根据参考群体估计出每一个SNP等位基因或不同染色体片段的效应值,再根据相应的基因型预测候选个体GEBV,主要有RRBLUP和基于贝叶斯的一些列方法BayesA^[15]、BayesB^[15]、BayesC、BayesCpi、BayesR和BayesLasso^[37,38]等。另一类是直接法,像传统的BLUP方法那样,通过基于个体亲缘关系矩阵预测GEBV,利用个体基因型信息计算基于基因组信息的个体亲缘关系G阵,替代传统方法基于系谱构建的A阵,直接估计所有个体GEBV^[39]（这一方法为GBLUP方法）或者将G矩阵与A矩阵共同合成一个H矩阵,来估计个体GEBV的一步法（sing step GBLUP, SSGBLUP）。该方法利用系谱信息、性能测定信息和基因组信息,能对所有个体进行基因组遗传评估,准确性最高^{[24, 40]}。实际育种中,只有一小部分猪有芯片基因型信息,大部分猪只有表型测定信息,一步法模型通过基因型-系谱合并矩阵做到了常规育种与分子育种的有机结合,利用一步法进行个体的联合遗传评估将成为猪遗传评估的趋势。我国的联合育种工作应该逐步深化,将基因组选择技术与常规遗传评估相结合,逐步实现全国性的基因组联合遗传评估和基因组联合育种,推动我国生猪遗传改良计划升级。

4 结论

利用混合群体参考群开展北京地区基因组联合育种研究,结果表明北京地区三家核心场场间关联率偏低,无法开展传统联合遗传评估,但通过基因组选择能够开展基因组联合评估,实行基因组联合育种。基因组选择的准确性高于传统的系谱指数和育种值选种,低遗传力性状提高幅度最大,能够实现早期选择,提高育种效益。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] 彭中镇 . 《全国生猪遗传改良计划》解读及实施中有关问题的讨论(续完)
.猪业科学, 2011(10):106-108.
URL [本文引用: 1]

PENG Z Z . Discussion on the relevant issues in the interpretation and implementation of the "National Swine Improvement Program"(Continued)
Swine Industry Science , 2011(10):106-108.(in Chinese)
URL [本文引用: 1]

[2] 张勤, 丁向东, 陈瑶生 . 种猪遗传评估技术研发与评估系统应用
中国畜牧杂志, 2015,51(8):61-65.
URL [本文引用: 3]

ZHANG Q, DING X D, CHEN Y S . Development and application of swine genetic evaluation system in China
Chinese Journal of Animal Science, 2015,51(8):61-65.(in Chinese)
URL [本文引用: 3]

[3] 张金鑫, 张锁宇, 邱小田, 高虹, 王长存, 王源, 张勤, 王志刚, 杨红杰, 丁向东 . 我国杜洛克、长白和大白猪场间遗传联系分析
畜牧兽医学报, 2017,48(09):1591-1601.
URL [本文引用: 2]

ZHANG J X, ZHANG S Y, QIU X T, GAO H, WANG C C, WANG Y, ZHANG Q, WANG Z G, YANG H J, DING X D . The genetic connectedness of Duroc, Landrace and Yorkshire pigs in China
ActaVeterinaria et ZootechnicaSinica, 2017,48(9):1591-1601.(in Chinese)
URL [本文引用: 2]

[4] 张哲, 张勤, 丁向东 . 畜禽基因组选择研究进展. 2011,56(26):2212-2222.
[本文引用: 1]

ZHANG Z, ZHANG Q, DING X D . Advances in genomic selection in domestic animals
Chinese Sci Bull, 2011,56(26):2212-2222.(in Chinese)
[本文引用: 1]

[5] SCHAEFFER L R . Strategy for applying genome-wide selection in dairy cattle
Journal of Animal Breeding and Genetics, 2006,123(4):381-391.
[本文引用: 2]

