2. 中国农业科学院北京畜牧兽医研究所, 北京 100193
2. Institute of Animal Science, Chinese Academy of Agricultural Sciences, Beijing 100193, China
在选育过程中，精准可靠的遗传参数估计是合理制定育种方案的前提，且遗传力和遗传相关是了解数量性状变异的主要遗传参数。其传统估计方法从亲属之间的表型相似程度出发，需要有一个受控的育种计划或有关的系谱信息，这使得估计长期生活、难以培养或难以测定性状的遗传力和遗传相关变得困难。传统估计方法是基于系谱的最佳线性无偏预测(BLUP)，此方法对系谱信息的准确性和完整性要求较高。近年来，随着单核苷酸多态性(single nucleotide polymorphisms, SNP)标记的出现以及生物芯片技术的快速发展, 新的遗传参数估计方法被开发出来，即基因组最佳线性无偏预测(GBLUP)方法[1]。与传统BLUP方法相比，该方法通过利用大量的基因组标记信息替代系谱信息来定义亲属之间的协方差，构建亲缘关系矩阵[2-3]。这个矩阵被称为基因组关系矩阵(genomic relationship matrix, GRM)。GRM可以更准确地估计个体间的协方差，且利用GBLUP方法估计的育种值准确性高于传统BLUP方法[4-8]。
胴体性状具有中高等遗传力，而肉质性状如肌内脂肪含量、剪切力等性状受微效多基因控制，遗传力较低[9]。北京油鸡是我国优良地方品种，肉蛋兼用，原产北京。其拥有特殊外貌，肌肉细嫩，肉质鲜美。因此，本研究以北京油鸡为素材，基于BULP和GBLUP两种方法，采用多性状模型和平均信息约束最大似然(average information restricted maximum likelihood, AIREML)算法对其胴体及肉质相关性状的遗传参数进行估计，并在此基础上对两种方法的估计结果进行比较分析。旨在为地方品种的胴体及肉质等性状的选育提供精准、有效的遗传参数信息，为合理制定育种方案提供参考依据和理论支撑。
1 材料与方法 1.1 试验动物试验动物选自中国农业科学院北京畜牧兽医研究所，采用100日龄体重相近的北京油鸡公鸡615只，其分别来源于50只公鸡和202只母鸡的后代，且615个个体在系谱中均可追溯。饲养期间均采用玉米-豆粕型饲粮，其中出雏至6周龄期间，代谢能为12.34 MJ·kg-1, 蛋白20.41%；7~15周龄期间代谢能为10.72 MJ·kg-1, 蛋白15.19%。试验期间所有鸡群均采用自由采食和饮水方式，免疫程序和饲养管理按常规的规范实施。
1.2 样品采集80日龄翅下静脉采血，用于基因组DNA提取。在100日龄屠宰，记录活重、屠体重、胸肌重、腿肌重、腹脂重数据，用于计算屠宰率(EP)、胸肌率(BMP)、腿肌率(LMP)和腹脂率(AFP)等指标。收集左侧胸肌用于肌内脂肪(IMF)含量的测定，右侧胸肌用于肌肉嫩度(以剪切力值表示(shear force，SF))的测定。
1.3 血液DNA提取、质控及SNP分型按常规酚氯仿抽提法提取血液基因组DNA，溶于TE中，Nano Drop TM 2000分光光度计检测DNA质量。包括3项指标：1)DNA完整性要大于10 kb；2)DNA纯度指标(A260 nm/A280 nm)值在1.8~2.2之间；3)DNA浓度为50 ng·μL-1。质控合格的样品DNA送加拿大DNA LandMarks公司使用鸡60K SNP Illumina I Select芯片(Illumina, USA)进行分型。
1.4 基因型数据质控应用PLINK(V1.07)软件对芯片基因型数据进行质量控制，质控标准为: 1)选择检出率(call rate)大于90%的个体；2)选择单个SNP的检出率(call rate)在95%以上的位点；3)选择最小等位基因频率(minor allele frequency, MAF)大于1%的SNP位点。经过质控，最后剩下615个个体和46 876个SNPs标记，用于后续的分析。
1.5 遗传参数估计模型基于系谱数据的BLUP方法和基于基因组信息的GBLUP方法分别用于遗传参数的估计。
基于系谱的动物模型：y=1μ+Za+e，其中，y为各性状的表型值(体重、屠宰率、胸肌率、腿肌率、腹脂率、肉嫩度、肌内脂肪)；a为加性效应；e为随机残差效应；Z为a的关联矩阵, var(a)=Aσa2，其中A是基于系谱数据的亲缘关系矩阵[10]。
