河北省大白猪繁殖性状基因组选择参考群体构建和应用.pdf

-131-2023 年 第 59 卷 第 08 期 Science and Technology科学技术 河北省大白猪繁殖性状基因组选择参考群体构建和应用唐黄益1，王 雪1，骆 菲2，郭彦军2，王贵江2，罗文学2，丁向东1*（1.中国农业大学动物科学技术学院，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.河北省畜牧良种工作总站，河北石家庄 050049）摘 要：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。关键词：联合育种；基因组选择；基因型填充；大白猪中图分类号：S828.2 文献标识码：A DOI 编号：10.19556/j.0258-7033.20230701-02基因组选择是指利用覆盖全基因组范围的高密度分子遗传标记进行的标记辅助选择。与传统选择策略相比，基因组选择不仅可以提高选择的准确性，尤其是对一些具有低遗传力的性状，能够大幅度提高遗传进展，还可以对难以测量的性状、限性性状、屠宰性状等进行评估，同时在动物刚出生甚至胚胎时期即可获得基因组信息预测基因组育种值（GEBV），进行早期选择，缩短世代间隔，加快遗传进展，降低选育成本，提高育种效益1。近年来，随着芯片和高通量测序技术的日趋成熟，高密度 SNP 芯片的检测成本呈现逐年下降的趋势，利用基因组信息预测 GEBV 成为可能。大量研究表明，在预测 GEBV 时，基因组最佳线性无偏预测（GBLUP）模型和贝叶斯模型具有相似的准确性，由于 GBLUP 模型相对简单且计算速度快而得到广泛应用2-3。传统的基因组选择仅利用动物的基因组信息进行预测，而实际育种中不是所有个体都能进行基因组信息检测，基因组选择准确性可以通过结合无基因组信息但有表型的个体进行提高。Misztal 等4、Christensen 等5提出一步法（single-step GBLUP，ssGBLUP）可以进一步提高选择的准确性。一步法同时利用有基因组信息和系谱预测GEBV，实现了常规育种与分子育种的无缝衔接，是目前猪基因组选择中普遍使用的方法。目前，我国很多种猪场纷纷开展基因组育种，但规模较小，基因组选择效果难以达到预期。前期研究表明，以联合育种方式实施基因组选择，可以扩充参考群体，提高基因组选择的效果6-7。繁殖性状在猪育种中十分重要，由于其遗传力低，常规育种进展缓慢，尤其是以生长性状为主的性能测定结束时，候选猪尚无繁殖成绩，因此选留后备猪时繁殖性状的准确性并不高。研究表明，基因组选择可以大幅度提高繁殖性状选种的准确性，因此通过联合育种提高繁殖性状的选种准确性十分必要8。收稿日期：2023-07-01；修回日期：2023-07-14资助项目：财政部和农业农村部：国家现代农业产业技术体系（CARS-35）；河北省重点研发计划项目（19226376D）作者简介：唐黄益（2001-），男，安徽安庆人，硕士研究生，专业方向为动物遗传育种，E-mail：*通讯作者：丁向东（1977-），男，博士，教授，研究方向为猪遗传育种和统计遗传学，E-mail：-132-遗传育种Genetics and Breeding 2023 年 第 59 卷 第 08 期本研究以河北省 3 个生猪育种场的猪群为研究对象，构建基因组选择参考群体，通过基因型填充统一不同猪场的芯片基因型信息，探究繁殖性状的联合基因组选择效果，为河北省大白猪繁殖性状基因组选择参考群体构建和应用及我国猪分子育种提供参考与借鉴。1 材料与方法1.1 参考群体的构建1.1.1 参考群个体筛选 大白母猪分别来自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 个场具有表型的母猪分别为 804、473 和213 头，均为 2016 年 3 月2020 年 9 月出生的母猪，总产仔数数据记录总计 6 790 条，大好河山、京安和清凉山分别为 4 545、1 851、394 条。遵循每个公猪家系都有后代的原则，筛选出 1 382 头构建联合基因组选择参考群体，大好河山、京安和清凉山 3 个场参考群体规模分别为 696、473、213 头。1.1.2 表型数据处理 数据筛选按照全国种猪遗传评估中心设定的正常数据范围进行：产仔数范围在 325头，达 100 kg 体重的日龄和活体背膘厚范围分别在120210 日龄和 530 cm，范围外数据均删除。剔除异常值后，大好河山、京安和清凉山场总产仔数记录共计6 754 条，基因组选择参考群体猪只表型都符合要求。1.2 基因型数据检测与处理1.2.1 基因型检测 3 个场的基因型检测分别采用纽勤50K（Geneseek，美国）、液相 50K（石家庄博瑞迪科技有限公司，中国）2 款芯片，各自包含 50 697、52 000 个 SNP 位点，其中使用纽勤 50K 检测的个体共750 个，液相 50K 检测的个体共 740 个。1.2.2 基因型填充 为保证芯片的一致性，本研究使用Beagle 5.0 软件，将 3 个场 2 477 头大白猪的纽勤 50K芯片填充至液相 50K，基因型填充参考群体为 2 991 头。1.2.3 质量控制 本研究使用 plink 软件对填充、合并后的基因型数据进行质量控制，质控标准：去除性染色体和位置未知的位点。