[6] FORNI S, AGUILAR I, MISZTAL I. Genomic relationships and biases in the evaluation of sow litter size
2010: Liepzig, Germany. 2-6.
[本文引用: 3]

[7] SONG H L, ZHANG J X, JIANG Y, GAO H, TANG S Q, MI S R, YU F, MENG Q L, XIAO W, ZHANG Q, DING X D . Genomic prediction for growth and reproduction traits in pig using an admixed reference population
Journal of Animal Science, 2017,95(8):3415-3424.
[本文引用: 2]

[8] SAATCHI M, MCCLURE M C, MCKAY S D, ROLF M M, KIM J, DECKER J E, TAXIS T M, CGAPPLE R H, RAMEY H R, NORTHCUTT S L, BAUCK S, WOODWARD B, DEKKERS J C, FERNANDO R L, SCHNABEL R D, GARRICK D J . Accuracies of genomic breeding values in American Angus beef cattle using K-means clustering for cross-validation
Genetics Selection Evolution, 2011,43(1):40-43.
DOI:10.1186/1297-9686-43-40URL [本文引用: 1]

[9] LONG N, GIANOLA D, ROSA GJ, WEIGEL K A, AVENDANO S . Machine learning classification procedure for selecting SNPs in genomic selection: Application to Early Mortality in Broilers
Journal of Animal Breeding and Genetics, 2007,124(6):377-389.
DOI:10.1111/j.1439-0388.2007.00694.xURL [本文引用: 1]

[10] RIEDELSHEIMER C, CZEDIKEYSENBERG A, GRIEDER C, LISEC J, TECHNOW F, SULPICE R, ALTMANN T, STITT M, WILLMITZER L, MELCHINGER A E . Genomic and metabolic prediction of complex heterotic traits in hybrid maize
Nature Genetics, 2012,44(2):217-220.
DOI:10.1038/ng.1033URL [本文引用: 1]

[11] GUO T T, LI H H, YAN J B, TANG J H, LI J S, ZHANG Z W, ZHANG L Y, WANG J K . Performance prediction of F1 hybrids between recombinant inbred lines derived from two elite maize inbred lines
Theoretical and Applied Genetics, 2013,126(1):189-201.
DOI:10.1007/s00122-012-1973-9URL [本文引用: 1]

[12] 郭亮虎, 逯腊虎, 张婷, 史晓芳, 袁凯, 王镇, 杨三维 . 植物全基因组选择育种研究进展与前景
山西农业科学, 2015,43(11):1558-1562.
URL [本文引用: 1]

GUO L H, LU L H, ZHANG T, SHI X F, YUAN K, WANG Z, YANG S W . Research Progress and Prospects of Genome-wide Selection Breeding in Plants
Journal of Shanxi Agricultural Sciences. 2015,43(11):1558-1562.(in Chinese)
URL [本文引用: 1]

[13] GUTIERREZ A P . Genomic selection for improvement of Atlantic salmon aquaculture: [Doctor of Philosophy]
University ofConcepcionDepartment of Molecular Biology and Biochemistry Faculty of Science, 2015.
[本文引用: 1]

[14] 张璐 . 全基因组选择在栉孔扇贝育种中的应用
[D], 青岛:中国海洋大学, 2015.
[本文引用: 1]

ZHANG L . Application of genome selection in breeding of Zhikong Scallop (Chlamysfarreri):
[D]. Qingdao: OceanUniversity of China, 2015.(in Chinese)
[本文引用: 1]

[15] MEUWISSEN T HE, HAYES B J, GODDARD M E . Prediction of total genetic value using genome-wide dense marker maps
. Genetics, 2001,157(4):1819-1829.
[本文引用: 4]

[16] SAMORE A B, FONTANESI L . Genomic selection in pigs: state of the art and perspectives
Italian Journal of Animal Science, 2016,15(2):211-232.
DOI:10.1080/1828051X.2016.1172034URL [本文引用: 2]