基于基因型数据的动物模型：y=1μ+Za+e，y、Z、e同BLUP模型；g表示加性效应，var(g)=Gσg2，其中G是基于基因组SNP信息构建的亲缘关系矩阵[3]。本试验中方差分量的计算基于ASReml-R进行[11-12]。
2 结果 2.1 北京油鸡胴体和肉质性状统计描述由表 1可知，北京油鸡100日龄时，其公鸡的平均体重达到1.5 kg以上。体重、胸肌率和腿肌率3个性状的变异系数分别为11.56%、12.44%和10.06%；公鸡的屠宰率为68.10%，其变异系数最小(5.23%)。除EP外，AFP、SF、IMF性状均具有较大的变异，具备很大的选育空间。
|
表 1 北京油鸡100日龄胴体和肉质相关性状描述统计量 Table 1 Descriptive statistics on carcass and meat quality related traits of 100-day-old Beijing You chicken |
由表 2可知，基于BLUP方法估计，BW、BMP、LMP、AFP和IMF含量均属于中等遗传力性状，其中BMP的遗传力最高，达到0.371，AFP次之，为0.336；EP和SF则属于低遗传力性状。由表 3可知，基于GBLUP方法估计，BW、BMP、LMP和AFP的遗传力仍属于中等遗传力性状，EP、SF和IMF则具有较低的遗传力，分别为0.009、0.019和0.107。两种估计方法中除SF外(表 2、表 3、图 1)，BLUP方法估计的遗传力均要大于GBLUP方法估计的遗传力，其中100日龄体重的遗传力不同方法估计的结果最为接近。
|
|
表 2 基于BLUP方法估计的性状遗传力 Table 2 Estimation of the heritability for traits based on BLUP method |
|
|
表 3 基于GBLUP方法估计的性状遗传力 Table 3 Estimation of the heritability for traits based on GBLUP method |
|
图 1 BLUP和GBLUP方法估计出的遗传力比较 Fig. 1 Comparison of the heritabilities estimated by BLUP and GBLUP methods |
由表 4可以看出，两种方法估计出的IMF与其他性状间的表型相关差异微小。其中，IMF与BW、EP、BMP、LMP和SF性状在两种方法中均呈较低的表型相关(rp为－0.191~0.104)；与AFP则呈现中等程度的表型正相关。
|
|
表 4 肌内脂肪(IMF)与其他性状的表型相关和遗传相关 Table 4 Phenotypic and genetic correlation among IMF and other traits |
利用不同方法估算出的IMF与其他性状的遗传相关差异较大。其中，BLUP方法计算出的IMF与BW、EP、BMP和SF的遗传相关均低于GBLUP方法的计算结果，而IMF与LMP和AFP的遗传相关则与之相反。IMF与BW、BMP和SF呈较高水平的遗传负相关(rA =-0.420~-0.808)。在BLUP方法中，IMF与AFP呈中度遗传正相关(rA =0.420)，而在GBLUP方法中，两者呈现较低水平的遗传正相关(rA =0.097)。
3 讨论 3.1 北京油鸡胴体相关性状遗传力遗传参数估计是育种工作中的重要环节，数量性状的遗传参数在估计育种值、规划育种方案、预测选择效果、解释性状遗传机制等方面有重要作用[13]。胴体性状是衡量肉鸡生产性能的重要指标，多数研究显示其遗传力较高(0.24~0.79) [14-17]，属于中等偏上遗传力性状。此类性状一般通过个体表型选择就可以获得较大的遗传进展。本研究中，BLUP方法估计的胴体性状遗传力要高于GBLUP方法的估计值。其中，基于BLUP方法，除屠宰率(h2 = 0.011)以外，其余胴体性状指标均属于中等遗传力性状(0.240~0.371)；而基于GBLUP方法，100日龄胴体性状则属于中等或偏低遗传力性状(0.009~0.299)。这可能与GBLUP方法采用基因组标记信息有关，使得估计出的遗传力存在一定差异。