剔除最小等位基因频率（MAF）小于 0.05 的 SNP；剔除 SNP 基因分型缺失率小于 0.9的位点。质控后剩余 43 448 个 SNP 用于后续分析，所有基因型检测个体保留。1.3 群体结构分析 采用主成分分析法（PCA）对 3 个场的大白猪群体进行群体结构分析，检验 3 个猪场间的遗传联系。1.4 育种值估计 基于系谱信息利用最佳线性无偏预测法（BLUP），采用重复力模型进行每个场繁殖性状的EBV 和估计遗传参数。参数模型：y=Xb+Zaa+Zpepe+e其中，y为原始表型值向量；b为固定效应（包括场、年、季）向量，其中季节分别为第 1 季度（12 月次年 2 月）、第 2 季度（35 月）、第 3 季度（68 月）、第 5 季度（911 月）；a为加性遗传效应向量；pe为永久环境效应向量；e为随机残差向量；X、Za、Zpe为连接b、a、pe到y的关联矩阵。随机效应假定服从正态分布：aN（0，Aa2），peN（0，I2pc），eN（0，Ic2），其中 A 为基于系谱的关系矩阵，I 为单位矩阵，a2，2pc和Ic2分别为加性遗传效应、永久环境效应和残差方差。由于 3 个猪场系谱上没有遗传联系，无法将其数据合并进行联合遗传评估，本研究单独计算大好河山总产仔数的育种值，根据估计育种值和残差计算得到校正表型值（Yc），用于后期的基因组选择准确性评价9-10。1.5 基因组育种值估计 本研究采用 ssGBLUP，使用单性状重复力模型估计总产仔数基因组育种值5,11。ssGBLUP 能够同时利用基因组信息和系谱信息从而构建 H 阵，H 阵同时包含 A 阵（基于系谱信息）与 G 阵（基于基因型信息），公式：H=A11+A12A22-1（GwA22）A22-1A12 A12A22-1Gw GwA22-1A12 Gw其中，A 为通过系谱信息构建而成的亲缘关系矩阵；G为通过基因型信息构建的亲缘关系矩阵，构建方法参照 Vanraden 等12方法。为保证 A 阵和 G 阵尺度相同，将 G 阵进行校正，Gw=（1w）G+wA11，参照 Song 等13，w 设定为 0.05。使用 DMU 软件14中的 DMUAI 程序计算育种值，使用自编程序 fastBLUP 估计基因组育种值。1.6 基因组选择准确性评价 本研究选取大好河山 108头最年轻的母猪作为验证群体，剩余个体作为参考群体。在基于系谱信息的育种值估计中，分别计算包含和剔除108 头验证群体表型值情况下的个体育种值。基因组遗传评估中，则分别计算用大好河山参考群体单独预测与联合参考群体预测的 108 头验证群体。基因组选择准确性是评价基因组预测效果的标准之一，由 GEBV 与校正表型 Yc 之间的皮尔逊相关来表示。-133-2023 年 第 59 卷 第 08 期 Science and Technology科学技术 本研究同时用 Henderson15提出的育种值估计的可靠性方法，计算基因组育种值的估计可靠性。2 结 果2.1 群体结构 如图 1 所示，大好河山（DHHS）与其他 2 个猪场的遗传背景相差较大，清凉山（QLS2）与裕丰京安（YFJA）则有着相近的遗传背景。2.2 基因型填充 如图 2 所示，填充位点的平均可靠性DR2 为 0.949，不同染色体间填充准确性差异不大，MAF 区段的填充准确性表明，MAF0.05 填充准确性较低，在后期质量控制中加以剔除。2.3 基因组选择准确性 3 个猪场所有个体（包括无基因型）的联合基因组遗传评估结果显示，总产仔数性的平均理论准确性为 0.437。如图 3 和表 1 所示，大好河山由于参考群体规模最大，因此基因型个体和非基因型个体基因组预测准确性最高，清凉山则由于参考群体规模小，准确性在 3 个场中最低。如表 2 所示，大好河山 108 头验证群体的基因组系谱信息估计育种值准确性为 0.170，而用大好河山参考群体单独预测时，基因组育种值准确性提升了 15.4%，3 个场的合并参考群则进一步提升了基因组预测准确性至 0.347。理论准确性也展现相同趋势，且幅度更大。3 讨 论基因型填充可以统一芯片使用，建立无系谱联系的群体间遗传联系。高通量基因分型芯片的普及是基因组图 3 河北省 3 个猪场繁殖性状理论准确性分布直方图图 2 纽勤 50K 填充到液相 50K 时不同染色体（a）和 MAF 区间（b）的填充准确性图 1 河北省 3 个猪场主成分分析PC2(1.22%)PC1(6.55%)0.100.050.00-0.05-0.10-0.02 0.00 0.02PopulationDHHSQLS2YFJAabDR2DR21.00.80.60.40.20.01.00.80.60.40.20.01 3 5 7 9 11 13 15 17ChromosomeMinor allele frequency interval(0,0.05 (0.1,0.15 (0.2,0.25 (03,0.35 (0.4,0.45频数250020001500100050000.0 0.2 0.4 0.6 0.8 1.0理论准确性-134-遗传育种Genetics and Breeding 2023 年 第 59 卷 第 08 期选择得以推广的基础，我国猪基因分型芯片的研究起步时间较晚，猪纽勤 50K 芯片仍然是目前在猪性状遗传解析和基因组选择中使用最为广泛的芯片。