[17] 周磊, 杨华威, 赵祖凯, 杨红杰, 刘剑锋 . 基因组选择在我国种猪育种中应用的探讨
中国畜牧杂志, 2018,54(3):4-8.
URL [本文引用: 1]

ZHOU L, YANG H W, ZHAO Z K, YANG H J, LIU J F . The Application of Genomic Selection in Chinese Pig Breeding Industry
Chinese Journal of Animal Science. 2018,54(3):4-8.(in Chinese)
URL [本文引用: 1]

[18] CHANG C C, CHOW C C, TELLIER L C, VATTIKUTI S, PURCELL S M, LEE J J . Second-Generation PLINK: Rising to the challenge of larger and richer datasets
GigaScience, 2015,4(1):4-7.
[本文引用: 1]

[19] BROWNING B L, BROWNING S R . A unified approach to genotype imputation and haplotype-phase inference for large data sets of trios and unrelated individuals
American Journal of Human Genetics, 2009,84(2):210-223.
DOI:10.1016/j.ajhg.2009.01.005URL [本文引用: 1]

[20] MATHUR P K, SSLLIVAN B P, CHESNAIS J P . Measuring connectedness: concept and application to a large industry breeding program
Ottawa, Canada: Canadian Centre for Swine Improvement, 2002.
[本文引用: 2]

[21] MAYHUR P K, SULLIVAN B, CHESNAIS J . Estimation of the degree of connectedness between herds or management groups in the Canadian swine population
Ottawa, Canada: Canadian Centre for Swine Improvement, 1999.
[本文引用: 3]

[22] 张越, 杨宇泽, 张金鑫, 张锁宇, 邱小田, 唐韶青, 丁向东 . DMU、GBS和Herdsman 3个软件育种值估计的比较
中国畜牧杂志, 2017,53(7):29-35.
URL [本文引用: 1]

ZHANG Y, YANG Y Z, ZHANG J X, ZHANG S Y, QIU X T, TANG S Q, DING X D . Comparison of Breeding Value Estimation by DMU,GBS and Herdsman
Chinese Journal of Animal Science, 2017,53(7):29-35.(in Chinese)
URL [本文引用: 1]

[23] 白俊艳, 杨又兵, 李广录 . GBS育种分析系统在家畜育种学实验教学中的应用
畜牧与饲料科学, 2018,39(03):97-100.
URL [本文引用: 1]

BAI J Y, YANG Y B, LI G L . Application of GBS Breeding Analysis System in the Teaching of Livestock Breeding
Animal Husbandry and Feed Science, 2018,39(03):97-100.(in Chinese)
URL [本文引用: 1]

[24] CHRISTENSEN O F, LUND M S . Genomic prediction when some animals are not genotyped
Genetics Selection Evolution, 2010,42(1):2.
DOI:10.1186/1297-9686-42-2 [本文引用: 2]

[25] CHRISTENSEN O F, MADSEN P, NIELSEN B, OSTERSEN T, SU G . Single-step methods for genomic evaluation in pigs
Animal, 2012,6(10):1565-1571.
DOI:10.1017/S1751731112000742URL [本文引用: 1]

[26] HENDERSON C R . Best linear unbiased estimation and prediction under a selection model
Biometrics, 1975,31(2):423-447.
DOI:10.2307/2529430URL [本文引用: 1]

[27] BALOCHE G, LEGARRA A, SALLE G, LARROQUE H, ASTRUC J M, ROBERT-GRANIE C, BARILLET F . Assessment of accuracy of genomic prediction for French Lacaune dairy sheep
Journal of Dairy Science, 2014,97(2):1107-1116.
DOI:10.3168/jds.2013-7135URL [本文引用: 1]

[28] ZHONG S Q, DEKKERS J C, FERNANDO R L, JANNINK J L . Factors affecting accuracy from genomic selection in populations derived from multiple inbred lines: a barley case study
Genetics, 2009,182(1):355-364.
DOI:10.1534/genetics.108.098277URL [本文引用: 1]

