删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

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

本站小编 Free考研考试/2021-12-26

朱墨,1,2, 郑麦青2, 崔焕先2, 赵桂苹,2, 刘杨,11南京农业大学动物科技学院动物繁育系,南京 210095
2中国农业科学院北京畜牧兽医研究所/动物营养学国家重点实验室,北京 100193

Comparison of Genomic Prediction Accuracy for Meat Type Chicken Carcass Traits Based on GBLUP and BayesB Method

ZHU Mo,1,2, ZHENG MaiQing2, CUI HuanXian2, ZHAO GuiPing,2, LIU Yang,11Department of Animal Genetics, Breeding and Reproduction, College of Animal Science and Technology, Nanjing Agricultural University, Nanjing 210095
2State Key Laboratory of Animal Nutrition/Institute of Animal Sciences, Chinese Academy of Agricultural Sciences, Beijing 100193

通讯作者: 刘杨,E-mail: yangliu@njau.edu.cn 赵桂苹,E-mail: zhaoguiping@caas.cn

责任编辑: 林鉴非
收稿日期:2020-11-10接受日期:2021-04-7
基金资助:中国农业科学院基本科研业务费(Y2020PT02)
农业农村部都市农业重点实验室开放课题(UA201909)


Received:2020-11-10Accepted:2021-04-7
作者简介 About authors
朱墨,E-mail: 2018105017@njau.edu.cn







摘要
【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。
关键词: ;基因组选择;世代验证;准确性

Abstract
【Objective】 Predicting the breeding value is the core content of livestock breeding and the accurate predicting of breeding value is an important approach to improve the selection accuracy of breeding. Carcass traits are economic important traits for broilers. However, carcass traits can only be measured postmortem. Genomic selection may be a powerful tool because of its accurate prediction of breeding values of animals without own phenotypic information. At present, there are few reports on genomic selection on carcass traits for broilers. The purpose of this study was to compare the accuracy of genomic prediction of broiler carcass traits by using GBLUP and BayesB method. 【Method】 This study investigated the efficiency of genomic prediction in a white-feathered broiler population, which was collected from 3 362 white-feathered broilers. Five carcass traits, including breast muscle rate (BrR), breast muscle weight (BrW), carcass weight (CW), thigh muscle rate (ThR) and thigh muscle weight (ThW) were taken into account. All the individuals were genotyped with “IASCHICK” chicken 55 K SNP array. PLINK software was used for the quality control of genotype data. GBLUP and BayesB method were implemented with ASReml and hibayes package in R software, respectively. Generation validation were utilized to evaluate the accuracy of genomic prediction for twenty replicates for each trait.【Result】The results showed that the accuracy of genomic selection was almost positively correlated with the heritability of each trait. The validation results indicated that the prediction accuracy of BrR was the highest with GBLUP method, and the accuracies of BrR, BrW, CW, ThR and ThW were 0.3262, 0.2871, 0.2780, 0.2153, and 0.2126, respectively. Meanwhile, the accuracy of BrR was the highest with BayesB method, and the accuracies of BrR, BrW, CW, ThR and ThW were 0.3765, 0.2257, 0.1376, 0.2525, and 0.2844, respectively. The results showed that the prediction accuracy of BayesB method was slightly higher than that of GBLUP method. It took about 1 h and 7 h for GBLUP and BayesB method, respectively, to carry out the calculating procedure for one trait. 【Conclusion】 In conclusion, the prediction accuracy of BrR, ThR and ThW with BayesB method was higher than that with GBLUP method, while the prediction accuracy of BrW and CW with GBLUP method was higher than that with BayesB method. However, the calculating time for BayesB method was longer than that for GBLUP method. In breeding practice, the balance of prediction accuracy and computational efficiency should be comprehensively considered to predict the genomic estimated breeding value.
Keywords:chicken;genomic selection;generation validation;accuracy


PDF (429KB)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
朱墨, 郑麦青, 崔焕先, 赵桂苹, 刘杨. 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. 中国农业科学, 2021, 54(23): 5125-5131 doi:10.3864/j.issn.0578-1752.2021.23.016
ZHU Mo, ZHENG MaiQing, CUI HuanXian, ZHAO GuiPing, LIU Yang. Comparison of Genomic Prediction Accuracy for Meat Type Chicken Carcass Traits Based on GBLUP and BayesB Method. Scientia Acricultura Sinica, 2021, 54(23): 5125-5131 doi:10.3864/j.issn.0578-1752.2021.23.016


