所属栏目：畜牧论文范文发布时间：2026-06-12浏览量:365
自2009 年始,奶牛育种进入基因组选择时代并带来革命性变化,实现了青年公牛早期准确选择,大幅度缩短育种周期并降低育种成本。欧美奶业发达国家已有比较成熟的荷斯坦奶牛基因组选择育种技术体系,产奶性状的基因组评估准确性达80%以上。我国自2012 年启动荷斯坦青年公牛基因组评估工作。目前,基因组选择技术不仅全面应用于青年公牛,越来越多后备母牛也开始参加基因组检测,用于组建育种核心群、筛选胚胎供体及精准选种选配。基因组最佳线性无偏预测是最通常的基因组遗传评估方法,随着高通量测序技术发展日新月异,研究人员开始探索基于测序数据及整合全基因组关联分析、转录组等多组学信息的基因组评估新方法,有望进一步提高评估准确性。该文综述了国内外荷斯坦奶牛基因组选择技术研究与应用现状,为中国荷斯坦牛基因组选择育种技术体系的完善与产业化应用提供参考。
关键词：荷斯坦奶牛;基因组选择;遗传进展;基因组遗传评估;育种
论文《荷斯坦奶牛基因组选择技术研究与应用》发表在《中国畜禽种业》，版权归《中国畜禽种业》所有。本文来自网络平台，仅供参考。
1 奶牛基因组选择技术的发展与应用
2001 年,Meuwissen 等[1]首次提出基因组选择(Genomic selection,GS)的概念,其基本思想是利用覆盖个体基因组的大量分子标记信息评估个体种用价值并选择遗传优良个体。但由于当时缺乏高通量基因分型技术,使得GS 未能实质性实施。2003 年牛基因组计划(Bovine Genome Project)启动,成功构建了一个相对完整的牛基因组图谱,提供了上百万个牛的遗传变异位点, 为SNP 芯片的发展提供了条件。2007 年,美国 illumina 公司研发成功国际上首款商业化牛50 K 微珠芯片(BovineSNP50 v1 BeadChip),包含了 54001 个SNP 标记。随后,奶业国家纷纷启动奶 牛GS 技术研究。
2009 年1 月,美国农业部率先官方公布荷斯坦和娟姗青年公牛的基因组育种值,奶牛育种实质性进入基因组选择时代,给奶牛育种带来了革命性的变化,2009 年8 月发布瑞士褐牛的基因组评估成绩。欧美及澳洲各国陆续开始实施奶牛 GS,我国也于2012 年开始启动全国荷斯坦青年公牛基因组遗传评估。利用GS 技术,可实现青年公牛早期准确选择,而不必通过后裔测定,从而大幅度缩短了世代间隔,育种周期由5~6 年 缩短为2 年,加快了群体遗传进展,并显著降低 了育种成本。奶牛是应用基因组选择技术最早的 畜禽物种。目前,在世界范围内各奶业国家的荷 斯坦青年公牛基本上全部参加基因组遗传评估。 近年来,GS 也开始应用于优秀后备母牛及胚胎 供体选择。
2 国外奶牛基因组选择现状
美国是奶牛GS 技术体系发展与应用最成熟 的奶业国家,拥有超大规模参考群体,截至目前 拥有4.0 多万头验证种公牛及100 多万头母牛 (图1),取得了显著的群体遗传进展。产奶性状 的年度遗传进展提高1 倍,健康、繁殖、泌乳系 统和长寿性状的遗传进展加快。2005-2010 年, 每年的净能指数(Net Merit $)进展为40.33 美 元,2016-2020 年净能指数年度进展为79.2 美 元(图2)。遗传进展主要得益于选择准确性提高 和世代间隔缩短。美国的奶牛基因组遗传评估工 作由奶牛育种委员会(Council on dairy cattle breeding,CDCB)负责。截至2024 年12 月, CDCB 数据库已经拥有700 万头荷斯坦牛的基因 组芯片数据,每年4、8、12 月,荷斯坦协会官 方发布优秀青年公牛和母牛的基因组评估结果, 供育种公司和牧场参考,用于优秀公牛冻精和胚 胎供体选择及选种选配策略。
2009 年,比利时、丹麦、芬兰、法国、德 国、荷兰和瑞典7 个欧洲国家启动欧洲基因组计 划(Euro Genomics),目前联合基因组选择参考 群达到4 万多头验证公牛和几十万头母牛规模, 奥地利、卢森堡、波兰和西班牙的荷斯坦母牛基 因组评估也参加了该项目。
3 我国奶牛基因组选择现状
2012 年,中国农业大学与北京奶牛中心、北 京首农畜牧发展有限公司、上海奶牛育种中心有 限公司、全国畜牧总站合作,成功构建了我国奶
牛基因组选择分子育种技术体系并在全国各公牛 站推广应用[2]。2016 年, “中国荷斯坦牛基因组 选择分子育种技术体系的建立与应用” 项目获国 家科技进步二等奖。
基于中国荷斯坦牛基因组选择参考群体,截 至2023 年12 月,农业农村部种业司、全国畜牧 总站组织开展荷斯坦青年公牛基因组遗传评估累 计达4800 余头。评估结果作为国家奶牛良种补 贴项目遴选优秀荷斯坦公牛的依据及《中国乳用 种公牛遗传评估概要》的主要内容。评估结果[3] 表明青年公牛的基因组综合性能指数(Genomic China performance index,GCPI)、产奶量、乳脂 率、乳蛋白率、乳脂量、乳蛋白量、脂蛋量等育 种目标性状均获得了明显的遗传进展;2021- 2023 年遗传进展速度增快,GCPI 年均进展 76.87,产奶量年均进展190.88 kg,乳脂量年均 进展5.81 kg,乳蛋白量年均进展5.48 kg (图3)。