3.2 北京油鸡肉质相关性状遗传力近年来，选育肉质性状优良的肉鸡品种成了当前育种工作者的重点工作之一，而关于鸡肉质性状的遗传力报道较少，在其它物种上研究较多。Suzuki等[18]估计的猪肉嫩度、滴水损失、蒸煮损失、肉色、pH的遗传力分别为0.45、0.14、0.09、0.18、0.07，肌肉IMF的遗传力为0.39，属于中等遗传力性状。Fernández等[19]研究发现，猪肌内脂肪含量的遗传力为0.25，脂肪酸含量的遗传力在0.29~0.41之间。Mortimer等[20]研究报道，除肌内脂肪(h2 = 0.48)外，羔羊肉质性状一般具有中等的遗传力，遗传力估计值在0.15~0.30之间。本研究中，鸡肉质性状的遗传力(0.004~0.256)相比其它物种偏低，这可能与不同物种的本身特性以及饲养管理方式等不同有关。
IMF作为影响肉质风味的一个重要因素，国内外关于鸡肉IMF的遗传力报道较少。陈继兰等[16]研究报道，90日龄北京油公鸡风味选育群的胸肌IMF遗传力为0.11，属于偏低遗传力性状，这与赵桂苹等[17]报道的90日龄黄羽肉鸡IMF遗传力(h2=0.220)结果不一致。可能由于品种、选育方式、饲养管理等不同，使得估计的遗传力有所差异。本研究以BLUP和GBLUP方法估计的胸肌IMF遗传力分别为0.256和0.107，GBLUP方法估计的IMF遗传力要低于BLUP估计的遗传力。而GBLUP方法对肉嫩度遗传力(h2 = 0.019)的估计值要高于BLUP估计的遗传力(h2 = 0.004)。其中，以传统BLUP方法所估计的IMF遗传力与赵桂苹等[17]研究报道结果十分接近。由上述可知，鸡肉质性状属于中等偏低遗传力性状，对其进行选择时结合家系选择的方法可以有效的提高选择进展。
3.3 IMF与其他性状间的表型相关和遗传相关本研究发现，北京油鸡IMF与BW、EP、BMP、LMP和SF性状间的表型相关值在两种方法中均较低；与AFP性状则呈现中等程度的表型正相关。在遗传相关方面，IMF与BW呈现高度的遗传负相关(－0.572、－0.808)，与陈继兰等[16, 21]研究报道结果存在较大差异(0.14、0.75)，这种差异可能与估计方法、选育方式、选育代次程度以及样本含量大小有关。多个研究表明，IMF与AFP呈中等程度遗传正相关(0.29~0.32)，与本研究BLUP方法估计结果近似。而GBLUP方法中，两者则呈现较低水平的遗传相关(0.097)，这可能与该方法以基因组标记信息替代系谱信息构建亲缘关系矩阵有关，G阵中包含的附加信息相比系谱可能已足够删除更多亲属之间的环境效应所引起的误差。从遗传角度看，在对IMF进行选择时，会间接导致体重下降、腹脂增加。因此，育种过程中要同时兼顾性状间的相关，对各重要性状进行综合选育，同步改善。
基于两种方法对表型相关的估计值差异微小，遗传相关估计值差异较大。其中，BLUP方法估计的IMF与BW、BMP的遗传相关要低于GBLUP方法的计算结果。两性状之间的遗传相关估计值一般高于表型相关。本研究中，无论是基于BLUP方法还是GBLUP方法，IMF与大部分性状的遗传相关估计值都要高于表型相关，这可能与表型等于基因型加环境互作有关。故在家禽育种工作中，依据遗传相关进行间接选择，可剔除部分环境因素误差，以提高选择的准确性，进而提升选育效果。
3.4 BLUP和GBLUP估计方法间的差异GBLUP方法与传统BLUP方法算法一致，区别在于传统的BLUP方法进行畜禽遗传评估时结合表型数据，利用系谱信息构建个体的亲缘关系矩阵，而GBLUP方法则基于全基因组SNP信息构建亲缘关系矩阵，进行遗传参数的估计。高密度基因分型可以识别没有记录在系谱中的共同祖先所具有的相同状态基因。因此，利用基因组信息估计的基因组估计育种值(genomic estimation breeding value, GEBV)准确性要高于传统的估计育种值(estimated breeding value, EBV)估计[22-25]。基于系谱的模型仅限于估计加性遗传变异，而这些变异又被严重高估，因为他们由非常小的显性和主要的加性上位性遗传变异混淆。相比之下，实施的基因组成对实现的关系模型则允许加性遗传变异从所有非加性因素中通过遗传方差分解出来。据此，基于标记的模型产生了更真实的狭义遗传估计[26]。研究发现，系谱估计值较高主要是由环境因素造成，亲属之间的相似性使得加性方差和遗传力的估计值升高；而使用基因组信息替代家系亲缘关系信息，则可能更多地排除环境效应造成的亲缘相似性[27-30]。因此，相比传统BLUP方法而言，GBLUP方法估计的遗传参数更加准确、偏差更小[31]。
