2. 国家肉牛遗传评估中心, 北京 100193;
3. 肉用西门塔尔牛育种联合会, 北京 100193
2. National Centre of Beef Cattle Genetic Evaluation, Beijing 100193, China;
3. Beef Simmental Breeding Alliance, Beijing 100193, China
肉牛业是我国畜牧业的重要组成部分,我国是肉牛生产大国,却不是肉牛育种强国,肉牛种业长期依赖进口。为了摆脱这种局面,切实提高我国肉牛整体生产水平和经济效益,2012年,农业部制定了《全国肉牛遗传改良计划(2011—2025年)》,并筛选国家肉牛核心育种场,成立国家肉牛遗传评估中心,将开展肉牛遗传评估作为提升我国肉牛种业发展的重要一环[1]。肉牛育种已有100多年的历史。近50年以来,世界各国肉牛育种工作者经过不断探究,形成了一套完善且有效的肉牛育种体系[2]。由于各国肉牛主要品种有一定差异,而不同品种在生产性能方面各有部分差异,如法国、美国和澳大利亚存栏较多的中大型肉牛品种夏洛莱、利木赞和西门塔尔牛在生长速度上更加突出[3-4],美国和澳大利亚存栏较多的中小型肉牛品种安格斯及日本的和牛在肉质性状上更加突出[5-6],美国和印度存栏较多的瘤牛品种婆罗门牛和巴西的内洛尔牛在耐热能力和屠宰率上优势更突出[7-9]。因此,各国在进行遗传评估时,制定的综合选择指数在所选择的性状和权重方面也有一定差异。本文介绍了我国肉牛遗传评估体系,同时,对各大洲主要肉牛生产大国的遗传评估体系分别进行综述,从常规遗传评估和基因组遗传评估体系两方面分别进行对比分析,包含群体规模、所用芯片、每年评估次数、遗传评估模型、负责部门等信息,旨在为给我国肉牛遗传评估和育种工作提供借鉴,以期缩短我国肉牛育种同国外的差距,加快育种进程。
1 常规遗传评估和基因组评估技术肉牛常规遗传评估的核心方法是1975年Henderson[10]提出的以线型混合模型为基础的最佳线性无偏预测法(best linear unbiased prediction, BLUP),主要评估了生长发育、体型、屠宰、胴体、肉质和繁殖6大类性状。在评估过程中依据不同性状的固定效应而构建不同的模型,利用个体间的亲缘关系构建分子血缘关系矩阵(molecar relationship matrix A),进行迭代计算估计育种值(estimated breeding value, EBV)。在求解混合模型方程组(mixed-model equations, MME)时要利用性状的方差组分,而计算方差组分用到的方法主要有最小方差二次无偏估计(minimum variance quadratic unbiased estimator,MIVQUE)[11]、最大似然法(maximum-likelihood,ML)[12]、约束最大似然估计法(restricted maximum-likelihood,REML)[13]和贝叶斯方法[14]等,其中REML方法应用最广。2001年,Interbull官方公布的指南中指出,在计算估计育种值的模型中,对于生产性状而言,动物模型优于公畜模型,多性状模型优于单性状模型;针对阈性状而言,公畜模型和公畜-外祖父模型估计结果更为准确[15],常用的育种值估计软件有美国1993年开发的MTDFREML[16]和1997年开发的BLUPF90[17]、英国1995年开发的ASREML[18]和丹麦2013年开发的DMU[19]等。在种公牛遗传评估方面,后裔测定技术是评估公牛种用价值最可靠的方法,但由于周期长、后裔的屠宰和肉质性状难以收集等问题造成成本过高,难以在生产实践中推广应用[20]。
随着分子生物学技术的发展,Meuwissen等[21]于2001年提出全基因组选择概念,它是利用基因组范围内的SNP位点进行基因组育种值的估计,目前已经在奶牛[22]、肉牛[23]、猪[24]、鸡[25]等动物育种中广泛应用。依据基因组育种值估计方法的差异,其计算模型可分为两类:一是直接计算个体的基因组估计育种值,其原理是利用SNP标记信息构建个体间的关系矩阵(genomic relation matrix, G)或系谱信息与SNP标记的综合信息构建H矩阵,在混合模型方程组中直接求解个体的基因组育种值,常用的计算方法有2008年提出的GBLUP[26]和2009年提出的ssGBLUP[27];二是间接计算个体的基因组估计育种值,其原理是先构建参考群,并估计每个SNP标记的效应值,随后在验证群体中依据SNP标记信息和参考群估计的标记效应值计算个体的基因组估计育种值,常用的计算方法包括RRBLUP[28]和贝叶斯方法,如2001年提出的BayesA和BayesB[21]、2011年提出的BayesCπ[29]和2012年提出的BayesR[30]等。
