2. 佛山科学技术学院生命科学与工程学院, 佛山 528231;
3. 丹麦奥胡斯大学分子生物学和遗传学系, Tjele DK-8830
2. College of Life Science and Engineering, Foshan University of Science and Technology, Foshan 528231, China;
3. Department of Molecular Biology and Genetics, Aarhus University, Tjele 8830, Denmark
饲料是肉鸡养殖的主要成本,占总成本的70%左右,肉鸡遗传选育是改进品种饲料利用效率的主要途径,在相同的营养水平下,遗传选育对饲料利用效率的改良贡献比例高达85%[1]。基因组选择(genomic selection, GS)是新一代的畜禽育种技术,是国内外动物遗传育种领域研究的重点和热点[2-5]。GS将动物个体之间的遗传关系评估从系谱水平深入到全基因组水平[6],为肉鸡的选育提供了新的契机。GS可实现早期精准选择,对难以测量或者测量费用较高的性状选育具有显著优势,如产蛋数等限性性状,屠宰率、胸肌率和腿肌肉率等屠宰性状,以及剩余采食量等饲料利用性状。在家禽中,GS已经在Cobb等国际大型跨国肉鸡育种公司中得到应用,在我国尚处于积极探索实施阶段[7-10]。对于肉鸡育种,GS的主要优势体现在提高育种值估计准确性上。
基因标记分型平台是影响基因组估计育种值(genomic estimated breeding value, GEBV)准确性的重要因素。早期畜禽育种中基因组育种值估计通常都采用基因芯片[11-12]。随着测序技术的发展,基于下一代测序技术,衍生出许多基因标记分型技术,这些技术统称为简化基因组测序(reduced-representation genome sequencing, RRGS),指利用限制性内切酶对基因组DNA进行酶切,并对酶切片段进行高通量测序的技术。RRGS以低廉的价格获得更多的基因组标记,成为一类可选的基因标记分型平台,但是存在分型标记质量受到群体大小影响的不足[13]。在家畜育种中,使用测序技术进行基因组选择备受关注,已经有研究开始尝试[14-16]。Gorjanc等[17]利用模拟数据研究表明,使用测序技术进行基因组标记分型,在畜禽基因组选择中具有巨大应用潜力。Tan等[16]在一个杜洛克公猪群体中,利用简化基因组测序技术进行基因组标记分型,研究发现,乳头数的基因组选择准确性可以达到0.425,但该研究并没有比较基因芯片与测序技术用于基因组选择准确性的差异。
基因组育种值估计方法也是影响GEBV准确性的重要因素。Meuwissen等[6]在提出基因组选择方法的同时提出了两类基因组育种值估计方法:一类是BLUP法;另外一类是贝叶斯法。这两类方法成为了基因组育种值估计的主流方法,后续的方法都是对这两类方法的发展和优化。这两类模型主要的区别在于基因组遗传标记效应分布假设不同,其中基因组最佳线性无偏预测(genomic best linear unbiased prediction,GBLUP)模型假设所有的标记效应服从同一方差的正态分布;贝叶斯模型假设更符合实际,它假设标记效应服从不同的分布,其中,贝叶斯混合模型假设大部分基因组标记不具有效应或者具有很微小的效应,小部分标记具有中等甚至较大效应[6]。基因芯片SNP标记分布较为均匀;由于酶切位点的不同,简化基因组测序技术SNP标记分布均匀性相对较差,可能存在大片段的SNP标记缺失[17],准确的标记分布假设可能更有利。真实存在效应的基因组SNP标记只是其中一部分,研究表明,通过先剔除无效SNP标记,然后使用BLUP法估计育种值的两步法可以提高GEBV准确性[9],直接使用贝叶斯方法一步完成是否可以取得同样的效果,有待研究。本研究的目的主要有两个方面:一方面是比较芯片标记和简化基因组测序标记估计GEBV准确性的差异;另外一方面是比较GBLUP和贝叶斯法两类基因组育种值估计方法对于两种分型平台的标记数据的适用性。
