畜牧兽医学报  2024, Vol. 55 Issue (1): 120-128. DOI: 10.11843/j.issn.0366-6964.2024.01.013    PDF    
内蒙古绒山羊绒毛性状基因组育种值估计准确性研究
严晓春, 习海娇, 李金泉, 王志英, 苏蕊     
内蒙古农业大学动物科学学院, 呼和浩特 010018
摘要:为探究一步法基因组最佳线性无偏预测(SSGBLUP)法应用于内蒙古绒山羊育种的选择效果,本研究基于课题组前期积累的健康状况良好的内蒙古绒山羊(阿尔巴斯型)2 256只个体的70 K SNP芯片测序数据,收集整理1至8岁个体的绒毛性状(绒长、绒细和产绒量)生产性能数据和系谱记录,通过设定SSGBLUP法中H逆矩阵的不同矩阵参数(ω,τ)进行基因组育种值估计,并利用五倍交叉验证法评价基因组育种值估计的准确性。结果表明:随着ω的不断增加,SSGBLUP法用于内蒙古绒山羊绒毛性状的基因组育种值估计准确性越高。结合ABLUP和GBLUP的遗传参数估计结果可知,当τ为0.3、ω为0.9时,内蒙古绒山羊绒毛性状的基因组选择准确性较好。其中,绒长的准确性为0.702 8,绒细准确性为0.668 2,产绒量准确性为0.713 1。对SSGBLUP方法的H矩阵选择合适的尺度参数可提高内蒙古绒山羊绒毛性状基因组育种值估计的准确性,加快种群的遗传改良,缩短世代间隔。
关键词内蒙古绒山羊    SSGBLUP    绒毛性状    基因组选择    尺度参数    
Study on Estimates of Genomic Breeding Value of Fleece Traits in Inner Mongolia Cashmere Goats
YAN Xiaochun, XI Haijiao, LI Jinquan, WANG Zhiying, SU Rui     
College of Animal Science, Inner Mongolia Agricultural University, Hohhot 010018, China
Abstract: The study aimed to investigate the breeding selection efficiency of the Single Step Genome Best Linear Unbiased Prediction(SSGBLUP) method for Inner Mongolia cashmere goat. Based on the Illumina GGP_Goat_70K BeadChip sequencing data from 2 256 individuals of Inner Mongolia cashmere goats (Albas type), the phenotype data and pedigree records of cashmere traits were collected from individuals age 1 to 8 years old. Different matrix parameters of the H inverse matrix in the SSGBLUP method were set(ω, τ) to estimate the genome breeding value. At the same time, the accuracy of breeding value was estimated by five-fold cross-validation method. The results indicated that, as the increasing ω, SSGBLUP method had led to higher accuracy in estimating genomics breeding values for cashmere traits in Inner Mongolia cashmere goats. Combining the genetic parameter estimation results of ABLUP and GBLUP, it could be concluded that when τ was 0.3 and ω was 0.9, the accuracy of genome selection for cashmere traits in Inner Mongolia cashmere goats was relatively good. The accuracy of cashmere length was 0.702 8. The accuracy of cashmere diameter was 0.668 2. The accuracy of cashmere production was 0.713 1. Selecting reasonable scale parameters for the H matrix of SSGBLUP method can improve the accuracy of genetic breeding value estimation for cashmere traits in Inner Mongolia cashmere goats, and accelerate population genetic improvement, and shorten generation intervals.
Key words: Inner Mongolia cashmere goats    SSGBLUP    fleece traits    genome selection    scale parameters    

内蒙古绒山羊是经过长期自然选择和人工选育形成的优良畜种,其生产的羊绒纤维纤细、柔软、有光泽,用它制成的羊绒制品精美绝伦,手感密实柔软,温暖舒适,享誉海内外[1]。近年来,随着国内外绒毛市场的发展,内蒙古绒山羊作为自治区的特色产业,具有很好的产业优势,随着时代的进步,人民生活水平不断提高,市场对绒山羊产品的需求发生了改变,因此,需要制定更为合理的育种方案提升绒山羊绒毛产量。