邱奥等16研究发现，液相 50K 芯片与纽勤 50K 芯片具有很好的兼容性。通过基因型填充能够统一 SNP 芯片、构建基因组选择联合参考群。Beagle 是使用 MCMC 算法的代表性软件，填充时使用隐性马尔可夫模型（Hidden Markov Model，HMM）来推断单倍型和缺失基因从而进行填充判断，可以不依赖于系谱文件17-18。本研究中，河北省 3 个猪场之间无法从系谱上找到联系，且 PCA 结果显示 DHHS 与其他 2 场猪群之间存在明显分层。在此条件之下，将 2 477 头大白猪的 50K 纽勤芯片填充到液相 50K 水平，填充位点的平均准确性 DR2 高达 0.949，说明系谱信息没有关联的猪群，也可以将 50K 纽勤芯片准确填充至液相 50K 水平，反之亦然。基因组信息有助于提高选种准确性，联合基因组选择准确性可进一步提升。区域性联合育种是我国猪育种的趋势，联合各场信息以扩大参考群是提高选择准确性的有效途19-20。使用系谱法进行联合育种的前提是各猪群体之间存在遗传联系、拥有共同的祖先。Mathur 等21研究表明，在各场之间的平均遗传联系达到 3%时才会有较好的联合遗传评估效果。本研究中，由于各场之间不存在系谱上联系，因此单从系谱上看，各场之间的关联率为 0，无法使用系谱法进行联合育种。相较于系谱信息，基因型信息同样能反映个体之间的亲缘关系，即使各场之间在系谱上没有关联，也能通过基因型信息建立各群体之间的遗传联系。本研究利用河北省 3 个猪场的大白猪群体，构建了联合参考群，开展联合基因组遗传评估，结果与余健等22的结果一致，即不论是利用单场还是联合参考群信息，基因组选择准确性都要明显高于系谱法，而相较基于单场信息的基因组选择准确性，联合基因组选择准确性要更高。从联合基因组预测的理论准确性结果来看，各场拥有基因型的个体平均理论准确性均要高于非基因型个体，再次证明基因组信息有助于提高选种准确性。单独就 DHHS 群体来看联合育种不但提高了基因型个体的基因组选择准确性、理论准确性，还提高了非基因型个体的基因组预测理论准确性。也就是说，即使没有基因型的个体，由于系谱上与有基因型个体存在联系，在联合基因组遗传评估下也能得到更高的基因组选择理论准确性。联合基因组选择对繁殖性状选种准确性提升帮助大。基因组选择参考群大小是影响选择准确性的重要因素，扩大参考群体规模是提高基因组选择准确性的有效途径。其中直接扩大单独的参考群规模是提高基因组预测准确性最为有效的方案，而合并多个来源不同的群体建立混合参考群同样是一种有效方案，可以在不增加基因型检测成本的前提下提高基因组选择准确性。本研究将大好河山、京安、清凉山 3 个场的参考群合并，进行联合基因组预测，可看出繁殖性状基因组选择准确性要远高于传统遗传评估的选择准确性。采用联合遗传评估的方法进行基因组选择，总产仔数选种准确性比基于单场系谱信息的提高了 1 倍（104%）。张金鑫等8研究也表明，通过构建混合群体对刚出生的小公猪实施基因组选择，选择准确性大幅度提高，尤其是繁殖性状。作为低遗传力性状，繁殖性状的育种进展一直不高，且与生长性状相比，育种数据偏少，且较晚才能获得表型，而此时猪往往已经留种。因此通过基因组选择进行早期选种更有价值。但当前联合参考群体规模仍不够大，还需要继续扩大群体规模，进一步提升基因组选择准确性。4 结 论本研究利用河北省 3 个猪场的测定数据探究多场联合基因组预测的可行性，结果显示基因组选择要明显优于传统遗传评估方法；即便是系谱上没有关联的猪场也可先由基因型填充统一芯片类型，再通过基因型构建亲表 2 108 头验证群体基因组选择准确性表 1 各场繁殖性状所有个体理论准确性猪场个体多场联合基因组选择范围均值 标准差大好河山基因型个体00.8470.5170.08非基因型个体00.8770.3910.161京安基因型个体00.6020.5050.051非基因型个体0.03510.3500.116清凉山基因型个体00.5490.4560.056非基因型个体00.7790.3320.126总计基因型个体00.8470.5130.08参考群体准确性理论准确性育种值大好河山参考群（仅系谱信息）0.1700.365基因组育种值大好河山参考群0.3240.401联合参考群0.3470.450-135-2023 年 第 59 卷 第 08 期 Science and Technology科学技术 缘关系矩阵，从而开展联合育种，提高基因组选择的准确性。本研究结果表明，利用基因型填充构建的联合基因组参考群进行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。参考文献：1 丁向东,王楚端,张勤.基于液相芯片的猪基因组选择实施新策略 J.中国畜牧杂志,2022,58(4):65-69.2 谈成,边成,杨达,等.基因组选择技术在农业动物育种中的应用 J.遗传,2017,39(11):1033-1045.3 鲍晶晶,张莉.畜禽基因组选择方法研究进展 J.