开放科学(资源服务)标识码(OSID):

0 引言

【研究意义】畜禽的重要经济性状大多是遗传结构复杂的数量性状。常规的畜禽育种工作中,利用性状的表型记录值和系谱信息来计算个体之间的亲缘关系,通过最佳线性无偏预测(best linear unbiased prediction, BLUP)进行个体育种值(estimated breeding value, EBV)的估计,然后再进行排序、选择[1]。随着分子遗传学的发展,微卫星、限制性片段长度多态性(restriction fragment length polymorphism, RFLP)、单核苷酸多态性(single nucleotide polymorphism, SNP)等分子标记被开发出来,并用于动物育种,称为标记辅助选择(maker assisted selection, MAS)[2]。然而,畜禽的大部分重要经济性状受微效多基因控制,少数的几个标记解释的遗传变异十分有限,限制了标记辅助选择在畜禽育种中的应用[3]。2001年,MEUWISSEN等提出了基因组选择的概念[4],其核心思想是利用覆盖全基因组的标记进行基因组育种值估计,结合表型记录和系谱信息进行选择。相比标记辅助选择,基因组选择利用了覆盖全基因组的标记,可以更好地解释表型变异[5,6]。基因组育种值估计是基因组选择的核心内容。根据使用的统计模型的不同,可以将基因组育种值的计算模型分为直接法和间接法,直接法模型利用参考群体和预测群体的标记信息构建个体间的亲缘关系矩阵,并将关系矩阵代入混合模型方程组,通过求解混合模型方程组的方式获得个体的基因组育种值,如GBLUP[7]、SSGBLUP[8]等方法;间接法模型利用参考群体估计标记效应,在预测群体中将标记效应累加,进而直接获得个体的基因组育种值,间接法模型的代表主要是贝叶斯类模型,MEUWISSEN在提出基因组选择理论的同时也提出了两种贝叶斯方法:BayesA[4]和BayesB[4],随后,一系列改进的贝叶斯法,如BayesC[9]、BayesCπ[9]、BayesDπ[9]和BayesLASSO[10]等陆续被提了出来。【前人研究进展】作为重要的农业动物,鸡的基因组草图于2004年率先发布[11]。随后,鸡的60 K和600 K芯片相继开发问世[12]。中国农业大学和中国农业科学院也推出了适合我国地方品种蛋鸡50 K和肉鸡55 K芯片[13],极大地促进了基因组选择技术在家禽上的应用。ZHANG等利用BLUP、GBLUP和BLUP|GA对中国地方鸡生长和屠宰性状的基因组育种值预测,结果发现,BLUP|GA的表现最佳[14]。LIU等在三黄鸡的生长和屠宰性状的研究中发现,在GBLUP、BayesLASSO和BayesMix4模型之间并没有显著的差异[15]。WOLC等在对蛋壳质量的基因组选择研究中发现,多性状的一步法模型的表现最优[16]。【本研究切入点】屠宰性状是肉鸡的重要经济性状。但是,屠宰性状不能直接活体测量,只能在肉鸡屠宰后才能测量,或者通过间接测量其他性状的手段测量。使用间接测量的表型数据进行育种值的估计,会导致估计的结果不够准确,进而影响到个体的准确选择。近些年来,已经出现了许多关于肉鸡的基因组选择研究,但是,关于屠宰性状基因组选择研究鲜有报道[17,18,19]。【拟解决的关键问题】在家禽育种中,基因组选择主要是为了提高育种值估计的准确性。本研究为探讨肉鸡屠宰性状基因组选择的准确性,基于不同的模型和假设估计白羽肉鸡屠宰性状的基因组估计育种值(genomic estimated breeding value, GEBV),采用世代验证的方法评估预测结果的准确性,第5、6世代作为参考群,第7世代作为验证群,为白羽肉鸡的育种中育种值估计的策略提供依据。