SSGBLUP法最早由Legarra等[2]提出,其核心在于利用基因组、系谱和表型数据构建H矩阵进行育种值估计。在大多数物种上,例如猪[3-5]、鸡[6-8]、牛[9-11]等,均通过比较BLUP、GBLUP和SSGBLUP模型估计育种值的准确性,证明了SSGBLUP的选育效果相对较好。Zhao等[12]利用GBLUP和SSGBLUP方法对杜洛克公猪的5种精子形态异常进行基因组预测,发现SSGBLUP的预测能力高于GBLUP。Lourenco等[13]在安格斯牛群体中的研究结果表明,SSGBLUP方法估计育种值准确性方面优于BLUP方法。Gao等[14]在黄羽肉鸡群体的研究中,发现SSGBLUP方法优于BLUP和GBLUP方法。近年来,绒山羊的基因组选择开展了一定的工作,但尚未对用于SSGBLUP法H矩阵的尺度参数进行测试与优化。

本研究充分利用内蒙古阿尔巴斯型绒山羊的系谱数据、基因型数据以及羊绒性状的表型和环境数据记录,建立动物混合线性模型,对SSGBLUP法中H矩阵的两个参数ωτ设定不同的参数组合,进行遗传参数和基因组育种值的估计,采用五倍交叉验证法对基因组选择准确性进行评价,筛选并确定用于内蒙古绒山羊羊绒性状基因组育种值估计的SSGBLUP法H矩阵构建最适参数。本研究旨在通过确定SSGBLUP法中H矩阵中ωτ的最适参数组合,提高内蒙古绒山羊绒毛性状的基因组选择准确性,加快群体遗传改良,进一步提高牧民的经济效益。

1 材料与方法 1.1 系谱及表型数据

本研究所用系谱数据来源于内蒙古亿维白绒山羊有限责任公司内蒙古绒山羊(阿尔巴斯型)群体,共24 791个体(由216父本和5 257母本交配产生),所有个体系谱清晰,记录准确详实。所研究性状包括绒长、绒细、产绒量,共2 256个个体包含从1岁到8岁的24 023条表型记录,根据数据特征,剔除平均数加减3倍标准差两尾的数据,其余保留用于后续分析。

1.2 基因型数据

本研究所用基因型数据为课题组前期积累的基于Illumina GGP_Goat_70K BeadChip芯片测序的内蒙古绒山羊(阿尔巴斯型)2 299只个体的基因型数据[15],获得的原始数据进一步使用PLINK软件v1.90b6.21对其进行质量控制,质控标准为[15]:最小等位基因频率小于0.05、Hardy-Weinberg平衡P值小于10-5、位点缺失率大于10%、个体缺失率高于10%。根据以上标准,去除不合格个体以及位点,最终保留了2 256个个体共50 728个SNPs位点。

1.3 遗传参数及基因组育种值的估计

基于已获得的系谱、表型和基因型数据,同时结合环境效应(测定年份:2011年至2021年;性别:公畜和母畜;场:1~12;个体年龄:1~8岁),建立重复力动物模型,利用SSGBLUP法对各绒毛性状进行遗传参数和基因组育种值的估计,模型方程式如下:

$ \mathrm{y}=\mu+\boldsymbol{X} \mathrm{b}+\boldsymbol{Z} \mathrm{u}+\boldsymbol{W} \mathrm{p}+\mathrm{e} $

其中,y为具有基因型信息个体的性状观测值,μ为性状观测值均值,b为性状的固定效应,u为个体加性遗传效应,p为个体永久环境效应,X为固定效应的结构矩阵,Z为个体加性效应的结构矩阵,W为个体永久环境效应的结构矩阵,e为性状的残差效应。