中国畜牧兽医,2020,47(10):3297-3304.4 Misztal I,Legarra A,Aguilar I,Computing procedures for genetic evaluation including phenotypic,full pedigree,and genomic informationJ.J Dairy Sci,2009,92(9):4648-4655.5 Christensen O F,Lund M S.Genomic prediction when some animals are not genotypedJ.Genet Sel Evol(Paris),2010,42(1):2.6 张金鑫,张锁宇,邱小田,等.我国杜洛克、长白和大白猪场间遗传联系分析 J.畜牧兽医学报,2017,48(9):1591-1601.7 丁向东,邱小田,王志刚,等.全国生猪遗传改良计划（2009 2020）给我国生猪种业带来的变化和未来工作建议 J.中国畜牧杂志,2020,56(6):169-174.8 张金鑫,唐韶青,宋海亮,等.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):2161-2170.9 Guo X,Christensen O F,Ostersen T,et al.Improving genetic evaluation of litter size and piglet mortality for both genotyped and nongenotyped individuals using a single-step method1J.J Anim Sci,2015,93(2):503-512.10 Zhang C,Kemp R A,Stothard P,et al.Genomic evaluation of feed efficiency component traits in Large White pigs using 80K,650K and whole-genome sequence variantsJ.Genet Sel Evol,2018,50(1):14.11 Legarra A,Aguilar I,Misztal I.A relationship matrix including full pedigree and genomic informationJ.J Dairy Sci,2009,92(9):4656-4663.12 Vanraden P M.Efficient methods to compute genomic predi-ctionsJ.J Dairy Sci,2008,91(11):4414-4423.13 Song H,Zhang J,Jiang Y,et al.Genomic prediction for growth and reproduction traits in pig using an admixed reference population1J.J Anim Sci,2017,95(8):3415-3424.14 Madsen P,Jensen J,Labouriau R,et al.DMU-A package for analyzing multivariate mixed models in quantitative genetics and genomicsC.Vancouver,Canada:World Congress on Genetics Applied to Livestock Production,2014.15 Henderson C R.Best linear unbiased estimation and prediction under a selection modelJ.Biometrics,1975,31(2):423-447.16 邱奥,张梓鹏,王雪,等.猪 50K 液相芯片基因组选择效果分析 J.中国畜牧杂志,2022,58(8):82-86.17 何桑,丁向东,张勤.基因型填充方法介绍及比较 J.中国畜牧杂志,2013,49(23):95-100.18 Sun C,Wu X,Weigel K A,et al.Ensemble-based imputation for genomic selection:an application to angus cattleJ.Interbull Bulletin,2012,46:39-45.19 Lund M S,Roos A P,Vries A G,et al.A common reference population from four European Holstein populations increases reliability of genomic predictionsJ.Genet Sel Evol,2011,43(1):43.20 张梦华.基于联合参考群的新疆褐牛基因组选择研究 D.乌鲁木齐:新疆农业大学,2021.21 Mathur P K,Sullivan B P,Chesnais J P.Measuring connected-ness:concept and application to a large industry breeding programC.Ottawa,Canada:Canadian Centre for Swine Improvement,2002.22 余健,杨文静,王晔,等.多个场联合遗传评估提高基因组选择准确性 J.中国畜牧杂志,2021,57(S1):25-28.（责任编辑：郑本艳）