1 材料与方法

1.1 试验动物

试验动物群体来自广东新广农牧股份有限公司的白羽肉鸡祖代父系群体(B系)第5到7世代,共计3 362只,来源于227只公鸡和1 305只母鸡的后代。在42日龄时屠宰,记录胸肌重(breast muscle weight, BrW)、屠体重(carcass weight, CW)、腿肌重(thigh muscle weight, ThW),计算胸肌率(breast muscle rate, BrR)、腿肌率(thigh muscle rate, ThR)。对表型数据进行预处理,删除表型的缺失值和异常值(平均值±3倍标准差)。利用R语言中的GLM函数校正表型数据的世代、性别和批次效应。以上5个性状的描述性统计量见表1

Table 1
表1
表1各屠宰性状的描述性统计
Table 1Descriptive statistics for each carcass trait
性状
Trait
个体数
Count
最小值
Minimum
最大值
Maximum
平均值
Mean
标准差
Standard deviation
变异系数
Coefficient of variation (%)
胸肌率BrR (%)240915.3426.7920.971.909.05
胸肌重BrW (g)2409220.20686.40434.8486.3419.86
屠体重CW (g)24211165.202650.001879.51268.1814.27
腿肌率ThR (%)240518.5026.7222.511.295.71
腿肌重ThW (g)2405242.80691.60464.5374.7316.09

新窗口打开|下载CSV

1.2 基因型数据的获取与质控

1.2.1 基因组DNA的提取及分型 采用常规酚-氯仿抽提法提取血样基因组DNA,使用NanoDrop 2000核酸分析仪检测DNA的浓度和质量。质检合格后的DNA样品送至北京康普森生物技术有限公司,使用与中国农业科学院北京畜牧兽医研究所联合研发的“京芯一号”鸡 55 K SNP芯片进行基因分型 [13]

1.2.2 基因型数据的质控 采用PLINK (V1.90) 软件对芯片的基因型数据进行质量控制[20]。质量控制的条件如下:1)保留样本检出率大于90%的个体;2)保留SNP检出率大于90%的位点;3)保留次要等位基因频率大于5%的SNP位点。芯片经过质控后,保留3 314个样本和42 104个SNP用于后续分析。

1.3 基因组选择的统计模型

1.3.1 GBLUP模型

y=Xb+Zu+e

式中,y是性状的表型值向量;b是固定效应的向量;u是加性遗传效应向量,服从正态分布:u~N (0,Gσ2 u);e是随机残差效应向量,服从正态分布:e~N(0,Iσ2 e);XZ分别为对应的设计矩阵。

1.3.2 BayesB模型

$y=Xb+\sum^{m}_{i=1} Z_{i}g_{i}+e$

式中,y是性状的表型值向量;b是固定效应的向量;Zi是第i个位点的基因型(0/1/2);gi是第i个位点的效应值;e是随机残差效应向量;X是对应的设计矩阵。BayesB 方法引入了一个SNP效应指示变量π,假设大部分无效应(比例为π),只有一小部分标记有效应(比例为1-π),且这一部分有效应的方差服从逆卡方分布[4]。本研究中,使用基于 R 语言的 BGLR 包进行 BayesB 预测,设置蒙特卡洛马尔科夫链(Markov chain monte carlo, MCMC)长为20 000,burn in为10 000,π 值为0.95。

1.4 基因组选择准确性的分析方法

本研究采用世代验证法来评估基因组选择的准确性。采用第5和6世代的群体作为参考群体,第7世代的群体作为验证群体。本研究使用基因组估计育种值(GEBV)与校正了世代、性别、批次后的表型(y*)的皮尔逊相关系数作为基因组选择准确性的评价指标。本研究中,对每个性状的验证进行20个重复。

2 结果

2.1 白羽肉鸡B系屠体性状的遗传力估计

胸肌率、胸肌重、屠体重、腿肌率和腿肌重的描述性统计量汇总于表1。分别使用基于系谱构建的亲缘关系A矩阵和基于全基因组SNP信息构建的亲缘关系G矩阵,采用平均信息约束最大似然算法(average information restricted maximum likelihood, AIREML)估计加性遗传方差和残差方差,本研究中的方差组分使用ASReml 4.1.0 软件进行估计[21]。基于系谱构建的A阵估计BrR、BrW、CW、ThR和ThW的遗传力均高于基于基因组SNP信息构建的G阵估计BrR、BrW、CW、ThR和ThW的遗传力。各性状的遗传力估计结果见表2