对于SSGBLUP方法,通常使用H矩阵建立亲缘关系矩阵,H矩阵是将系谱关系矩阵A阵和基因组关系矩阵G阵结合而形成。H矩阵[16]的构建如下:

$ \begin{gathered} \boldsymbol{H}= \\ \boldsymbol{A}+\left(\begin{array}{cc} \boldsymbol{A}_{12} \boldsymbol{A}_{22}^{-1}\left(\boldsymbol{G}-\boldsymbol{A}_{22}\right) \boldsymbol{A}_{22}^{-1} \boldsymbol{A}_{21} & \boldsymbol{A}_{12} \boldsymbol{A}_{22}^{-1}\left(\boldsymbol{G}-\boldsymbol{A}_{22}\right) \\ \left(\boldsymbol{G}-\boldsymbol{A}_{22}\right) \boldsymbol{A}_{22}^{-1} \boldsymbol{A}_{21} & \left(\boldsymbol{G}-\boldsymbol{A}_{22}\right) \end{array}\right) \end{gathered} $

个体被分成两组,第一组个体无基因型记录,第二组个体有基因型记录。其中,A矩阵[17]是第一组个体的系谱亲缘关系矩阵,A12A21是第一组个体和第二组个体的协方差关系矩阵,A22是第二组个体的系谱亲缘关系矩阵,A22-1A22的逆矩阵。G矩阵是第二组个体的基因组亲缘关系矩阵。H矩阵的逆矩阵[2, 16, 18-20]可以写成:

$ \boldsymbol{H}^{-1}=\boldsymbol{A}^{-1}+\left(\begin{array}{cc} 0 & 0 \\ 0 & \left(\boldsymbol{G}^{-1}-\boldsymbol{A}_{22}^{-1}\right) \end{array}\right) $

如何将AG有效结合提高基因组育种值估计准确性已经从理论上进行了探讨[17, 21],重点关注两个尺度参数τ和ω,用于缩放基因组信息,使其与谱系信息兼容。本研究通过设置H逆矩阵的不同尺度参数τ(0.1~1)和ω(0.1~1)共26个组合,利用SSGBLUP法对每一个组合下个体的绒毛性状进行遗传参数和基因组育种值的估计。其中,引入尺度参数τ和ω后H逆矩阵的公式可转换为[22-24]

$ \boldsymbol{H}_{\tau, \omega}^{-1}=\boldsymbol{A}^{-1}+\left(\begin{array}{cc} 0 & 0 \\ 0 & \left(\tau \boldsymbol{G}^{-1}-\omega \boldsymbol{A}_{22}^{-1}\right) \end{array}\right) $
1.4 基因组育种值估计准确性评价

本研究利用五倍交叉验证法评价内蒙古绒山羊(阿尔巴斯型)个体绒毛性状的基因组育种值预测效果,即将研究群体随机分为5组,选择其中一组具有基因型的个体作为验证群体,其他具有基因型和表型数据的个体作为参考群体,共重复循环5次。通过计算验证群体的校正表型值和估计育种值的相关除以遗传力的开方来进行基因组育种值准确性评价。

$ \mathrm{r}=\frac{\operatorname{cov}(\mathrm{a}, \mathrm{p})}{\sqrt{h^2}} $

其中,cov(a,p)是性状估计育种值和校正表型值的协方差,h2是性状的估计遗传力。

2 结果 2.1 内蒙古绒山羊绒毛性状表型记录统计分析

本研究共统计了2 256只个体绒毛性状的表型记录,对性状的最大值、最小值、平均值、标准差和变异系数进行描述性统计,结果见表 1。由表可知,绒长、产绒量和绒细的平均值分别为6.25 cm,740.30 g和15.23 μm;产绒量性状的标准差和变异系数最大,分别为215.19 g和29.07%,绒细性状的标准差和变异系数最小,分别为0.81 μm和5.32%。