1 材料与方法 1.1 试验群体本研究所使用的试验群体为采用远缘杂交F2设计构建的黄羽肉鸡资源群体,亲本为黄羽肉鸡快大型父系A系和慢速型惠阳胡须鸡H系,其中,A系以生长性状为主要选择目标历经10个以上世代闭锁群体继代选育,H系为广东地方品种,原产于广东省惠阳地区,该群体饲养在广东省农业科学院动物科学研究所科研试验场。该黄羽肉鸡资源群F2代分为6批孵化、出雏,0~6周龄(0~42 d)为育雏阶段,采用封闭式育雏,舍笼上群养,饲喂小鸡料,含代谢能12 139 kJ·kg-1,粗蛋白200 g·kg-1。7周龄(43 d)开始,成鸡阶段,单笼单只饲养,饲喂育成料,含代谢能12 348 kJ·kg-1,粗蛋白180 g·kg-1。饲喂期间自由采食,并24 h提供光照,按正常程序免疫。6周龄(42 d)前,每双周测定体重,从6周龄后,每周测定体重和采食量。在本研究中,一共使用了395只具有表型的F2代个体,其中公鸡212只,母鸡183只,来自8个半同胞家系。
本试验中对6个性状进行研究,分别为6周(42 d)体重,12周(84 d)体重,6~12周,日均增重(ADG):(12周体重-6周体重)/42,日均采食量(ADFI):6~12周总采食量/42,饲料转化率(FCR):ADFI/ADG,以及剩余采食量(RFI)。剩余采食量的计算方法[18]:
$ {\rm{ADFI }} = \mu + {\mathop{\rm sex}\nolimits} + {\rm{ hatch }} + {{\mathsf{β }}_1}{\rm{ MBW}}{{\rm{ }}^{0.75}} + \\{{\mathsf{β }}_2}{\rm{ADG}} + {\rm{e}}。$ |
在该模型中, μ代表截距, sex和hatch为固定效应,分别代表性别和孵化批次, MBW是6周末体重和12周末体重均值, MBW0.75代表维持代谢重[19], β1和β2是偏回归系数, e代表剩余值,e的估计值就是RFI测定值。性状的均值和标准差如表 1所示。
试验群体分别采用基因芯片和简化基因组测序技术两种平台进行基因标记分型。基因芯片分型使用的是Illumina Chicken 60K SNP芯片[20],因其包含性染色体可以提高GEBV准确性[21],本研究中数据采用1~28号常染色体和Z染色体数据,然后依次删除call rate小于95%,Gentrain score小于0.6和MAF小于0.01的标记,经质量控制后,46 690个SNPs标记得以保留。简化基因组标记分型采用SLAF方法[22]进行10×深度测序,仅保留覆盖70%个体的基因标记,采用的染色体与基因芯片一致,然后删除MAF小于0.01的标记,最终121 132个SNPs标记得以保留。测序数据获得的基因标记数量超过基因芯片的2倍。
1.3 统计模型1.3.1 GBLUP模型 GBLUP模型[23]:
$ y=X b+Z u+e, $ |
其中,y代表观察值向量,本研究中为6周体重等6个性状;b代表固定效应向量,本研究中为批次和性别,由于性状RFI已经对这两个固定效应预先剔除,所以不考虑批次和性别效应。X代表b的关联矩阵,u代表加性遗传效应向量,Z代表u的关联矩阵,e代表剩余效应向量。模型假设u,e分别服从如下正态分布u~N (0, Gσu2),e~N(0, Iσe2),其中G代表使用SNP基因组标记构建的基因组关系矩阵[23],σu2代表基因组加性遗传方差。
1.3.2 贝叶斯模型BayesCπ 在贝叶斯分析中,基因组标记的效应由以下模型估计:
$ y=X b+M q+e, $ |
其中,q代表随机SNP效应向量,M代表基因型矩阵,y、X、b和e的定义和GBLUP模型相同。BayesCπ模型[24]假设一部分SNP标记没有效应,另外一部分SNP标记具有效应,且服从同一正态分布:
$ q = \left\{ {\begin{array}{*{20}{c}} 0&{{\rm{ with}}\;{\rm{probability}}\;{\rm{ \mathsf{ π} }}, }\\ { \sim N\left( {0, \sigma _q^2} \right)}&{{\rm{ with}}\;{\rm{probability}}\;(1 - \rm{ \mathsf{ π} } )} \end{array}} \right. $ |
其中,π未知,由JWAS软件估计。
个体GEBV定义为:
$ G E B V_{i}=\sum_{j=1}^{k} m_{i j} \hat{q}_{j}, $ |
其中,
丹麦奥尔胡斯大学开发的DMU软件包[25]被用于分析GBLUP模型。方差组分估计采用平均信息约束最大似然算法(average information restricted maximum likelihood, AIREML)[26]。BayesCπ分析执行了单链Gibbs抽样算法,链长为50 000个循环,前20 000个循环为预热长度,在后30 000个循环中每20次抽样保留1次用于后验分析。贝叶斯分析使用美国加利福尼亚大学戴维斯分校开发的JWAS软件包[27]完成。
1.4 交叉验证法本研究采用5折交叉验证法评估基因组预测模型所得GEBV的准确性,即将试验群体随机拆分为5个均匀分组,其中一个分组作为验证群,剩余4个分组合并组成参考群,进行育种值预测,在预测育种值时假设验证群体中个体表型记录未知。为了避免抽样误差,5折交叉验证法进行30次重复。通过GEBV与校正表型值之间的相关评估GEBV准确性。校正表型值采用线性回归获得,即原始表型数值剔除性别效应和批次效应后的值:观察值-性别效应-批次效应。本研究中还用GEBV与校正表型值之间的回归系数检测GEBV的无偏性。如果GEBV是真实育种值的无偏估计,那么回归系数应该与1差异不显著[28]。差异显著性检验使用LSD法,应用R语言(http://www.r-project.org/) agricolae包完成,无偏性分析采用R语言lm()函数完成。
2 结果 2.1 两个分型平台标记估计的遗传参数基于基因芯片和简化基因组测序两个基因标记分型平台数据进行遗传参数估计,结果如表 2所示。基于基因芯片平台数据所获得的估计遗传力(加性遗传方差占性状表型方差的比率)低于测序数据平台所获得的估计遗传力。研究的所有6个性状中,饲料转化率具有中等偏低的遗传力,两个基因标记分型平台的估计遗传力分别是0.266和0.269,其他5个性状都具有中等偏高的遗传力,两个平台的估计遗传力范围分别是0.412~0.634和0.482~0.701,其中,12周体重遗传力最高。
估计遗传力受到品种、群体大小、群体结构等诸多因素影响[12, 29-30]。在纯系的黄羽肉鸡中[12],12周体重的遗传力为0.48,而本研究中12周体重的估计遗传力为0.63,在一个白羽肉鸡群体中[30],RFI和FCR的遗传力分别是0.35和0.10,本研究中RFI和FCR的估计遗传力分别为0.41和0.27,高于其他肉鸡群体,可能是由于本群体数据来源于远缘杂交F2群体,亲本为快大型黄羽肉鸡和慢速型惠阳胡须鸡,受到了品种、群体结构和遗传背景等因素影响。
2.2 估计育种值准确性如表 3所示,基于交叉验证的基因组预测育种值与校正表型值相关系数并没有出现所有性状GEBV准确性一致偏向于基因芯片或者测序平台的情况。其中,6周体重无论是采用GBLUP还是BayesCπ方法,基于基因芯片数据所获得GEBV准确性均显著高于测序数据(P < 0.05),差异分别为0.029何0.037。对于剩余采食量,采用两种育种值估计方法,基于基因芯片数据所获得GEBV准确性都显著低于测序数据(P < 0.05),差异分别是0.018和0.019。日均采食量和饲料转化率,在两个平台采用两种育种值估计方法,GEBV差异均不显著(P>0.05)。