大规模、高质量的参考群体是荷斯坦牛基因 组遗传评估的基础。欧美国家的参考群主要由验 证种公牛组成,针对我国验证种公牛不多的实际 情况,我国以母牛为主(加少量公牛)构建了大 规模基因组选择参考群,保证了基因组选择技术 在我国奶牛中的应用得以实现,国际同行也充分 肯定了这一做法。截至目前,参考群规模达到 19410 头,较2019 年增加1 倍,主要性状的预测 准确性达到70%~82%。2023-2024 年,全国畜 牧总站、中国农业大学、北京奶牛中心和北京首 农畜牧发展有限公司奶牛中心承担农业行业标准 《中国荷斯坦牛基因组选择参考群体构建技术规 范》制定,规定了用于参考群体的公牛和母牛个 体选择要求、样品要求、数据报送、档案管理方 面的要求。
长期以来,我国奶牛基因组选择使用的SNP 育种芯片全部依赖美国进口。首农食品集团北京
奶牛中心、中国农业大学孙东晓团队、华智生物 技术有限公司联合自主研发了针对我国奶牛群体 遗传背景的126 K 基因组育种芯片,涵盖120155 个位点(图4),包含自主挖掘、国际通用亲子鉴 定、遗传缺陷以及相关重要已知功能位点,兼容 现有参考群和多款商业化芯片位点信息。2023 年 9 月,126 K 芯片在中国北京种业大会上正式发 布,标志着我国在奶牛中高密度SNP 育种芯片自 主设计开发方面取得重要突破,保障我国奶牛自 主选育体系稳定运行。
4 奶牛基因组遗传评估技术
奶牛基因组遗传评估的方法分为3 类:
(1)直接法。基于遗传关系矩阵构建个体间 相关矩阵,利用线性混合模型来估计基因组育种 值。这类方法主要包含最佳线性无偏预测(Best linear unbiased prediction,BLUP)以及一系列衍 生的模型(Best linear unbiased estimation and prediction under a selection mode), 比如GBLUP (Genomic best linear unbiased prediction),用基因 组信息构建基因组关系矩阵(G 阵)来替代 BLUP 中基于系谱信息构建的关系矩阵(A 阵)。 相比A 阵,G 阵能真实反应个体间遗传信息的差 异,降低了孟德尔抽样造成的偏差,因此比 BLUP 具有更高的准确性。Aguilar 等[4]以及Christensen 等[5]提出的SSGBLUP (Single-step genomic best linear unbiased prediction),利用系谱和基因 组信息构建H 阵来替换A 阵。
(2)间接法,通过估计SNP 效应值,再对不 同个体基因效应加和来间接获得GEBV。主要有 RRBLUP (Ridge regression best linear unbiased prediction) 和各类Bayes 方法 (BayesA, BayesB,BayesC,BayesLASSO 和BayesR 等。 Bayes 方法之间的差异主要体现在对标志效应方差 的分布假设不同(表1)。GBLUP 和RRBLUP 假 设所有SNP 均有效应且方差相同。但实际上,不 同性状遗传机制不同,控制性状的基因数量和遗传 效应大小也不同,仅有少数SNP 有效应且与影响 性状的QTL 连锁,大多数SNP 是无效应的。 Bayes 方法的假设与实际情况更为接近,因此在很 多性状上表现出了比GBLUP 更高的预测准确性。
(3)利用多组学数据的基因组遗传评估新方
法。随着高通量测定技术的发展,基因型标记个 数远远大于具有表型数据的样本个数、高维度或 高度相关的SNP 数据结构、基因- 环境互作等因 素使得模型参数复杂度进一步加剧。机器学习等 非线性模型在处理高维数据和复杂关系方面具有 独特的优势,能够更全面地捕获复杂的非累加效 应。目前常用的方法有随机森林(Random forest, RF)、Boosting、支持向量机(SVM)和神经网络(neural network,NN) 等。Liang 等[8,9]通过SVR、KRR、RF、弹性网络 (Elastic net,EN)对1217 头西门塔尔牛的胴体 重、活重和眼肌面积,5024 头荷斯坦牛的产奶 量、乳脂率和体细胞评分和951 个火炬松的17 个性状进行预测,机器学习平均预测准确性比 GBLUP 提高7.70%。Wang 等[10]基于6000 余头荷斯坦牛对产奶、体型和体细胞评分等7 个性状进 行预测,生物注释神经网络(Biologically annotated neural networks, BANN) 比GBLUP、 RF、 BayesB 和BayesCπ 提高了0.85%~3.75%。郑伟 杰、孙东晓等基于16452 头荷斯坦牛,整合了 GWAS 显著SNP 位点先验信息的KAML 和WGBLUP 方法提高了产奶性状的基因组预测准确性 (未发表数据)。