表 1 内蒙古绒山羊绒毛性状表型记录的基本统计 Table 1 The basic statistics of phenotype records of fleece traits in Inner Mongolia cashmere goats
2.2 不同参数组合下内蒙古绒山羊绒长遗传参数及基因组选择育种值准确性评价

对于不同尺度参数组合,SSGBLUP法估计的内蒙古绒山羊绒长性状的基因组育种值估计准确性见表 2图 1。研究结果表明,基因组育种值估计准确性在不同参数组合存在较大差异。随着ω的增加和τ的减少,内蒙古绒山羊基因组育种值估计准确性逐渐增加。由于一个性状的遗传力通常是稳定的,因此结合前期ABLUP和GBLUP法估计绒长遗传参数的结果认为[15],当τ为0.3、ω为0.9时,SSGBLUP法用于内蒙古绒山羊绒长性状的遗传评估具有一定的准确性,其育种值估计的准确性为0.702 8。该条件下,对应绒长性状的遗传力和重复力均为0.05。

表 2 不同参数下内蒙古绒山羊绒长的遗传参数和基因组育种值估计准确性 Table 2 Genetic parameters and accuracy of GEBV of cashmere length in Inner Mongolia cashmere goats with different parameters
图 1 不同参数下内蒙古绒山羊绒长性状基因组育种值估计准确性 Fig. 1 Accuracy of GEBV of cashmere length in Inner Mongolia cashmere goats with different parameters
2.3 不同参数组合下内蒙古绒山羊绒细遗传参数及基因组选择育种值准确性评价

对于不同尺度参数组合,SSGBLUP法估计的内蒙古绒山羊绒细性状的基因组育种值估计准确性见表 3图 2。研究结果表明,基因组育种值估计准确性在不同参数组合存在较大差异。随着ω的增加和τ的减少,内蒙古绒山羊绒细性状的基因组选择准确性逐渐增加。由于一个性状的遗传力通常是稳定的,因此结合前期ABLUP和GBLUP法估计绒细遗传参数的结果认为[15],当τ为0.3、ω为0.9时,SSGBLUP法用于内蒙古绒山羊绒细性状的遗传评估具有一定的准确性,其育种值估计的准确性为0.668 2。该条件下,对应绒细性状的遗传力为0.22,重复力为0.24。

表 3 不同参数下内蒙古绒山羊绒细的遗传参数和基因组育种值估计准确性 Table 3 Genetic parameters and accuracy of GEBV of cashmere diameter in Inner Mongolia cashmere goats with different parameters
图 2 不同参数下内蒙古绒山羊绒细性状基因组育种值估计准确性 Fig. 2 Accuracy of GEBV of cashmere diameter in Inner Mongolia cashmere goats with different parameters
2.4 不同参数组合下内蒙古绒山羊产绒量遗传参数及基因组选择育种值准确性评价

对于不同尺度参数组合下,SSGBLUP法估计的内蒙古绒山羊产绒量性状的基因组育种值估计准确性见表 4图 3。同样,研究结果表明基因组育种值估计准确性在不同参数组合存在较大差异。随着ω的增加和τ的减少,内蒙古绒山羊基因组育种值估计准确性逐渐增加。结合前期ABLUP和GBLUP法估计产绒量的遗传参数的结果认为[15],当τ为0.3、ω为0.9时,SSGBLUP法用于内蒙古绒山羊绒长性状的遗传评估具有一定的准确性,其育种值估计的准确性为0.713 1。该条件下,对应产绒量性状的遗传力为0.15,重复力为0.26。

表 4 不同参数下内蒙古绒山羊产绒量的遗传参数和基因组育种值估计准确性 Table 4 Genetic parameters and accuracy of GEBV of cashmere production in Inner Mongolia cashmere goats with different parameters
图 3 不同参数下内蒙古绒山羊产绒量性状基因组育种值估计准确性 Fig. 3 Accuracy of GEBV of cashmere production in Inner Mongolia cashmere goat's with different parameters
3 讨论