2 我国肉牛遗传评估体系 2.1 常规遗传评估从2010年,我国开始开展肉用及乳肉兼用种公牛遗传评估工作,国家肉牛遗传评估中心每年评估一次,并将评估结果提交至全国畜牧总站,进行统一发布。根据国内肉用种公牛育种数据的实际情况,通过中国肉牛选择指数(China beef index,CBI)对肉用种牛进行评估,CBI=100+20×
中国农业科学院北京畜牧兽医研究所牛遗传育种创新团队于2008年开始构建肉用西门塔尔牛的基因组选择参考群体,于2016年构建了和牛基因组选择参考群体,目前,西门塔尔牛参考群体3 858头,和牛参考群体462头。参考群体全部用Illumina Bovine770K芯片(777 962个SNPs位点)进行基因分型,测定的性状包括生长发育性状、屠宰性状、胴体性状、肉质性状和繁殖性状[31-35]。我国基因组遗传评估首次应用于2018年,在首届种公牛拍卖会上应用基因组遗传评估筛选优秀后备种公牛。2019年根据国内肉牛育种数据的实际情况,制定了中国肉牛基因组选择指数(China genomic beef index, GCBI), GCBI=100+(-5)×
北美主要肉牛生产代表国是美国和加拿大。目前,美国和加拿大的遗传评估体系是各协会负责数据收集,如美国西门塔尔牛协会、美国安格斯协会、加拿大西门塔尔牛协会、加拿大安格斯协会等,收集的数据包括牛只登记信息、系谱信息、生产性能测定等,评估则由各大学和科研机构联合进行。目前,美国和加拿大应用同一个评估体系进行评估,2014年,Theta Solutions公司成立,该公司开发了一套强大的BLOT遗传评估系统。该评估系统能综合各品种信息,同时整合系谱和基因组信息进行多品种ssGBLUP评定,该系统是从2016年开始进行多品种遗传评定,几乎每周评定1次,目前,该评估系统已在美国红安格斯协会、美国西门塔尔牛协会、美国安格斯协会、加拿大西门塔尔牛协会、加拿大利木赞协会等14个肉牛协会上应用,并在协会网站上公布遗传评估结果。
3.1 美国肉牛常规遗传评估美国早期的遗传评估是分品种进行的,遗传评估由4所大学主导完成,分别是科罗拉多州立大学、康奈尔大学、乔治亚大学和爱荷华州立大学,4所大学负责的品种各有差异;2001年,美国国家肉牛遗传评估协会(National Beef Cattle Evaluation Consortium,BCCEC)成立,后期的常规遗传评估由该组织负责。该组织利用多品种遗传评估体系评估了13个肉牛品种共计17 600 000余头牛,评估的结果再反馈给各协会,并在各协会网站上展示[36],每年会发布1次遗传评估报告。各品种协会根据生产模式和市场的差异制定了不同的综合选择指数,例如西门塔尔牛及其西门塔尔杂交群体在西门塔尔牛协会登记群体达5 600 000头,选用两个综合选择指数对个体进行评估,分别为全性能指数(all-purpose index, API)和终端指数(terminal index, TI)。其中,API指数是评估种公牛的终身指数,其后代要维持母牛群体规模,剩余的母牛和公牛全部育肥屠宰,该指数中不包括剪切力性状,TI指数用于评估种公牛的终端指数,其后代全部育肥屠宰,该指数未包括母性性状如母亲产奶量、母亲产犊难易度等性状。安格斯牛登记群体达297 087头, 选用4个综合选择指数进行评估;海福特牛登记群体达81 174头,选用4个综合选择指数进行评估(https://selectsiresbeef.com/resources/terminology/),美国各肉牛品种评估的性状如表 1[20]所示,各品种的综合选择指数所选择的性状有一定差异,其中,最多的是安格斯协会有15个性状,最少的是圣格鲁迪牛协会有8个性状。而对于各品种制定的综合选择指数中各性状的具体加权值,并没有明确报道。
美国安格斯协会是最早应用基因组遗传评估的组织,其参考群体达到50 000头以上,基因芯片利用Illumina Bovine50K(54 001个SNPs位点)或更低密度芯片进行基因分型,每年评估2~3次[37-38]。美国西门塔尔牛协会的基因组选择参考群达77 000头,大部分个体的基因芯片利用Illumina Bovine50K芯片进行基因分型,仅有264头西门塔尔牛利用Illumina Bovine770K芯片进行基因分型[39]。利木赞牛基因组选择参考群体为2 239头,基因芯片利用Illumina Bovine50K芯片进行基因分型[39]。其他品种如海福特、夏洛莱和布兰格斯牛的参考群体也在逐渐扩建[37]。美国早期基因组选择研究主要采用BayesC方法和GBLUP方法[38-39],而ssGBLUP方法既可利用基因组信息,又可以利用系谱信息。因此,美国大多数协会目前都在利用ssGBLUP方法进行基因组评定。