本研究可能由于肌内脂肪等性状难以测量、试验群体较小和使用的SNP芯片基于国外商业化肉鸡品种开发，GBLUP方法的优势并没有很好地体现出来。本研究中，除剪切力外，其余性状BLUP方法所估计的遗传力均高于GBLUP方法估计的遗传力，这可能与IMF等性状受微效多基因控制有关。其中使用不同方法估计的100日龄体重的遗传力差异最小。同时，不同方法估计的IMF与其他性状的遗传相关和表型相关结果也存在一定差异。GBLUP方法计算出的IMF与BW、BMP的遗传相关明显高于BLUP方法估计的结果。在BLUP方法中，IMF与AFP呈中等程度的遗传正相关，在GBLUP方法中，两者则呈现较低水平的遗传正相关。说明，通过GBLUP方法估计的遗传参数与传统的BLUP方法估计结果存在一定差异，可能与基于系谱的模型所具有的仅限于估计加性遗传变异有关，其不能将加性遗传变异从非加性因素中通过遗传方差分解。因此，选用合适的参数估计方法，提供精准的育种信息，可以提高选择的有效性。
4 结论本研究采用两种不同方法分别对北京油鸡胴体和肉质等相关性状的遗传参数进行了估计。结果表明，除剪切力外，其余性状BLUP方法所估计的遗传力均高于GBLUP方法估计的遗传力，基于两种方法估计的肉质性状遗传参数估计值差异要高于胴体性状。其中，除屠宰率外，胴体性状均属于中等遗传力性状；IMF含量属于中等偏低遗传力性状，肌肉嫩度遗传力较低。在两种方法中IMF与其他性状间的表型相关差异微小，遗传相关差异较大。GBLUP方法计算出的IMF与BW、BMP的遗传相关明显高于BLUP方法估计的结果。在BLUP方法中，IMF与AFP呈中等程度的遗传正相关，在GBLUP方法中，两者则呈现较低水平的遗传正相关。且IMF与BW、BMP和SF均呈较高水平的遗传负相关(rA 为－0.420~－0.808)。综上，对于某些性状，基于两种方法估计的遗传参数结果存在较大差异。在实际育种工作中，为提高育种效率，在性状遗传参数估计方法选择时，需要进行综合考虑，以制定最优育种方案。
| [1] | MISZTAL I, LEGARRA A. Invited review:efficient computation strategies in genomic selection[J]. Animal, 2017, 11(5): 731–736. DOI: 10.1017/S1751731116002366 |
| [2] | MOMEN M, MEHRGARDI A A, SHEIKHY A, et al. A predictive assessment of genetic correlations between traits in chickens using markers[J]. Genet Sel Evol, 2017, 49(1): 16. DOI: 10.1186/s12711-017-0290-9 |
| [3] | VANRADEN P M. Efficient methods to compute genomic predictions[J]. J Dairy Sci, 2008, 91(11): 4414–4423. DOI: 10.3168/jds.2007-0980 |
| [4] | REIMANN F A, BOLIGON A A, CAMPOS G S, et al. Genetic parameters and accuracy of traditional and genomic breeding values for eye pigmentation, hair coat and breed standard in Hereford and Braford cattle[J]. Livest Sci, 2018, 213: 44–50. DOI: 10.1016/j.livsci.2018.04.007 |
| [5] | RAIDAN F S S, PORTO-NETO L R, LI Y, et al. Weighting genomic and genealogical information for genetic parameter estimation and breeding value prediction in tropical beef cattle[J]. J Anim Sci, 2018, 96(2): 612–617. DOI: 10.1093/jas/skx027 |
| [6] |
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.