Table 2
表2
表2各屠宰性状的遗传力估计
Table 2Results of heritability for each carcass trait
性状
Trait
遗传力(标准误) Heritability (SE)
系谱亲缘关系
Pedigree relationship
全基因组亲缘关系
Genomic relationship
BrR0.40 (0.05)0.37 (0.03)
BrW0.34 (0.05)0.26 (0.03)
CW0.35 (0.05)0.20 (0.03)
ThR0.25 (0.05)0.18 (0.03)
ThW0.31 (0.05)0.18 (0.03)

新窗口打开|下载CSV

2.2 白羽肉鸡B系屠宰性状基因组选择不同模型间比较

2.2.1 白羽肉鸡B系胸肌率、胸肌重的世代验证 采用世代验证法,使用 GBLUP 和 BayesB 方法对 BrR 和 BrW 进行基因组预测分析,采用GEBV与y*的皮尔逊相关系数作为基因组选择准确性的评价指标。两种方法对 BrR 的预测准确性分别为0.3262、0.3765。两种方法对 BrW 的预测准确性分别为0.2871、0.2257。准确性的结果见表3。由结果可以看出,在对 BrR 的基因组育种值估计准确性上,BayesB 方法估计的准确性要高于 GBLUP 方法估计的准确性;而在对BrW 的基因组育种值估计准确性上,GBLUP 方法估计的准确性要高于 BayesB 方法估计的准确性。

Table 3
表3
表3各屠宰性状基于GBLUP和BayesB方法的世代验证结果
Table 3Results of generation validation based on GBLUP and BayesB method for each carcass trait
性状
Trait
准确性Accuracy
GBLUPBayesB
BrR0.32620.3765
BrW0.28710.2257
CW0.27800.1376
ThR0.21530.2525
ThW0.21260.2844

新窗口打开|下载CSV

2.2.2 白羽肉鸡B系屠体重的世代验证 采用世代验证法,使用 GBLUP 和 BayesB 方法对 CW 进行基因组预测分析,采用GEBV与y*的皮尔逊相关系数作为基因组选择准确性的评价指标。两种方法对 CW 的预测准确性分别为0.2780、0.1376。准确性的结果见表3。由结果可以看出,在对 CW 的基因组育种值估计准确性上,GBLUP 方法估计的准确性要高于 BayesB 方法估计的准确性。

2.2.3 白羽肉鸡B系腿肌率、腿肌重的世代验证 采用世代验证法,使用 GBLUP 和 BayesB 方法对ThR和ThW进行基因组预测分析,采用GEBV与y*的皮尔逊相关系数作为基因组选择准确性的评价指标。两种方法对ThR的预测准确性分别为0.2153、0.2525。两种方法对 ThW 的预测准确性分别为0.2126、0.2844。准确性的结果见表3。由结果可以看出,在对ThR和ThW的基因组育种值估计准确性上,BayesB方法估计的准确性要高于GBLUP方法估计的准确性。

3 讨论

本研究系统探讨了基于不同模型对白羽肉鸡屠宰性状的遗传评估,屠宰性状的遗传力估计结果与先前的研究基本一致[14-15,22]。基于系谱构建的亲缘关系A矩阵估计的遗传力高于基于全基因组SNP信息构建的亲缘关系G矩阵估计的遗传力。可能的原因是基因组信息可以反映系谱记录中无法体现的基因的同源状态,更真实地反映个体之间的遗传关系[7]。有研究发现,由于个体之间相似的环境组分,使得加性遗传方差的估计值升高,从而导致遗传力的过高估计[23]。因此,使用基于全基因组标记进行遗传评估相较于系谱记录,可以排除环境效应的影响,估计结果更加准确[24,25]