此外,整合转录组、蛋白质组、代谢组等多 组学数据的方法中有望提高基因组预测准确性。 Xiang 等[11]整合多组学信息并基于GABLUP 模型 对荷斯坦牛产奶量、乳脂量和乳蛋白量性状的预 测准确性与GBLUP 模型差异极显著。在水稻、 玉米上,研究表明整合转录组和代谢组数据可以 提高产量等性状的基因组预测准确性[12,13]。
尽管测序数据与整合多组学数据会给预测准 确性带来大幅提升,但目前的测序和检测成本限 制了广泛应用。此外,统计分析模型可能受到非 遗传因素干扰从而导致模型过拟合等问题,随着 多组学数据量的增长,利用SNP 先验信息的新方 法开发将变得越来越重要。
表1 不同Bayes 模型的标记效应分布假设 [6,7]
| 方法 | 标记效应的分布假设 | 标记效应分布公式 |
| Method | Assumed distribution of SNP effect | Formula of SNP effect |
| BLUP | normal | K ~ N (0, s ) |
| BayesA | t | K ~ t (0, v , s ) |
| BayesB | point-t | K ~ pt (0, v , s ) + (1 - p ) d |
| BayesC | t mixture | K ~ pt (0, v , s ) +(1 - p ) t (0, v ,0.01 s ) |
| BayesLASSO | Double exponential | K ~ DE (0,?) |
| BSLMM | Normal mixture | K ~ pN (0, s + s )+(1 - p ) N (0, s ) |
| BayesR | Point-normal mixture | K ~ p N (0, s ) + p N (0, 0.1 s ) + p N (0, 0.01 s ) + (1 - p - p - p ) d |
注:β 表示标记的效应;DE 表示双指数分布;v 表示自由度;π 表示比例参数;δ₀ 表示为0。
5 基因组选择技术在母牛群体中的应用
随着基因组选择技术在青年公牛遗传评估中 的广泛应用和认可,各国也开始在母牛群体中应 用GS 技术。截至2024 年3 月,美国奶牛育种委 员会(CDCB)数据库中已有700 多万头荷斯坦 母牛的基因组检测数据(图5),用于选种选配方 案、核心群组建和胚胎供体选择等。宋晓晴等[14] 比较了河北省3 个奶牛场1~2 胎次1134 头荷斯 坦母牛的基因组评估结果与DHI 表型数据,结果
表明性状基因组育种值与表型值趋势一致(图 6)。McNeel 等[15]为验证美国商业化牧场评估健康 性状遗传评估的有效性,基于11 个牧场3400 头 随机选择的怀孕母牛(69%经产牛,31%头 胎 牛),比较分析发现母牛的子宫炎、酮病、真胃 异位、胎衣滞留、乳房炎、蹄病的基因组遗传评 估结果最优组与最差组的发病率差异显著。Fessenden 等[16]收集美国5 个牧场2175 头荷斯坦牛连 续7 年的表型数据,根据饲料成本、能量校正乳 和泌乳月数计算每头牛的经济价值,基因组评估 的健康净价值指数(DWP$)排名不同分组的奶 牛终身经济价值存在显著差异。以上数据表明母 牛群体的基因组选择是有效的。
6 展望
随着测序及基因组学、转录组、代谢组、基 因编辑、干细胞等技术的发展与成本的降低,高 效整合利用多组学先验信息的基因组选择方法将 进一步创新及改进。GS 技术将应用于更多新的 功能性状,如饲料转化率、健康、长寿、碳减排 等。2012 年我国自主研发了奶牛基因组选择技术 平台,并在全国推广应用,提升了我国奶牛育种 技术水平。但参考群体规模小,表型数据采集效 率低,选种准确性不高,而且基因组检测SNP 芯 片主要依赖国外公司。因此,需进一步扩大参考 群体规模,优化遗传评估方法,提高选种准确 性,挖掘重要性状功能基因和遗传标记及研发具 有自主知识产权的基因组芯片。同时,推进GS 技术在青年公牛、核心群母牛、种子母牛家系和 商业牧场的应用力度。
参考文献
[1] MEUWISSEN T H, HAYES B J, GODDARD M E. Prediction of total genetic value using genome -wide dense marker maps [J]. Genetics, 2001, 157(4): 1819-1829.
[2] 张胜利, 孙东晓. 奶牛种业的昨天、今天和明天[J]. 中国乳业, 2021(6): 3-10.
[3] 农业农村部种业管理司, 全国畜牧总站. 中国乳用种公牛遗传评估概要[M]. 2023.
[4] AGUILAR I, MISZTAL I, JOHNSON D L, et al. Hot topic: A unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score [J]. Journal of dairy science, 2010, 93(2): 743-752.