PENG X, YIN L L, MEI Q S, et al. A study of genome selection based on the porcine major economic traits[J]. Acta Veterinaria et Zootechnica Sinica, 2019, 50(2): 439–445. (in Chinese) |
| [7] |
尹立林, 马云龙, 项韬, 等. 全基因组选择模型研究进展及展望[J]. 畜牧兽医学报, 2019, 50(2): 233–242.
YIN L L, MA Y L, XIANG T, et al. The progress and prospect of genomic selection models[J]. Acta Veterinaria et Zootechnica Sinica, 2019, 50(2): 233–242. (in Chinese) |
| [8] | CLARK S A, HICKEY J M, DAETWYLER H D, et al. The importance of information on relatives for the prediction of genomic breeding values and the implications for the makeup of reference data sets in livestock breeding schemes[J]. Genet Sel Evol, 2012, 44: 4. DOI: 10.1186/1297-9686-44-4 |
| [9] | KHANAL P, MALTECCA C, SCHWAB C, et al. Genetic parameters of meat quality, carcass composition, and growth traits in commercial swine[J]. J Anim Sci, 2019, 97(9): 3669–3683. DOI: 10.1093/jas/skz247 |
| [10] | HENDERSON C R. Best linear unbiased estimation and prediction under a selection model[J]. Biometrics, 1975, 31(2): 423–447. DOI: 10.2307/2529430 |
| [11] | CADENA A, BURGEÑO J, CROSSA J, et al.User's guide for spatial analysis of field variety trials using ASREML[Z]. México: CIMMYT, 2000. |
| [12] | GILMOUR A R, THOMPSON R, CULLIS B R. Average information REML:an efficient algorithm for variance parameter estimation in linear mixed models[J]. Biometrics, 1995, 51(4): 1440–1450. DOI: 10.2307/2533274 |
| [13] |
周桂珍, 魏趁, 张晓雪, 等. 用DMU软件估计西门塔尔母牛主要经济性状的遗传参数[J]. 中国畜牧杂志, 2018, 54(6): 43–46.
ZHOU G Z, WEI C, ZHANG X X, et al. Estimation of genetic parameters of main economic characters of simmental cattle by DMU software[J]. Chinese Journal of Animal Science, 2018, 54(6): 43–46. (in Chinese) |
| [14] | ZEREHDARAN S, VEREIJKEN A L J, VAN ARENDONK J A M, et al. Estimation of genetic parameters for fat deposition and carcass traits in broilers[J]. Poult Sci, 2004, 83(4): 521–525. DOI: 10.1093/ps/83.4.521 |
| [15] | GROSSO J L B M, BALIEIRO J C C, ELER J P, et al. Comparison of different models to estimate genetic parameters for carcass traits in a commercial broiler line[J]. Genet Mol Res, 2010, 9(2): 908–918. DOI: 10.4238/vol9-2gmr773 |
| [16] |
陈继兰, 文杰, 赵桂苹, 等. 鸡肉肌苷酸和肌内脂肪等肉品风味性状遗传参数的估计[J]. 遗传, 2005, 27(6): 898–902.
CHEN J L, WEN J, ZHAO G P, et al. Genetic parameter estimation for Inosine-5-Monophosphate and intramuscular fat contents and other meat quality traits in chicken muscle[J]. Hereditas (Beijing), 2005, 27(6): 898–902. DOI: 10.3321/j.issn:0253-9772.2005.06.009 (in Chinese) |
| [17] |
赵桂苹, 文杰, 陈继兰, 等. 黄羽肉鸡IMF选择与遗传参数估计[J]. 畜牧兽医学报, 2006, 37(9): 870–873.