本研究系统探讨了GBLUP和BayesB方法对白羽肉鸡屠宰性状进行基因组预测的效果。研究发现,基因组预测的准确性与性状的遗传力大致呈正相关。使用GBLUP方法和BayesB方法时,预测准确性最高的性状均是胸肌率。对于胸肌率、腿肌率和腿肌重,BayesB方法的基因组预测准确性高于GBLUP方法;对于屠体重和胸肌重,GBLUP方法的预测准确性高于BayesB。BayesB 方法引入了一个SNP效应指示变量π,假设大部分无效应(比例为π),只有一小部分标记有效应(比例为1-π),且这一部分有效应的方差服从逆卡方分布[4]。本研究中,除了在对屠体重的预测外,BayesB方法的预测准确性均高于GBLUP方法的结果,可能是由于BayesB方法的模型假设更加符合数量性状的微效多基因理论,但BayesB方法预测的偏差与GBLUP方法相比较大,这需要在后续研究中继续探讨。ZENG等研究发现,贝叶斯方法在性状的遗传结构未知时优于GBLUP[26]。TENG等在对一个杂交鸡群体生长性状的基因组预测发现,BayesB方法优于GBLUP方法[27]。因此,基因组选择的计算模型没有绝对的标准,要根据目标性状的遗传结构来具体选择。

畜禽的育种工作注重时效性,计算效率是基因组选择在实际生产中应用时需要考虑的一个重要因素。贝叶斯模型的参数求解过程通过蒙特卡洛马尔科夫链(Markov chain monte carlo, MCMC)过程,采用高强度的吉布斯(Gibbs)抽样,往往需要经过上万次迭代,且无法并行计算,这常常限制了贝叶斯类的方法在育种中的应用,使得基于混合线性模型的方法(GBLUP为代表)在基因组选择中的应用最为广泛。但是,基于混合线性模型的方法的预测准确性要低于贝叶斯类模型[9]。在一些研究中,将最显著的SNP或验证过的QTL加入混合模型作为协变量来提高预测准确性,然而这些SNP或QTL解释的表型方差有限,可能会导致假阳性的结果[28,29]。还有研究者通过对SNP进行加权,构建性状特异性的亲缘关系矩阵,也能在一定程度上提高混合线性模型基因组预测的准确性[30,31,32]。然而,这些SNP的效应很容易被干扰。本研究中,BayesB方法的计算时长远远大于GBLUP方法(图 1),但是BayesB方法的预测准确性显著高于GBLUP方法。而且,对于3 000的样本量和55 K 的标记密度,BayesB的计算时间大约为7 h,尚在可接受的范围。在实际的育种中,使用低密度芯片数据,在样本和标记数量都不是十分庞大的情况下,为了提高基因组育种值预测的准确性,使用贝叶斯方法进行基因组育种值的估计是可行的方案。

图1

新窗口打开|下载原图ZIP|生成PPT
图1各屠宰性状基于GBLUP和BayesB方法的计算时间的比较

Fig. 1The comparison of computing performance of GBLUP and BayesB method for each carcass trait



4 结论

本研究使用GBLUP和BayesB两种方法对白羽肉鸡胸肌率、胸肌重、屠体重、腿肌率和腿肌重5种屠宰性状进行了基因组选择分析。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。使用GBLUP和BayesB方法时,预测准确性最高的是胸肌率。对于胸肌率、腿肌率和腿肌重,BayesB方法的预测准确性均高于GBLUP方法;对于屠体重和胸肌重,GBLUP方法的预测准确性高于BayesB。但是,BayesB方法的计算时间要长于GBLUP方法。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。

参考文献 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

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]

LANDE R, THOMPSON R. Efficiency of marker-assisted selection in the improvement of quantitative traits
Genetics, 1990, 124(3):743.

DOI:10.1093/genetics/124.3.743URL [本文引用: 1]

GODDARD M E, HAYES B J. Mapping genes for complex traits in domestic animals and their use in breeding programmes
Nature Reviews Genetics, 2009, 10(6):381-391.

DOI:10.1038/nrg2575URL [本文引用: 1]

MEUWISSEN T H, HAYES B J, GODDARD M E. Prediction of total genetic value using genome-wide dense marker maps
Genetics, 2001, 157(4):1819-1829.

DOI:10.1093/genetics/157.4.1819URL [本文引用: 5]

GODDARD M E, HAYES B J, MEUWISSEN T H E. Using the genomic relationship matrix to predict the accuracy of genomic selection
Journal of animal breeding and genetics = Zeitschrift fur Tierzuchtung und Zuchtungsbiologie, 2011, 128(6):409-421.

[本文引用: 1]

YANG J, BENYAMIN B, MCEVOY B P, GORDON S, HENDERS A K, NYHOLT D R, MADDEN P A, HEATH A C, MARTIN N G, MONTGOMERY G W, GODDARD M E, VISSCHER P M. Common SNPs explain a large proportion of the heritability for human height
Nature Genetics, 2010, 42(7):565-569.