4 欧洲部分国家遗传评估体系 4.1 常规遗传评估欧洲主要牛肉生产国是英国、德国、法国和意大利,其中,利木赞和西门塔尔牛在英国最多,弗莱维赫牛是德国的主要品种,蒙贝利亚牛、夏洛莱和利木赞在法国存栏较多。1999年,欧州各国就开始针对不同饲养系统下的遗传评估结果进行联合比较分析,2001年到2004年,爱尔兰育种联合会(Irish Cattle Breeding Federation, ICBF)、国际动物记录委员会(International Committee for Animal Recording, ICAR)、法国国立农学研究院(l’Institut National de la Recherche Agronomique, INRA)、法国拉格学院(l’Institut de l’Elevage, IE)、英国肉类和畜牧委员会(the British Meat and Livestock Commission, MLC)等机构进行了第一次欧洲肉牛国际联合评估[40],并于2007年展开了Interbeef计划,并成立了Interbull遗传评估中心[41],参加的国家包括法国、爱尔兰、英国、丹麦、挪威、芬兰和瑞典等欧洲国家。在进行遗传评估时,发现各国的饲养条件差异较大,在设计不同的固定效应及基因与环境效应互作时,其评估结果差异较大。2009年,Interbull各成员国讨论确定了联合评定的综合选择指数包括胴体重、体型评分和产犊难易度性状[42]。目前,欧洲Interbull中心几乎每季度评估1次,并把结果发布在中心网站上(https://www.icbf.com/wp/)。该中心数据库目前收集的表型数据达10亿条,各国主要肉牛品种的评估性状情况及评估结果发布情况如表 2所示,仅有爱尔兰和英国分别发布4个和3个肉牛品种的遗传评估结果。
目前欧洲Interbeef中心数据库拥有超过2百万头肉牛的基因型测定数据。爱尔兰于2016年利用一步法评估了超过100 000头肉牛,并在爱尔兰肉牛联合会网站上(http://www.icbf.com)公布了其基因组遗传评估结果。英国于2015年公布了利木赞牛基因组遗传评估结果,其建立的参考群包含720头采用高密度芯片进行基因分型个体和1 700头中等密度芯片进行基因分型个体,其评估方法为一步法,用的是EGENEs软件(http://www.sruc.ac.uk/info/120275/egenes)。法国于2015年开始对夏洛莱、利木赞和布蓝地牛进行基因组遗传评估,建立了1 029头夏洛莱、606头利木赞和1 645头布蓝地牛的参考群体,基因组评定方法是BayesC,其中有8%~35%的种牛经过后裔测定验证[37]。
5 拉丁美洲部分国家(巴西)遗传评估体系拉丁美洲主要的牛肉生产国是巴西(占拉丁美洲牛肉总产量的51.6%)、阿根廷(18.5%)、墨西哥(9.4%)和哥伦比亚(5.1%),而乌拉圭、委内瑞拉、巴拉圭、玻利维亚、厄瓜多尔和智利等其他国家的牛肉生产量较少[43]。该洲肉牛品种以瘤牛、欧洲牛及瘤牛和欧洲牛的杂交牛为主,遗传评估主要以传统遗传评估为主,ANCP(Associação Nacional de Criadores e Pesquisadores)组织负责肉牛主要品种的遗传评估工作,包括内洛尔牛(Nellore)、古泽拉牛(Guzerá)、婆罗门牛(Brahman)和塔巴普牛(Tabapuã),每年评估约230万头肉牛。拉丁美洲各国肉牛主要品种遗传评估的牛只数和评估性状如表 3所示。而基因组遗传评估仅在内洛尔牛上有相关报道[37]。
巴西的主要肉牛品种是瘤牛,约占肉牛总量的80%,瘤牛品种中有90%是内洛尔牛。在1980年以前,巴西肉牛的遗传改良进程非常有限,评估性状主要集中在体重上。1995年,第一篇关于采用最优线性无偏预测(BLUP)方法进行遗传评估的文章,成为了巴西内洛尔牛进行品种选育的转折点[43]。每年有9个组织进行内洛尔牛的遗传评估工作,其数据共收集了超过200万条记录的10 000多头公牛,评估中考虑的性状包含生长、繁殖、胴体和肉质性状。其他品种肉牛每年也会进行评估,其中,古泽拉和婆罗门牛分别有3个机构对其进行遗传评定工作,其他品种的遗传评估工作仅由协会负责,每年评估一次。