ZHAO G P, WEN J, CHEN J L, et al. Selection response and estimation of the genetic parameters for intramuscular fat in a quality chicken line[J]. Acta Veterinaria et Zootechnica Sinica, 2006, 37(9): 870–873. DOI: 10.3321/j.issn:0366-6964.2006.09.006 (in Chinese) |
| [18] | SUZUKI K, IRIE M, KADOWAKI H, et al. Genetic parameter estimates of meat quality traits in Duroc pigs selected for average daily gain, longissimus muscle area, backfat thickness, and intramuscular fat content[J]. J Anim Sci, 2005, 83(9): 2058–2065. DOI: 10.2527/2005.8392058x |
| [19] | FERNÁNDEZ A, DE PEDRO E, NU'ÑEZ N, et al. Genetic parameters for meat and fat quality and carcass composition traits in Iberian pigs[J]. Meat Sci, 2003, 64(4): 405–410. DOI: 10.1016/S0309-1740(02)00207-3 |
| [20] | MORTIMER S I, VAN DER WERF J H J, JACOB R H, et al. Genetic parameters for meat quality traits of Australian lamb meat[J]. Meat Sci, 2014, 96(2): 1016–1024. DOI: 10.1016/j.meatsci.2013.09.007 |
| [21] |
郑麦青.鸡肌内脂肪和肌苷酸性状选择及其与繁殖性状的遗传相关分析[D].北京: 中国农业科学院, 2008.
ZHENG M Q.Selection on meat quality traits and its genetic correlation with reproduction traits in Beijing-You chicken[D].Beijing: Chinese Academy of Agricultural Sciences, 2008.(in Chinese) http://d.wanfangdata.com.cn/Thesis/Y1422340 |
| [22] | WANG X Q, MIAO J, CHANG T P, et al. Evaluation of GBLUP, BayesB and elastic net for genomic prediction in Chinese Simmental beef cattle[J]. PLoS One, 2019, 14(2). |
| [23] | LOPES M S, BOVENHUIS H, VAN SON M, et al. Using markers with large effect in genetic and genomic predictions[J]. J Anim Sci, 2017, 95(1): 59–71. |
| [24] | GODDARD M E, HAYES B J. Mapping genes for complex traits in domestic animals and their use in breeding programmes[J]. Nat Rev Genet, 2009, 10(6): 381–391. DOI: 10.1038/nrg2575 |
| [25] | FORNI S, AGUILAR I, MISZTAL I. Different genomic relationship matrices for single-step analysis using phenotypic, pedigree and genomic information[J]. Genet Sel Evol, 2011, 43: 1. DOI: 10.1186/1297-9686-43-1 |
| [26] | EL-DIEM O G, RATCLIFFE B, KLÁPŠTĚ J, et al. Implementation of the realized genomic relationship matrix to open-pollinated white spruce family testing for disentangling additive from nonadditive genetic effects[J]. G3 (Bethesda), 2016, 6(3): 743–753. DOI: 10.1534/g3.115.025957 |
| [27] | SUONTAMA M, KLÁPŠTĚ J, TELFE E, et al. Efficiency of genomic prediction across two Eucalyptus nitens seed orchards with different selection histories[J]. Heredity, 2018, 122: 370–379. |
| [28] | GIENAPP P, CALUS M P L, LAINE V N, et al. Genomic selection on breeding time in a wild bird population[J]. Evol Lett, 2019, 3(2): 142–151. DOI: 10.1002/evl3.103 |
| [29] | LEE S H, GODDARD M E, VISSCHER P M, et al. Using the realized relationship matrix to disentangle confounding factors for the estimation of genetic variance components of complex traits[J]. Genet Sel Evol, 2010, 42: 22. DOI: 10.1186/1297-9686-42-22 |
| [30] | VEERKAMP R F, MULDER H A, THOMPSON R, et al. Genomic and pedigree-based genetic parameters for scarcely recorded traits when some animals are genotyped[J]. J Dairy Sci, 2011, 94(8): 4189–4197. DOI: 10.3168/jds.2011-4223 |
| [31] |
王欣, 孙辉, 胡中立, 等. 基因组选择方法研究进展[J]. 扬州大学学报:农业与生命科学版, 2018, 39(1): 61–67.
WANG X, SUN H, HU Z L, et al. The research progress of genomic selection methods[J]. Journal of Yangzhou University (Agricultural and Life Science Edition), 2018, 39(1): 61–67. (in Chinese) |