DOI:10.1038/ng.608URL [本文引用: 1]

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: 2]

AGUILAR I, MISZTAL I, JOHNSON D, LEGARRA A, TSURUTA S, LAWLOR T. Hot topic: A unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score
Journal of Dairy Science, 2010, 93(2):743-752.

DOI:10.3168/jds.2009-2730URL [本文引用: 1]

HABIER D, FERNANDO R L, KIZILKAYA K, GARRICK D J. Extension of the bayesian alphabet for genomic selection
BMC Bioinformatics, 2011, 12:186.

DOI:10.1186/1471-2105-12-186URL [本文引用: 4]

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]

International Chicken Genome Sequencing Consortium. Sequence and comparative analysis of the chicken genome provide unique perspectives on vertebrate evolution
Nature, 2004, 432(7018):695-716.

DOI:10.1038/nature03154URL [本文引用: 1]

KRANIS A, GHEYAS A A, BOSCHIERO C, TURNER F, YU L, SMITH S, TALBOT R, PIRANI A, BREW F, KAISER P, HOCKING P M, FIFE M, SALMON N, FULTON J, STROM T M, HABERER G, WEIGEND S, PREISINGER R, GHOLAMI M, QANBARI S, SIMIANER H, WATSON K A, WOOLLIAMS J A, BURT D W. Development of a high density 600K SNP genotyping array for chicken
BMC Genomics, 2013, 14:59.

DOI:10.1186/1471-2164-14-59URL [本文引用: 1]

LIU R, XING S, WANG J, ZHENG M, CUI H, CROOIJMANS R P M A, LI Q, ZHAO G, WEN J. A new chicken 55K SNP genotyping array
BMC Genomics, 2019, 20(1):410.

DOI:10.1186/s12864-019-5736-8URL [本文引用: 2]

ZHANG Z, XU Z Q, LUO Y Y, ZHANG H B, GAO N, HE J L, JI C L, ZHANG D X, LI J Q, ZHANG X Q. Whole genomic prediction of growth and carcass traits in a Chinese quality chicken population
Journal of Animal Science, 2017, 95(1):72-80.

[本文引用: 2]

LIU T, QU H, LUO C, SHU D, WANG J, LUND M S, SU G. Accuracy of genomic prediction for growth and carcass traits in Chinese triple-yellow chickens
BMC Genetics, 2014, 15:110.

DOI:10.1186/s12863-014-0110-yURL [本文引用: 2]

WOLC A, DROBIK-CZWARNO W, JANKOWSKI T, ARANGO J, SETTAR P, FULTON J E, FERNANDO R L, GARRICK D J, DEKKERS J C M. Accuracy of genomic prediction of shell quality in a White Leghorn line
Poultry Science, 2020, 99(6):2833-2840.

DOI:10.1016/j.psj.2020.01.019URL [本文引用: 1]

CHEN C Y, MISZTAL I, AGUILAR I, TSURUTA S, MEUWISSEN T H E, AGGREY S E, WING T, MUIR W M. Genome-wide marker- assisted selection combining all pedigree phenotypic information with genotypic data in one step: An example using broiler chickens
Journal of Animal Science, 2011, 89(1):23-28.

DOI:10.2527/jas.2010-3071URL [本文引用: 1]

GONZáLEZ-RECIO O, GIANOLA D, ROSA G J, WEIGEL K A, KRANIS A. Genome-assisted prediction of a quantitative trait measured in parents and progeny: Application to food conversion rate in chickens
Genetics, Selection, Evolution: GSE, 2009, 41:3.

DOI:10.1186/1297-9686-41-3URL [本文引用: 1]

LIU T, LUO C, WANG J, MA J, SHU D, LUND M S, SU G, QU H. Assessment of the genomic prediction accuracy for feed efficiency traits in meat-type chickens
PLoS ONE, 2017, 12(3):e0173620.

DOI:10.1371/journal.pone.0173620URL [本文引用: 1]

PURCELL S, NEALE B, TODD-BROWN K, THOMAS L, FERREIRA M A R, BENDER D, MALLER J, SKLAR P, DE BAKKER P I W, DALY M J, SHAM P C. PLINK: A tool set for whole-genome association and population-based linkage analyses
American Journal of Human Genetics, 2007, 81(3):559-575.