5.2 巴西肉牛基因组遗传评估巴西肉牛基因组选择从2010开始构建内洛尔牛参考群体,先利用低密度芯片和中等密度芯片对内洛尔牛进行基因分型,随后全部利用Illumina Bovine770K高密度芯片进行基因分型。2014年,内洛尔牛参考群体达685头,所有个体全部利用Bovine770K获得基因型,利用3种方法(GBLUP、BayesLasso和BayesC)估计15个生长和胴体性状的基因组育种值,结果表明,BayesC和BayesLasso方法的基因组育种值估计准确性均高于GBLUP方法[44]。2016年,内洛尔牛参考群体达1 756头,该群体来自于294头种公牛,所有个体同样使用高密度芯片进行基因分型,利用3种贝叶斯方法评估胴体性状的基因组估计育种值的准确性,包括贝叶斯岭回归、BayesLasso和BayesC。结果表明,BayesC和BayesLasso方法评估的准确性基本相同[45]。
6 澳洲部分国家(澳大利亚)遗传评估体系澳洲的肉牛生产国主要为澳大利亚和新西兰,同时,澳大利亚和新西兰也是我国的主要肉牛进口国家。近年来,我国从澳大利亚和新西兰进口了大量的西门塔尔牛、海福特牛和安格斯牛。澳大利亚和新西兰在进行常规遗传时,数据可联合使用,其遗传评估应用的软件是BREEDPLAN(https://breedplan.une.edu.au/),24个肉牛品种协会分别进行单个品种的遗传评估,大部分品种每年评估一次,只有少部分大型协会每年评估3次,评估结果会在各协会网站上公布[46]。
6.1 澳大利亚肉牛常规遗传评估澳大利亚常规遗传评估包括了24个肉牛品种,各肉牛协会收集数据并发布遗传评估结果,评估的软件为BREEDPLAN。品种数量大的协会每年评估3次,品种数量少的协会每年至少评估一次,每个协会根据育种的实际情况制定了不同的选择指数。以西门塔尔牛为例,常规遗传评估包括生长、繁殖、肉质等23个性状。西门塔尔牛遗传评估指数包括四个:本土母亲指数(domestic maternal index)、出口母亲指数(export maternal index)、北部综合指数(northern terminal index)、犊牛指数(vealer terminal index),这4个指数都是用来评价每头牛和群体间的遗传差异所获得的净利润。本土母亲指数主要针对本土贸易,其后代公牛全部阉割,在14月龄时停喂草或谷物,活重能达430 kg(240 kg的胴体重和6 mm的背膘厚),后代母牛全部留下用于育种。出口母亲指数主要针对出口贸易,其后代公牛全部阉割,在28月龄时停喂草或谷物,活重能达700 kg(380 kg的胴体重和8 mm的背膘厚),后代母牛也全部屠宰。北部指数主要针对出口贸易,其后代公牛全部阉割,在28月龄时停喂草或谷物,活重达630 kg(345 kg的胴体重和12 mm的背膘厚)。犊牛指数主要针对犊牛贸易,犊牛断奶后在8月龄售卖,活重达350 kg(195 kg的胴体重和6 mm的背膘厚)。所有评估指数中各性状权重都通过育种规划计算得出。4个综合选择指数相对于各性状的权重如表 4所示,其中产犊难易度、200日龄重、400日龄重、600日龄重和背膘厚的育种值在指数中占的权重较高。
2014年7月14日,澳大利亚生物学家Ben Hayes在《自然·遗传学》杂志发表了千牛计划的研究成果,重测序了4个品种234头牛的全基因组数据,其中包含43头西门塔尔牛。千牛基因组计划的实施旨在为加速优良品种选育提供数据支持[47]。目前,千牛计划有40个机构参与,已对6 920头牛进行重测序,其中,欧洲牛品种3 103头,包含9千余万个SNPs位点,瘤牛及瘤牛与欧洲牛杂交牛3 817头,包含1亿3千余万个SNPs位点(http://www.1000bullgenomes.com/),该计划可以定位出更多影响目标性状的变异位点,挖掘更多关联基因。
基因组遗传评估已经在澳大利亚研究了数年,但评估结果并未在协会上公布,最开始是应用低密度芯片评估肉质性状,近期安格斯牛的基因组遗传评估是利用了传统BLUP计算的育种值当做表型去计算基因组估计育种值。目前,澳大利亚的基因组选择参考群体已拥有9个品种共计10 181头,其中,安格斯牛1 734头,墨瑞灰牛223头,短脚牛717头,海福特牛613头, 婆罗门牛3 384头和杂交牛3 510头,基因型数据获取应用了5种不同款的芯片,包括879头个体通过Illumina 770K芯片获取基因型、6 852头个体通过两款50K芯片(54 001个SNPs位点和54 609个SNPs位点)获取基因型、2 138头个体通过7K芯片(6 909个SNPs位点)获取基因型和312头个体通过Affymetrix ParalleleSNP 10K(11 932个SNPs位点)芯片获取基因型,基因组育种值估计方法为BayesR,收集的表型性状包括育肥期日增重、断奶重、育肥期增重及其体高、胴体重、背膘厚、眼肌面积、零售肉重、每日采食量、剩余采食量等19个性状[48]。婆罗门牛的基因组遗传评估利用的软件是BREEDPLAN,建立的参考群体超过1 000头,主要测定了繁殖性状和200天体重。为了收集更多更准确的表型信息和难以测定的表型,澳大利亚还建立了专门化表型收集农场(beef information nucleuses, BINs),以期能提高育种值估计的准确性[49]。