[5] CHRISTENSEN O F, LUND M S. Genomic prediction when some animals are not genotyped[J]. Genetics, selection, evolution, 2010, 42(1): 2.
[6] DE LOS CAMPOS G, NAYA H, GIANOLA D, et al. Predicting quantitative traits with regression models for dense molecular markers and pedigree[J]. Genetics, 2009, 182(1): 375-385.
[7] 彭潇, 尹立林, 梅全顺, 等. 猪主要经济性状的基因组选择研究[J]. 畜牧兽医学报, 2019, 50(2): 439-445.
[8] LIANG M, CHANG T P, AN B X, et al. A stacking ensemble learning framework for genomic prediction[J]. Frontiers in genetics, 2021, 12: 600040.
[9] LIANG M, MIAO J, WANG X Q, et al. Application of ensemble learning to genomic selection in Chinese Simmental beef cattle[J]. Journal of animal breeding and genetics, 2021, 138(3): 291-299.
[10] WANG X, SHI S L, ALI KHAN M Y, et al. Improving the accuracy of genomic prediction in dairy cattle using the biologically annotated neural networks framework[J]. Journal of animal science and biotechnology, 2024, 15(1): 87.
[11] XIANG R D, BERG I V D, MACLEOD I M, et al. Quantifying the contribution of sequence variants with regulatory and evolutionary significance to 34 bovine complex traits[J]. Proceedings of the national academy of sciences of America, 2019, 116(39): 19398-19408.
[12] XU Y, ZHAO Y, WANG X, et al. Incorporation of parental phenotypic data into multi -omic models improves prediction of yield-related traits in hybrid rice[J]. Plant biotechnology journal, 2021, 19(261-272).
[13] SCHRAG T A, WESTHUES M, SCHIPPRACK W, et al. Beyond genomic prediction: Combining different types of omics data can improve prediction of hybrid performance in maize[J]. Genetics, 208(4): 1373-1385.
[14] 宋晓晴, 郑伟杰, 杨晨东, 等. 河北省荷斯坦母牛基因组评估效果验证[J]. 中国畜牧杂志, 2024, 60(11): 80-85.
[15] MCNEEL A K, REITER B C, WEIGEL D, et al. Validation of genomic predictions for wellness traits in US Holstein cows[J]. Journal of dairy science, 2017, 100(11): 9115-9124.
[16] FESSENDEN B, WEIGEL D J, OSTERSTOCK J, et al. Validation of genomic predictions for a lifetime merit selection index for the US dairy industry[J]. Journal of dairy science, 2020, 103 (11): 9115-9124.