如表 4所示,基于交叉验证的基因组预测育种值与校正表型值回归系数,基于基因芯片和测序数据平台所获GEBV偏差性较为相似。使用GBLUP法估计育种值时,所有6个性状的回归系数都比较接近于1,范围是0.944~1.020。使用BayesCπ时,饲料转化率偏性较大,远偏离于1,两个平台的回归系数分别是0.860和0.867。其它5个性状,偏差性较小,回归系数范围是0.970~1.058。
本研究在一个黄羽肉鸡群体中通过与基因芯片技术比较,探索简化基因组测序技术用于肉鸡生长和饲料利用效率基因组选择的潜力。研究结果表明,虽然不同的性状在基因芯片和高通量测序平台存在GEBV准确性的差异,但两个基因标记分型平台所得的6个性状的GEBV准确性平均值差异不到0.01,因而认为,简化基因组测序平台具有巨大的应用潜力,在已有的动物[17]和植物[31]的基因组选择研究中也有类似的结论。
高通量测序技术平台有可能带来GEBV准确性的提升。已有研究[32-33]表明,相比基因芯片技术,测序技术所获得的GEBV准确性并没有因为标记数量成倍增长而显著增加。在对一个白羽商业蛋鸡品种的产蛋数的研究中,相比60K基因芯片,填充全基因组测序数据实际使用的SNP标记数量是前者的190倍以上,但测序数据所获得的GEBV准确性仅仅提升了约1%[32]。在对一个褐色商业蛋鸡品系的产蛋率等性状的研究中,同样使用了填充后的测序数据与基因芯片比较,相比336K基因芯片,填充后的测序数据所使用的SNP标记数量约为前者的33倍,测序数据比芯片数据准确性仅提高了约3% [33]。本研究在一个肉鸡群体中对饲料利用效率性状进行研究,使用的简化基因组测序技术所获得的SNP标记数超过60K基因芯片的2倍,但是并不是所有性状GEBV准确性都提高,有的性状甚至稍差于基因芯片。我们认为,虽然测序数据对育种值估计存在性状特异性,但是GEBV准确性并没有随着SNP标记数量增加而增加,主要是因为测序数据在增加性状关联标记的同时,也带来大量与性状毫无关联的无效标记,干扰了对育种值的准确估计,挑选出有效标记可进一步提升测序数据的准确性。
GBLUP方法可以作为高通量测序平台GEBV的估计方法。BLUP类和贝叶斯类作为主流的基因组育种值估计方法,许多研究人员都开展过两类方法的比较研究。在模拟数据研究中,一般都假设少量的具有大效应的QTL影响目标性状表型,研究结果都是贝叶斯基因组育种值预测模型优于GBLUP模型。然而,在实际畜禽育种中,如奶牛[34]、肉鸡[35]、猪[36],对于大多数数量性状BLUP类模型和贝叶斯模型所得结果基本趋近于一致。贝叶斯模型相比BLUP模型,最大的优势在于对标记效应的分布假设更加合理。研究者提出一种剔除无效基因标记PMS法[9],并基于测序数据使用GBLUP育种值估计方法对PMS法进行评估。研究结果显示,经PMS法剔除标记后,12周体重和饲料转化率的GEBV准确性分别从0.509和0.249提高到0.671和0.499。本研究使用BayesCπ和GBLUP对12周体重和饲料转化率的GEBV准确性进行比较研究。BayesCπ的前提假设与PMS法相同,即假设一部分标记没有效应,而另外一部分标记具有效应且服从同一正态分布。然而,研究结果显示,对于12周体重和饲料转化率,BayesCπ和GBLUP两种育种值估计方法GEBV准确性差异不显著(P>0.05),说明,虽然BayesCπ假设的标记效应分布与PMS法一致,比GBLUP法更加合理,但并没有充分发挥标记效应更加合理这一优势,不能显著提升贝叶斯方法的准确性,如何优化贝叶斯方法有待进一步研究。在实际育种应用中,由于GBLUP法的运算效率远远大于贝叶斯法,因而更值得推荐,通过基因组标记加权的方法,如TABLUP[37],即可使模型假设更加合理,也可获得较高的运算效率。