7 不同国家地区遗传评估体系对比分析常规遗传评估是20世纪肉牛育种的基础,欧美发达国家的常规遗传评估工作已有几十年的历史,而中国肉牛遗传评估工作从2012年才开始,起步较晚。另一方面,各国不同地区的肉牛生产体系、性能测定体系各有差异,导致不同国家地区的常规遗传评估体系各有不同,主要体现在各地区各品种协会制定的综合选择指数上。以西门塔尔牛为例,美国和加拿大评估了生长性状、胴体和肉质性状及繁殖性状共计15个性状,依据不同的育种目标制定了API和TI两个综合选择指数(https://simmental.org/site/index.php);英国评估了生长性状、胴体和肉质性状及繁殖性状共计15个性状,制定了两个综合选择指数(http://www.britishsimmental.co.uk/);澳大利亚同样评估了生长性状、胴体和肉质性状及繁殖性状共计18个性状,制定了4个综合选择指数(https://simmental.com.au/)。中国目前肉牛生产体系和性能测定体系使得制定的综合选择指数暂时只能利用生长发育性状和母亲产奶量性状。而欧洲、北美和澳洲等肉牛育种发达国家和地区的产业体系、性能测定体系和遗传评估体系较完善,考虑性状较多。
目前,世界各国主要肉牛品种基本上都在利用全基因选择技术进行选种,该技术提高了育种值估计的准确性,大大缩短了世代间隔,加快了遗传进展。各个国家开展肉牛全基因组选择的时间各有差异,以北美为代表的肉牛基因组遗传评估体系开展的时间最早,也是目前最成熟且应用最新计算方法的体系。以西门塔尔牛品种为例,其制定的API和TI指数也是多个国家肉牛育种的主要参考指数,美国开发的商业化BLOT遗传评估系统能综合各品种信息,同时整合系谱和基因组信息进行多品种SSGBLUP评定,也是目前主流的基因组遗传评估系统之一。欧洲肉牛基因组遗传评估以Interbeef评估中心为主,大部分欧洲国家加入了该组织,该中心的数据库有超2百万头牛测定了基因型,以单品种基因组遗传评估为主,目前还未报道相关基因组选择综合选择指数。澳洲肉牛基因组遗传评估系统以BREEDPLAN为主,主要是澳大利亚和新西兰的各品种肉牛联合会进行评定,其基因型测定个体要少于北美和欧洲。拉丁美洲的基因组遗传评估主要是巴西的内洛尔牛,其他品种无相关报道。各国基因组遗传评估参考群情况如表 5所示,可以看出各国建立的参考群规模各有差异,美国最早建立了参考群,而中国相对于其他国家和地区较晚;从计算方法上,中国基因组评估方法采用的是贝叶斯方法,而国外多采用ssGBLUP方法,主要由于国外有大量的系谱和表型数据,而针对中国表型数据和系谱数据较少的情况下,贝叶斯方法在中国应用更有优势;从参考群测定的表型性状看,中国参考群测定了生长发育、屠宰、胴体、肉质和繁殖性状共计87个性状,是目前基因组选择测定表型性状最多的国家。
目前,各国肉牛育种已进入全基因组选择时代,肉牛全基因组选择技术在主要肉牛品种上已展开应用。随着各国基因组选择参考群体规模的不断扩大,育种值估计的准确性也将逐步提高,世代间隔将大幅度缩短,可以有效提高肉牛遗传进展和加快新品种培育进程。在肉牛全基因组选择应用过程中,仍有一些问题需要解决:1)肉牛品种居多,如何进行多品种基因组遗传评估一直来是个难题[37];2)常规遗传评估体系是进行基因组遗传评估的基础,因此,需要持续地开展肉牛生产性能测定工作,积累大量的表型数据和系谱数据,如何形成快速的、低成本的生产性能测定体系也是当前迫切需要解决的问题;3)近年来,有报道称,全基因组选择在应用过程中加快了目标性状的遗传进展,而忽略了后代群体中近交程度的增加、遗传多样性的降低以及有害基因的纯合等问题,因此,难以维持长期的遗传进展,基因组选配技术的提出为个体提供精准选配,该方法利用了待选择个体的基因组信息实施优化的选配,实现了长期且可持续的遗传进展[52]。
相对于遗传评估工作起步较早的欧美发达国家,中国的肉牛遗传评估工作起步晚,但随着中国肉牛生产性能测定体系和遗传评估体系的完善,以及全基因组选择的应用,中国肉牛育种将提升到更高的台阶;同时,中国于2020年修订了《全国肉牛遗传改良计划2021—2035》,以期进一步完善肉牛良种繁育体系,加强肉牛联合育种机制创新,提高肉牛自主制种供种能力,切实提升肉牛生产水平和经济效益。肉牛全基因组选择技术给中国肉牛育种提供了契机,在未来十年甚至二十年内有望赶超国外,成为肉牛育种强国。
[1] |
朱波, 李姣, 汪聪勇, 等. 我国肉用西门塔尔牛群体生长发育性状遗传参数估计及其遗传进展[J]. 畜牧兽医学报, 2020, 51(8): 1833–1844.