SSGBLUP是一种基于一步法的遗传评估和选择方法,可以将系谱信息和基因组信息整合起来,并使用多个来源的信息来估计性状基因组育种值的模型,对基因组和系谱信息进行权重设置,得到每个个体的基因组育种值的预测值。因此,SSGBLUP法可以更准确地估计遗传参数,提高育种效果预测的准确性。一般来说,SSGBLUP比GBLUP的准确性更高。基因组育种值的准确性也与参考群体规模和系谱数据完整性呈正相关,当参考群体规模和系谱数据完整性增加时,基因组育种值的准确性也随之增加。并且SSGBLUP法对数量性状的基因组选择具有显著优势。Gao等[25]在芬兰红牛群体中的研究结果表明,SSGBLUP法比传统BLUP法准确性提高了2%~3%。Guillaume等[26]在荷斯坦奶牛群体中的研究结果表明,SSGBLUP方法估计育种值准确性优于BLUP和GBLUP方法估计的育种值准确性。大量使用SSGBLUP方法对不同动物(如肉牛[27-30]、奶山羊[31-32]、奶羊[33][34-35])的体尺性状进行育种值准确性评估的研究结果,均表明SSGBLUP方法的预测准确性与GBLUP方法相比更高。在奶山羊中,SSGBLUP在产奶性状、乳用性状和体细胞评分方面的表现优于BLUP或GBLUP法,并且在乳用性状的基因组预测准确性方面提高了61%~96%[36]。此外,Oget等[33]研究表明,对于乳用绵羊的乳产量和乳蛋白含量性状,SSGBLUP法比基于家系BLUP法的准确性更高。

探究不同参数τ和ω对基因组育种值估计准确性的影响,其目的是寻找这两个参数的最优组合,使得其基因组预测能力最大最优。本研究结果表明,当τ和ω变化时,估计遗传力结果不同,但一个性状的遗传力是维持在一个特定的范围内,结合前期基于单独系谱和单独基因型数据的ABLUP和GBLUP估计的遗传力结果,当τ为0.3、ω为0.9时,绒毛性状的基因组育种值准确性最高。绒长的准确性为70.28%,遗传力为0.05。绒细准确性为66.82%,遗传力为0.22。产绒量的准确性为71.31%,遗传力为0.15,说明在绒山羊种群选育及育种值估计工作中,有必要使用不同的参数τ和ω使得遗传参数估计结果得到真正的收敛,其目的是寻求这两个参数的最佳组合。Martini等[16]基于小麦数据设置了不同的τ和ω共420个组合,其中ω的取值范围为[-1,1]、τ的取值范围为[0.1,2]。为了评估每个参数组合的性能,通过等式构建了Hτω-1,使用SSGBLUP法估计育种值,观察到的膨胀模式与理论考虑中所预期的基本一致,同样发现随着ω的增加和τ的减少,可以增加遗传参数估计的准确性。同样,Harris等[37]的研究也表明了随着ω的增加和τ的减少,遗传参数估计的准确性不同。

本研究结果表明,绒长性状的遗传力为0.05,属于低遗传力性状。绒细和产绒量性状的遗传力分别为0.22和0.15,属于中等偏低遗传力性状,与王志英[38]对内蒙古绒山羊绒毛性状单性状动物模型估计的绒长和绒细的结果相似。遗传力分别是0.17和0.34,分别为低遗传力和中等遗传力,与王凤红[15]SSGBLUP法估计内蒙古绒山羊绒长和绒细的遗传力结果一致。

4 结论

本研究以内蒙古绒山羊绒毛性状为研究对象,通过设置SSGBLUP法H矩阵的尺度参数进行遗传参数和基因组育种值估计,发现τ为0.3、ω为0.9时,绒长、绒细和产绒量的遗传力估计值相对可靠,对应的基因组育种值估计准确性分别为0.702 8、0.668 2和0.713 1,是目前估计准确性最高的方法,可用于后续开展绒毛性状的基因组选择,加快绒山羊种群的遗传改良,缩短世代间隔。