[29] MEUWISSEN T H . Accuracy of breeding values of ‘unrelated’ individuals predicted by dense SNP genotyping
Genetics Selection Evolution, 2009: 35-41.
[本文引用: 2]

[30] CALUS M P, MEUWISSEN T H ,DE ROOS A P W, VEERKAMP R F. Accuracy of genomic selection using different methods to define haplotypes
Genetics, 2008,178(1):553-561.
DOI:10.1534/genetics.107.080838URL [本文引用: 1]

[31] LUND M S ,ROOS A P D, VRIES A G D, DRUET T, DUCROCQ V, FRITZ S, GUILLAUME F, GULDRANDSEN B, LIU Z, REENTS R, SCHROOTEN C, SEEFRIED F, SU G S. A common reference population from four europeanholstein populations increases reliability of genomic predictions
Genetics Selection Evolution, 2011,43(1):43-51.
DOI:10.1186/1297-9686-43-43 [本文引用: 2]

[32] BEN J H, PHILLIP J B, AMANDA C C, VERBYLA K, GODDARD M E . Accuracy of genomic breeding values in multi-breed dairy cattle populations
Genetics Selection Evolution, 2009: 41-51.
[本文引用: 1]

[33] WEBER K L, THALLMAN R M, KEELE J W, SNELLING W M, BENNETT G L ,SMITH T P L, MCDANELD T G, ALLAN M F, EENENNAAM A L V, KUEHN L A. Accuracy of genomic breeding values in multibreed beef cattle populations derived from deregressed breeding values and phenotypes
Journal of Animal Science, 2012,90(12):4177-4190.
DOI:10.2527/jas.2011-4586URL [本文引用: 1]

[34] GUO X, CHRISTENSEN O F, OSTERSEN T, WANG Y, LUND M S, SU G . Improving genetic evaluation of litter size and piglet mortality for both genotyped and nongenotyped individuals using a single-step method
Journal of Animal Science, 2015,93(2):503-512.
DOI:10.2527/jas.2014-8331URL [本文引用: 1]

[35] MIAR Y, PLASTOW G S, BRUCE H L , KEMP B . Genomic selection of pork pH in purebred pigs for crossbred performance
2014: VancouverBC,Canada.
[本文引用: 1]

[36] OU Z, TEMPELMAN R J, STEIBEL J P, ERNST C W, BATES R O, BELLO N M . Genomic prediction accounting for residual heteroskedasticity
. G3-Genes Genomes Genetics, 2015(6):1-13.
[本文引用: 1]

[37] YI N, XU S . Bayesian LASSO for quantitative trait loci mapping
Genetics, 2008,179(2):1045-1055.
DOI:10.1534/genetics.107.085589URL [本文引用: 1]

[38] 朱波, 王延晖, 牛红, 陈燕, 张路培, 高会江, 高雪, 李俊雅, 孙少华 . 畜禽基因组选择中贝叶斯方法及其参数优化策略
中国农业科学, 2014,47(22):4495-4505.
URL [本文引用: 1]

ZHU B, WANG Y H, NIU H, CHEN Y, ZHANG L P, GAO H J, GAO X, LI J Y, SUN S H . The Strategy of Parameter Optimization of Bayesian Methods for Genomic Selection in Livestock
ScientiaAgriculturaSinica, 2014,47(22):4495-4505.(in Chinese)
URL [本文引用: 1]

[39] VANRADEN P M . Efficient Methods to Compute Genomic Predictions
Journal of Dairy Science, 2008,91(11):4414-4423.
DOI:10.3168/jds.2007-0980URL [本文引用: 1]

[40] AGUILAR I, MISZTAL I, JOHNSON D L, LEGARRA A, TSURUTA S, LAWLOR T J . Hot Topic: A unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score1
Journal of Dairy Science, 2010,93(2):743-752.
DOI:10.3168/jds.2009-2730URL [本文引用: 1]