DOI:10.1086/519795URL [本文引用: 1]

GILMOUR A R, GOGEL B J, CULLIS B R, WELHAM S, THOMPSON R. ASReml user guide release 4.1 structural specification
Hemel Hempstead, UK: VSN International Ltd, 2015.

[本文引用: 1]

李晶, 王杰, 康慧敏, 刘冉冉, 李华, 赵桂苹. 基于BLUP和GBLUP方法估计北京油鸡胴体和肉质性状遗传参数的差异
畜牧兽医学报, 2020, 51(1):35-42.

[本文引用: 1]

LI J, WANG J, KANG H M, LIU R R, LI H, ZHAO G P. The difference of genetic parameters for carcass and meat quality traits by BLUP and GBLUP methods in Beijing You chicken
Acta Veterinaria et Zootechnica Sinica, 2020, 51(1):35-42. (in Chinese)

[本文引用: 1]

ØDEGåRD J, MEUWISSEN T H E. Estimation of heritability from limited family data using genome-wide identity-by-descent sharing
Genetics, Selection, Evolution : GSE, 2012, 44:16.

DOI:10.1186/1297-9686-44-16URL [本文引用: 1]

LEE S H, GODDARD M E, VISSCHER P M, VAN DER WERF J H. Using the realized relationship matrix to disentangle confounding factors for the estimation of genetic variance components of complex traits
Genetics, Selection, Evolution : GSE, 2010, 42:22.

DOI:10.1186/1297-9686-42-22URL [本文引用: 1]

VEERKAMP R F, MULDER H A, THOMPSON R, CALUS M P L. Genomic and pedigree-based genetic parameters for scarcely recorded traits when some animals are genotyped
Journal of Dairy Science, 2011, 94(8):4189-4197.

DOI:10.3168/jds.2011-4223URL [本文引用: 1]

ZENG J, PSZCZOLA M, WOLC A, STRABEL T, FERNANDO R L, GARRICK D J, DEKKERS J C M. Genomic breeding value prediction and QTL mapping of QTLMAS2011 data using Bayesian and GBLUP methods
BMC Proceedings, 2012, 6(2):S7.

[本文引用: 1]

TENG J, GAO N, ZHANG H, LI X, LI J, ZHANG H, ZHANG X, ZHANG Z. Performance of whole genome prediction for growth traits in a crossbred chicken population
Poultry Science, 2019, 98(5):1968-1975.

DOI:10.3382/ps/pey604URL [本文引用: 1]

LOPES M S, BOVENHUIS H, VAN SON M, NORDBø Ø, GRINDFLEK E H, KNOL E F, BASTIAANSEN J W M. Using markers with large effect in genetic and genomic predictions
Journal of Animal Science, 2017, 95(1):59-71.

[本文引用: 1]

MOORE J K, MANMATHAN H K, ANDERSON V A, POLAND J A, MORRIS C F, HALEY S D. Improving genomic prediction for pre-harvest sprouting tolerance in wheat by weighting large-effect quantitative trait loci
Crop Science, 2017, 57(3):1315-1324.

DOI:10.2135/cropsci2016.06.0453URL [本文引用: 1]

TIEZZI F, MALTECCA C. Accounting for trait architecture in genomic predictions of US Holstein cattle using a weighted realized relationship matrix
Genetics, Selection, Evolution: GSE, 2015, 47:24.

DOI:10.1186/s12711-015-0100-1URL [本文引用: 1]

ZHANG Z, ERBE M, HE J, OBER U, GAO N, ZHANG H, SIMIANER H, LI J. Accuracy of whole-genome prediction using a genetic architecture-enhanced variance-covariance matrix
G3 (Bethesda, Md.), 2015, 5(4):615-627.

[本文引用: 1]

ZHANG Z, OBER U, ERBE M, ZHANG H, GAO N, HE J, LI J, SIMIANER H. Improving the accuracy of whole genome prediction for complex traits using the results of genome wide association studies
PLoS ONE, 2014, 9(3):e93017.

DOI:10.1371/journal.pone.0093017URL [本文引用: 1]

相关话题/遗传 计算 信息 数据 动物