参考文献
[1]
徐东旭, 邹俊. 内蒙古自治区绒山羊品种的资源分布1[J]. 中国纤检, 2017(7): 126-128.
XU D X, ZOU J. The resource distribution of cashmere goats in Inner Mongolia autonomous region[J]. China Fiber Inspection, 2017(7): 126-128. DOI:10.3969/j.issn.1671-4466.2017.07.040 (in Chinese)
[2]
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
[3]
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. DOI:10.11843/j.issn.0366-6964.2019.02.023 (in Chinese)
[4]
周隽, 林清, 邵宝全, 等. 猪群体一步法基因组选择应用效果评估[J]. 中国农业科学, 2022, 55(15): 3042-3049.
ZHOU J, LIN Q, SHAO B Q, et al. Evaluating the application effect of single-step genomic selection in pig populations[J]. Scientia Agricultura Sinica, 2022, 55(15): 3042-3049. DOI:10.3864/j.issn.0578-1752.2022.15.014 (in Chinese)
[5]
陈鑫, 孙晓梅, 鲁慧文, 等. 基于SNP芯片的猪基因组选择效果分析[J]. 畜牧与兽医, 2023, 55(2): 5-10.
CHEN X, SUN X M, LU H W, et al. Evaluation of genomic selection in pig based on SNP microarray[J]. Animal Husbandry Veterinary Medicine, 2023, 55(2): 5-10. (in Chinese)
[6]
朱墨, 郑麦青, 崔焕先, 等. 基于GBLUP和BayesB方法对肉鸡屠宰性状基因组预测准确性的比较[J]. 中国农业科学, 2021, 54(23): 5125-5131.
ZHU M, ZHENG M Q, CUI H X, et al. Comparison of genomic prediction accuracy for meat type chicken carcass traits based on GBLUP and BayesB method[J]. Scientia Agricultura Sinica, 2021, 54(23): 5125-5131. DOI:10.3864/j.issn.0578-1752.2021.23.016 (in Chinese)
[7]
李森, 杜永旺, 文杰, 等. 快速型黄羽肉鸡饲料利用效率性状的基因组选择研究[J]. 畜牧兽医学报, 2021, 52(8): 2151-2161.
LI S, DU Y W, WEN J, et al. A study of genomic selection for feed efficiency traits in fast-growing yellow-feathered broilers[J]. Acta Veterinaria et Zootechnica Sinica, 2021, 52(8): 2151-2161. DOI:10.11843/j.issn.0366-6964.2021.08.008 (in Chinese)
[8]
OSTERSEN T, CHRISTENSEN O F, HENRYON M, et al. Deregressed EBV as the response variable yield more reliable genomic predictions than traditional EBV in pure-bred pigs[J]. Genet Sel Evol, 2011, 43(1): 38. DOI:10.1186/1297-9686-43-38
[9]
WIGGANS G R, COLE J B, HUBBARD S M, et al. Genomic selection in dairy cattle: the USDA experience[J]. Annu Rev Anim Biosci, 2017, 5: 309-327. DOI:10.1146/annurev-animal-021815-111422
[10]
朱波. 一步法和多性状基因组选择在西门塔尔牛群体中的应用研究[D]. 北京: 中国农业科学院, 2017.
ZHU B. The application of single-step and multiple-trait genomic selection in Chinese Simmental cattle[D]. Beijing: Chinese Academy of Agricultural Sciences, 2017. (in Chinese)
[11]
师睿, 苏国生, 陈紫薇, 等. 中国荷斯坦牛繁殖性状的基因组预测效果比较[J]. 畜牧兽医学报, 2022, 53(9): 2944-2954.
SHI R, SU G S, CHEN Z W, et al. Comparisons of genomic predictions for fertility traits in Chinese Holstein cattle[J]. Acta Veterinaria et Zootechnica Sinica, 2022, 53(9): 2944-2954. DOI:10.11843/j.issn.0366-6964.2022.09.012 (in Chinese)
[12]
ZHAO Y X, GAO N, CHENG J, et al. Genetic parameter estimation and genomic prediction of Duroc boars' sperm morphology abnormalities[J]. Animals (Basel), 2019, 9(10): 710.
[13]