ZHU B, LI J, WANG C Y, et al. Genetic parameter and genetic gain estimation for growth and development traits in Chinese Simmental beef cattle[J]. Acta Veterinaria et Zootechnica Sinica, 2020, 51(8): 1833–1844. (in Chinese) |
[2] | MIDDLETON B K, GIBB J B. An overview of beef cattle improvement programs in the United States[J]. J Anim Sci, 1991, 69(9): 3861–3871. DOI: 10.2527/1991.6993861x |
[3] | BARKHOUSE K L, VAN VLECK L D, CUNDIFF L V, et al. Comparison of sire breed solutions for growth traits adjusted by mean expected progeny differences to a 1993 base[J]. J Anim Sci, 1998, 76(9): 2287–2293. DOI: 10.2527/1998.7692287x |
[4] | ZAHRÁDKOVÁ R, BARTOÑ L, BUREŠ D, et al. Comparison of growth performance and slaughter characteristics of Limousin and Charolais heifers[J]. Arch Anim Breed, 2010, 53(5): 520–528. DOI: 10.5194/aab-53-520-2010 |
[5] | CHAMBAZ A, SCHEEDER M R L, KREUZER M, et al. Meat quality of Angus, Simmental, Charolais and Limousin steers compared at the same intramuscular fat content[J]. Meat Sci, 2003, 63(4): 491–500. DOI: 10.1016/S0309-1740(02)00109-2 |
[6] | LUNT D K, RILEY R R, SMITH S B. Growth and carcass characteristics of Angus and American Wagyu steers[J]. Meat Sci, 1993, 34(3): 327–334. DOI: 10.1016/0309-1740(93)90081-R |
[7] | DE MELO COSTA C C, MAIA A S C, NASCIMENTO S T, et al. Thermal balance of Nellore cattle[J]. Int J Biometeorol, 2018, 62(5): 723–731. DOI: 10.1007/s00484-017-1349-6 |
[8] | FAÇANHA D A E, FERREIRA J B, LEITE J H G M, et al. The dynamic adaptation of Brazilian Brahman bulls[J]. J Therm Biol, 2019, 81: 128–136. DOI: 10.1016/j.jtherbio.2019.02.016 |
[9] | PHELPS K J, JOHNSON D D, ELZO M A, et al. Effect of Brahman genetics on myofibrillar protein degradation, collagen crosslinking, and tenderness of the longissimus lumborum[J]. J Anim Sci, 2017, 95(12): 5397–5406. DOI: 10.2527/jas2017.2022 |
[10] | HENDERSON C R. Rapid method for computing the inverse of a relationship matrix[J]. J Dairy Sci, 1975, 58(11): 1727–1730. DOI: 10.3168/jds.S0022-0302(75)84776-X |
[11] | CR R. Multivariate analysis[J]. Indian J Stat, 1983, 45(2): 284–299. |
[12] | HARVILLE D A. Maximum likelihood approaches to variance component estimation and to related problems[J]. J Am Stat Assoc, 1977, 72(358): 320–338. DOI: 10.1080/01621459.1977.10480998 |
[13] | PATTERSON H D, THOMPSON R. Recovery of inter-block information when block sizes are unequal[J]. Biometrika, 1971, 58(3): 545–554. DOI: 10.1093/biomet/58.3.545 |
[14] | CHALONER K. A bayesian approach to the estimation of variance components for the unbalanced one-way random model[J]. Technometrics, 1987, 29(3): 323–337. DOI: 10.1080/00401706.1987.10488242 |
[15] |
郑伟杰, 李厚诚, 苏丁然, 等. 国际奶牛遗传评估体系概况[J]. 中国畜牧杂志, 2020, 56(6): 161–168.