高通量测序技术可能更有利于地方品种肉鸡选育。中国具有丰富的地方特色肉鸡品种资源,地方品种保留了当地民众所喜爱的特有性状,通常具有较小的有效群体,如广东惠阳胡须鸡、北京油鸡、清远麻鸡等。基因组选择准确性很大程度决定于基因组分型平台对影响目标性状的关键基因标记的覆盖度[38]。然而,常规的基因芯片很难覆盖地方品种特有性状遗传变异位点,限制了基因组选择对这些性状的选择效率。相比基因芯片,采用测序技术可以通过优化选择适合的限制性内切酶,实现对地方品种特有变异区域的大片段覆盖,可提升基因组选择准确性。
4 结论本研究在一个黄羽肉鸡群体中,利用GBLUP法和BayesCπ方法,比较基因芯片技术和简化基因组测序技术两种基因标记分型平台的数据用于肉鸡基因组选择的潜力。采用同一基因标记分型平台,两种育种值估计方法所得GEBV准确性相似,但是GBLUP法具备更快的运算速度。虽然基因标记分型平台的选择存在性状差异,但综合6个性状GEBV准确性均值比较,两个基因标记分型平台之间差异不到0.01,因而高通量测序技术和基因芯片技术都可以用于黄羽肉鸡的基因组选择。
[1] | HAVENSTEIN G B, FERKET P R, QURESHI M A. Growth, livability, and feed conversion of 1957 versus 2001 broilers when fed representative 1957 and 2001 broiler diets[J]. Poult Sci, 2003, 82(10): 1500–1508. DOI: 10.1093/ps/82.10.1500 |
[2] | VARONA L, LEGARRA A, HERRING W, et al. Genomic selection models for directional dominance:an example for litter size in pigs[J]. Genet Sel Evol, 2018, 50(1): 1. DOI: 10.1186/s12711-018-0374-1 |
[3] |
王琦, 朱迪, 王宇哲, 等. 全基因组SNP分型策略及基因组预测方法的研究进展[J]. 畜牧兽医学报, 2020, 51(2): 205–216.
WANG Q, ZHU D, WANG Y Z, et al. Research progress of genomic-wide SNP genotyping and genomic prediction methods[J]. Acta Veterinaria et Zootechnica Sinica, 2020, 51(2): 205–216. (in Chinese) |
[4] |
杨岸奇, 陈斌, 冉茂良, 等. 基因组选择在猪杂交育种中的应用[J]. 遗传, 2020, 42(2): 145–152.
YANG A Q, CHEN B, RAN M L, et al. The application of genomic selection in pig cross breeding[J]. Hereditas (Beijing), 2020, 42(2): 145–152. (in Chinese) |
[5] | SU G S, S∅RENSEN A C, CHU T T, et al. Impact of phenotypic information and composition of reference population on genomic prediction in fish under the presence of genotype by environment interaction[J]. Aquaculture, 2020, 526: 735358. DOI: 10.1016/j.aquaculture.2020.735358 |
[6] | 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. |
[7] |
杨宁, 姜力. 动物遗传育种学科百年发展历程与研究前沿[J]. 农学学报, 2018, 8(1): 64–69.