LOURENCO D A L, TSURUTA S, FRAGOMENI B O, et al. Genetic evaluation using single-step genomic best linear unbiased predictor in American angus[J]. J Anim Sci, 2015, 93(6): 2653-2662. DOI:10.2527/jas.2014-8836
[14]
GAO N, TENG J Y, PAN R Y, et al. Accuracy of whole genome prediction with single-step GBLUP in a Chinese yellow-feathered chicken population[J]. Livest Sci, 2019, 230: 103817. DOI:10.1016/j.livsci.2019.103817
[15]
王凤红. 山羊SNP芯片设计与内蒙古绒山羊重要经济性状全基因组关联分析及基因组选择研究[D]. 呼和浩特: 内蒙古农业大学, 2021.
WANG F H. Design of goat SNP chip with applications in genome-wide association study and genomic selection of important economic traits in Inner Mongolia cashmere goat[D]. Hohhot: Inner Mongolia Agricultural University, 2021. (in Chinese)
[16]
MARTINI J W R, SCHRAUF M F, GARCIA-BACCINO C A, et al. The effect of the H-1 scaling factors τ and Ω on the structure of H in the single-step procedure[J]. Genet Sel Evol, 2018, 50(1): 16. DOI:10.1186/s12711-018-0386-x
[17]
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]. J Dairy Sci, 2010, 93(2): 743-752. DOI:10.3168/jds.2009-2730
[18]
AGUILAR I, MISZTAL I, TSURUTA S, et al. Multiple trait genomic evaluation of conception rate in Holsteins[J]. J Dairy Sci, 2011, 94(5): 2621-2624. DOI:10.3168/jds.2010-3893
[19]
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): 1. DOI:10.1186/1297-9686-43-1
[20]
CHRISTENSEN O F. Compatibility of pedigree-based and marker-based relationship matrices for single-step genetic evaluation[J]. Genet Sel Evol, 2012, 44(1): 37. DOI:10.1186/1297-9686-44-37
[21]
WESTBROOK J W, ZHANG Q, MANDAL M K, et al. Optimizing genomic selection for blight resistance in American chestnut backcross populations: a trade-off with American chestnut ancestry implies resistance is polygenic[J]. Evol Appl, 2020, 13(1): 31-47. DOI:10.1111/eva.12886
[22]
KOIVULA M, STRANDÉN I, PÖSÖ J, et al. Single-step genomic evaluation using multitrait random regression model and test-day data[J]. J Dairy Sci, 2015, 98(4): 2775-2784. DOI:10.3168/jds.2014-8975
[23]
MATILAINEN K, KOIVULA M, STRANDÉN I, et al. Managing genetic groups in single-step genomic evaluations applied on female fertility traits in Nordic red dairy cattle[C]//Proceedings of the 2016 Interbull Meeting. Puerto Varas: Interbull, 2016.
[24]
GARCIA-BACCINO C A, LEGARRA A, CHRISTENSEN O F, et al. Metafounders are related to Fst fixation indices and reduce bias in single-step genomic evaluations[J]. Genet Sel Evol, 2017, 49(1): 34. DOI:10.1186/s12711-017-0309-2
[25]
GAO H, KOIVULA M, JENSEN J, et al. Short communication: genomic prediction using different single-step methods in the Finnish red dairy cattle population[J]. J Dairy Sci, 2018, 101(11): 10082-10088. DOI:10.3168/jds.2018-14913
[26]
GUILLAUME F, BOICHARD D, DUCROCQ V, et al. Utilisation de la sélection génomique chez les bovins laitiers[J]. Prod Anim, 2011, 24(4): 363-367.
[27]