ZHENG W J, LI H C, SU D R, et al. General status of international genetic evaluation system of dairy cattle[J]. Chinese Journal of Animal Science, 2020, 56(6): 161–168. (in Chinese) |
[16] | BOLDMAN K G, KRIESE L A, VAN VLECK L D, et al. A manual for use of MTDFREML: a set of programs to obtain estimates of variances and covariances [DRAFT][R]. Washington, DC: ARS-USDA, 1995. |
[17] | LOURENCO D, LEGARRA A, TSURUTA S, et al. Single-step genomic evaluations from theory to practice: using SNP chips and sequence data in BLUPF90[J]. Genes (Basel), 2020, 11(7): 790. DOI: 10.3390/genes11070790 |
[18] | GILMOUR A R, GOGEL B J, CULLIS B R, et al. ASReml user guide release 4.1 structural specification[M]. Hemel Hempstead: VSN International Ltd., 2015. |
[19] | MADSEN P, JENSEN J. DMU: a user's guide. a package for analysing multivariate mixed models[M]. Denmark: DJF, Foulum, 2008. |
[20] | GARRICK D J. The nature, scope and impact of genomic prediction in beef cattle in the United States[J]. Genet Sel Evol, 2011, 43(1): 17. DOI: 10.1186/1297-9686-43-17 |
[21] | 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. DOI: 10.1093/genetics/157.4.1819 |
[22] | OLIVEIRA H R, BRITO L F, SILVA F F, et al. Genomic prediction of lactation curves for milk, fat, protein, and somatic cell score in Holstein cattle[J]. J Dairy Sci, 2019, 102(1): 452–463. DOI: 10.3168/jds.2018-15159 |
[23] | ZHU B, GUO P, WANG Z, et al. Accuracies of genomic prediction for twenty economically important traits in Chinese Simmental beef cattle[J]. Anim Genet, 2019, 50(6): 634–643. DOI: 10.1111/age.12853 |
[24] | SONG H L, ZHANG Q, DING X D. The superiority of multi-trait models with genotype-by-environment interactions in a limited number of environments for genomic prediction in pigs[J]. J Anim Sci Biotechnol, 2020, 11: 88. DOI: 10.1186/s40104-020-00493-8 |
[25] | HERRY F, DRUET D P, HÉRAULT F, et al. Interest of using imputation for genomic evaluation in layer chicken[J]. Poult Sci, 2020, 99(5): 2324–2336. DOI: 10.1016/j.psj.2020.01.004 |
[26] | VANRADEN P M. Efficient methods to compute genomic predictions[J]. J Dairy Sci, 2008, 91(11): 4414–4423. DOI: 10.3168/jds.2007-0980 |
[27] | LEGARRA A, AGUILAR I, MISZTAL I. A relationship matrix including full pedigree and genomic information[J]. J Dairy Sci, 2009, 92(9): 4656–4663. DOI: 10.3168/jds.2009-2061 |
[28] | GUO Z G, TUCKER D M, LU J W, et al. Evaluation of genome-wide selection efficiency in maize nested association mapping populations[J]. Theor Appl Genet, 2012, 124(2): 261–275. DOI: 10.1007/s00122-011-1702-9 |
[29] | HABIER D, FERNANDO R L, KIZILKAYA K, et al. Extension of the bayesian alphabet for genomic selection[J]. BMC Bioinformatics, 2011, 12: 186. DOI: 10.1186/1471-2105-12-186 |
[30] | ERBE M, HAYES B J, MATUKUMALLI L K, et al. Improving accuracy of genomic predictions within and between dairy cattle breeds with imputed high-density single nucleotide polymorphism panels[J]. J Dairy Sci, 2012, 95(7): 4114–4129. DOI: 10.3168/jds.2011-5019 |
[31] | ZHU B, ZHU M, JIANG J C, et al. The impact of variable degrees of freedom and scale parameters in bayesian methods for genomic prediction in Chinese simmental beef cattle[J]. PLoS One, 2016, 11(5): e0154118. DOI: 10.1371/journal.pone.0154118 |
[32] | ZHU B, NIU H, ZHANG W G, et al. Genome wide association study and genomic prediction for fatty acid composition in Chinese Simmental beef cattle using high density SNP array[J]. BMC Genomics, 2017, 18(1): 464. DOI: 10.1186/s12864-017-3847-7 |
[33] | XU L, GAO N, WANG Z Z, et al. Incorporating genome annotation into genomic prediction for carcass traits in Chinese Simmental beef cattle[J]. Front Genet, 2020, 11: 481. DOI: 10.3389/fgene.2020.00481 |