YANG N, JIANG L. The centennial development history and research frontiers of animal genetics and breeding[J]. Journal of Agriculture, 2018, 8(1): 64–69. (in Chinese) |
[8] | LIU R, ZHENG M, WANG J, et al. Effects of genomic selection for intramuscular fat content in breast muscle in Chinese local chickens[J]. Anim Genet, 2019, 50(1): 87–91. DOI: 10.1111/age.12744 |
[9] | LIU T F, LUO C L, MA J, et al. High-throughput sequencing with the preselection of markers is a good alternative to SNP chips for genomic prediction in broilers[J]. Front Genet, 2020, 11: 108. DOI: 10.3389/fgene.2020.00108 |
[10] | YE S P, CHEN Z T, ZHENG R R, et al. New insights from imputed whole-genome sequence-based genome-wide association analysis and transcriptome analysis:the genetic mechanisms underlying residual feed intake in chickens[J]. Front Genet, 2020, 11: 243. DOI: 10.3389/fgene.2020.00243 |
[11] | WANG C, HABIER D, PEIRIS B L, et al. Accuracy of genomic prediction using an evenly spaced, low-density single nucleotide polymorphism panel in broiler chickens[J]. Poult Sci, 2013, 92(7): 1712–1723. DOI: 10.3382/ps.2012-02941 |
[12] | ZHANG Z, XU Z Q, LUO Y Y, et al. Whole genomic prediction of growth and carcass traits in a Chinese quality chicken population[J]. J Anim Sci, 2017, 95(1): 72–80. |
[13] | NICOD J, DAVIES R W, CAI N, et al. Genome-wide association of multiple complex traits in outbred mice by ultra-low-coverage sequencing[J]. Nat Genet, 2016, 48(8): 912–918. DOI: 10.1038/ng.3595 |
[14] | WANG X, LUND M S, MA P P, et al. Improving genomic predictions by correction of genotypes from genotyping by sequencing in livestock populations[J]. J Anim Sci Biotechnol, 2019, 10(1): 8. |
[15] | WHALEN A, GORJANC G, HICKEY J M. Parentage assignment with genotyping-by-sequencing data[J]. J Anim Breed Genet, 2019, 136(2): 102–112. |
[16] | TAN C, WU Z F, REN J L, et al. Genome-wide association study and accuracy of genomic prediction for teat number in Duroc pigs using genotyping-by-sequencing[J]. Genet Sel Evol, 2017, 49(1): 35. |
[17] | GORJANC G, CLEVELAND M A, HOUSTON R D, et al. Potential of genotyping-by-sequencing for genomic selection in livestock populations[J]. Genet Sel Evol, 2015, 47(1): 12. DOI: 10.1186/s12711-015-0102-z |
[18] | LIU T F, LUO C L, WANG J, et al. Assessment of the genomic prediction accuracy for feed efficiency traits in meat-type chickens[J]. PLoS One, 2017, 12(3): e0173620. DOI: 10.1371/journal.pone.0173620 |
[19] | HOQUE M A, KATOH K, SUZUKI K. Genetic associations of residual feed intake with serum insulin-like growth factor-I and leptin concentrations, meat quality, and carcass cross sectional fat area ratios in Duroc pigs[J]. J Anim Sci, 2009, 87(10): 3069–3075. DOI: 10.2527/jas.2008-1268 |
[20] | GROENEN M A M, MEGENS H J, ZARE Y, et al. The development and characterization of a 60K SNP chip for chicken[J]. BMC Genomics, 2011, 12(1): 274. DOI: 10.1186/1471-2164-12-274 |
[21] | SU G S, GULDBRANDTSEN B, AAMAND G P, et al. Genomic relationships based on X chromosome markers and accuracy of genomic predictions with and without X chromosome markers[J]. Genet Sel Evol, 2014, 46(1): 47. DOI: 10.1186/1297-9686-46-47 |