MEHRBAN H, LEE D H, NASERKHEIL M, et al. Comparison of conventional BLUP and single-step genomic BLUP evaluations for yearling weight and carcass traits in Hanwoo beef cattle using single trait and multi-trait models[J]. PLoS One, 2019, 14(10): e0223352. DOI:10.1371/journal.pone.0223352
[28]
NASERKHEIL M, LEE D H, MEHRBAN H. Improving the accuracy of genomic evaluation for linear body measurement traits using single-step genomic best linear unbiased prediction in Hanwoo beef cattle[J]. BMC Genet, 2020, 21(1): 144. DOI:10.1186/s12863-020-00928-1
[29]
BONIFAZI R, CALUS M P L, TEN NAPEL J, et al. International single-step SNPBLUP beef cattle evaluations for Limousin weaning weight[J]. Genet Sel Evol, 2022, 54(1): 57. DOI:10.1186/s12711-022-00748-0
[30]
KOO Y, ALKHODER H, CHOI T J, et al. Genomic evaluation of carcass traits of Korean beef cattle Hanwoo using a single-step marker effect model[J]. J Anim Sci, 2023, 101: skad104. DOI:10.1093/jas/skad104
[31]
TEISSIER M, LARROQUE H, ROBERT-GRANIE C. Accuracy of genomic evaluation with weighted single-step genomic best linear unbiased prediction for milk production traits, udder type traits, and somatic cell scores in French dairy goats[J]. J Dairy Sci, 2019, 102(4): 3142-3154. DOI:10.3168/jds.2018-15650
[32]
MASSENDER E, BRITO L F, MAIGNEL L, et al. Single-step genomic evaluation of milk production traits in Canadian Alpine and Saanen dairy goats[J]. J Dairy Sci, 2022, 105(3): 2393-2407. DOI:10.3168/jds.2021-20558
[33]
OGET C, TEISSIER M, ASTRUC J M, et al. Alternative methods improve the accuracy of genomic prediction using information from a causal point mutation in a dairy sheep model[J]. BMC Genomics, 2019, 20(1): 719. DOI:10.1186/s12864-019-6068-4
[34]
SONG H L, ZHANG J X, ZHANG Q, et al. Using different single-step strategies to improve the efficiency of genomic prediction on body measurement traits in pig[J]. Front Genet, 2019, 9: 730. DOI:10.3389/fgene.2018.00730
[35]
ESFANDYARI H, THEKKOOT D, KEMP R, et al. Genetic parameters and purebred-crossbred genetic correlations for growth, meat quality, and carcass traits in pigs[J]. J Anim Sci, 2020, 98(12): skaa379. DOI:10.1093/jas/skaa379
[36]
CARILLIER C LARROQUE H, ROBERT-GRANIÉ C. Comparison of joint versus purebred genomic evaluation in the French multi-breed dairy goat population[J]. Genet Sel Evol, 2014, 46(1): 67. DOI:10.1186/s12711-014-0067-3
[37]
HARRIS B L, JOHNSON D L, SPELMAN R J. Choice of parameters for removal of inflation in genomic breeding values for dairy cattle[C]//Association for the Advancement of Animal Breeding and Genetics. Melbourne: AAABG, 2011: 359-362.
[38]
王志英. 内蒙古绒山羊绒毛品质性状早期选择原理与方法的研究[D]. 呼和浩特: 内蒙古农业大学, 2016.
WANG Z Y. Study on principle and method of early selection of fleece traits in Inner Mongolla cashmere goats[D]. Hohhot: Inner Mongolia Agricultural University, 2016. (in Chinese)

(编辑   郭云雁)