[34] | AN B, XIA J, CHANG T, et al. Genome-wide association study reveals candidate genes associated with body measurement traits in Chinese Wagyu beef cattle[J]. Anim Genet, 2019, 50(4): 386–390. DOI: 10.1111/age.12805 |
[35] | WANG Z Z, ZHU B, NIU H, et al. Genome wide association study identifies SNPs associated with fatty acid composition in Chinese Wagyu cattle[J]. J Anim Sci Biotechnol, 2019, 10: 27. DOI: 10.1186/s40104-019-0322-0 |
[36] | GARRICK D J, GOLDEN B L. Producing and using genetic evaluations in the United States beef industry of today[J]. J Anim Sci, 2009, 87(14 Suppl): E11–E18. |
[37] | BERRY D P, GARCIA J F, GARRICK D J. Development and implementation of genomic predictions in beef cattle[J]. Anim Front, 2016, 6(1): 32–38. DOI: 10.2527/af.2016-0005 |
[38] | SAATCHI M, MCCLURE M C, MCKAY S D, et al. Accuracies of genomic breeding values in American Angus beef cattle using K-means clustering for cross-validation[J]. Genet Sel Evol, 2011, 43(1): 40. DOI: 10.1186/1297-9686-43-40 |
[39] | SAATCHI M, SCHNABEL R D, ROLF M M, et al. Accuracy of direct genomic breeding values for nationally evaluated traits in US Limousin and Simmental beef cattle[J]. Genet Sel Evol, 2012, 44(1): 38. DOI: 10.1186/1297-9686-44-38 |
[40] | JOURNAUX L, WICKHAM B, VENOT E, et al. Development of routine international genetic evaluation services for beef cattle as an extension of interbull's services[C]//Proceedings of the 2006 Interbull Meeting. 2006: 146-152. |
[41] | VENOT E, PABIOU T, FOUILLOUX M N, et al. Interbeef in practice: example of a joint genetic evaluation between France, Ireland and United Kingdom for pure bred Limousine weaning weights[C]//Proceedings of the Interbull Technical Workshop. 2007: 41-48. |
[42] | FORABOSCO F, PALUCCI V, DÜRR J. Selecting traits for international beef evaluations: survey results[C]//Proceedings of the 2009 Interbull Meeting. Barcelona, Spain, 2009. |
[43] | MONTALDO H H, CASAS E, FERRAZ J B S, et al. Opportunities and challenges from the use of genomic selection for beef cattle breeding in Latin America[J]. Anim Front, 2012, 2(1): 23–29. DOI: 10.2527/af.2011-0029 |
[44] | NEVES H H R, CARVALHEIRO R, O'BRIEN A M P, et al. Accuracy of genomic predictions in Bos indicus (Nellore) cattle[J]. Genet Sel Evol, 2014, 46(1): 17. DOI: 10.1186/1297-9686-46-17 |
[45] | JÚNIOR G A F, ROSA G J M, VALENTE B D, et al. Genomic prediction of breeding values for carcass traits in Nellore cattle[J]. Genet Sel Evol, 2016, 48: 7. DOI: 10.1186/s12711-016-0188-y |
[46] | GRASER H U, TIER B, JOHNSTON D J, et al. Genetic Evaluation for the beef industry in Australia[J]. Aust J Exp Agric, 2005, 45(8): 913–921. DOI: 10.1071/EA05075 |
[47] | DAETWYLER H D, CAPITAN A, PAUSCH H, et al. Whole-genome sequencing of 234 bulls facilitates mapping of monogenic and complex traits in cattle[J]. Nat Genet, 2014, 46(8): 858–865. DOI: 10.1038/ng.3034 |
[48] | BOLORMAA S, PRYCE J E, KEMPER K, et al. Accuracy of prediction of genomic breeding values for residual feed intake and carcass and meat quality traits in Bos taurus, Bos indicus, and composite beef cattle[J]. J Anim Sci, 2013, 91(7): 3088–3104. DOI: 10.2527/jas.2012-5827 |
[49] | BANKS R G. Progress in implementation of a beef information nucleus portfolio in the Australian beef industry[J]. Proc Assoc Advmt Anim Breed Genet, 2011, 19: 399–402. |
[50] | CHEN L, VINSKY M, LI C. Accuracy of predicting genomic breeding values for carcass merit traits in Angus and Charolais beef cattle[J]. Anim Genet, 2015, 46(1): 55–59. DOI: 10.1111/age.12238 |
[51] | NIU H, ZHU B, GUO P, et al. Estimation of linkage disequilibrium levels and haplotype block structure in Chinese Simmental and Wagyu beef cattle using high-density genotypes[J]. Livest Sci, 2016, 190: 1–9. DOI: 10.1016/j.livsci.2016.05.012 |
[52] | AKDEMIR D, SANCHEZ J I. Efficient breeding by genomic mating[J]. Front Genet, 2016, 7: 210. |