[22] | SUN X W, LIU D Y, ZHANG X F, et al. SLAF-seq:an efficient method of large-scale de novo SNP discovery and genotyping using high-throughput sequencing[J]. PLoS One, 2013, 8(3): e58700. DOI: 10.1371/journal.pone.0058700 |
[23] | VANRADEN P M. Efficient methods to compute genomic predictions[J]. J Dairy Sci, 2008, 91(11): 4414–4423. DOI: 10.3168/jds.2007-0980 |
[24] | HABIER D, FERNANDO R L, KIZILKAYA K, et al. Extension of the bayesian alphabet for genomic selection[J]. BMC Bioinformatics, 2011, 12(1): 186. |
[25] | MADSEN P, SU G, LABOURIAU R, et al.DMU - a package for analyzing multivariate mixed models[C]//Proceedings of the 9th World Congr Genet Appl Livest Prod.Leipzig, Germany, 2010: 1-732. |
[26] | 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. |
[27] | CHENG H, FERNANDO R L, GARRICK D J.JWAS: julia implementation of Whole-genome Analysis Software[C]//Proceedings of the World Congress on Genetics Applied to Livestock Production.Auckland, New Zealand, 2018: 859. |
[28] | SU G, BR∅NDUM R F, MA P, et al. Comparison of genomic predictions using medium-density (~54, 000) and high-density (~777, 000) single nucleotide polymorphism marker panels in Nordic Holstein and Red Dairy Cattle populations[J]. J Dairy Sci, 2012, 95(8): 4657–4665. DOI: 10.3168/jds.2012-5379 |
[29] | AGGREY S E, KARNUAH A B, SEBASTIAN B, et al. Genetic properties of feed efficiency parameters in meat-type chickens[J]. Genet Sel Evol, 2010, 42(1): 25. DOI: 10.1186/1297-9686-42-25 |
[30] | AGGREY S E, REKAYA R. Dissection of Koch's residual feed intake:implications for selection[J]. Poult Sci, 2013, 92(10): 2600–2605. |
[31] | ELBASYONI I S, LORENZ A J, GUTTIERI M, et al. A comparison between genotyping-by-sequencing and array-based scoring of SNPs for genomic prediction accuracy in winter wheat[J]. Plant Sci, 2018, 270: 123–130. DOI: 10.1016/j.plantsci.2018.02.019 |
[32] | HEIDARITABAR M, CALUS M P L, MEGENS H J, et al. Accuracy of genomic prediction using imputed whole-genome sequence data in white layers[J]. J Anim Breed Genet, 2016, 133(3): 167–179. DOI: 10.1111/jbg.12199 |
[33] | NI G Y, CAVERO D, FANGMANN A, et al. Whole-genome sequence-based genomic prediction in laying chickens with different genomic relationship matrices to account for genetic architecture[J]. Genet Sel Evol, 2017, 49(1): 8. DOI: 10.1186/s12711-016-0277-y |
[34] | KARAMAN E, LUND M S, SU G S. Multi-trait single-step genomic prediction accounting for heterogeneous (co)variances over the genome[J]. Heredity, 2020, 124(2): 274–287. DOI: 10.1038/s41437-019-0273-4 |
[35] | LIU T F, QU H, LUO C L, et al. Accuracy of genomic prediction for growth and carcass traits in Chinese triple-yellow chickens[J]. BMC Genet, 2014, 15(1): 110. DOI: 10.1186/s12863-014-0110-y |
[36] |
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) |
[37] | ZHANG Z, LIU J F, DING X D, et al. Best linear unbiased prediction of genomic breeding values using a trait-specific marker-derived relationship matrix[J]. PLoS One, 2010, 5(9): e12648. DOI: 10.1371/journal.pone.0012648 |
[38] | DRUET T, MACLEOD I M, HAYES B J. Toward genomic prediction from whole-genome sequence data:impact of sequencing design on genotype imputation and accuracy of predictions[J]. Heredity, 2014, 112(1): 39–47. DOI: 10.1038/hdy.2013.13 |