通過預選標記法進行基因組選擇.pdf

1、在現(xiàn)代動物育種中，利用高密度的基因組標記進行基因組選擇(GS)可以獲得較大的遺傳進展。然而，高密度的芯片也帶來一些缺陷：(1)一些不存在效應(yīng)的SNP可能會被估計出效應(yīng)，這將降低基因組育種值(GEBV)的估計準確度；(2)標記與標記之間可能存在著很強的相關(guān)性，由于基因組選擇并不估計標記之間的上位效應(yīng)，過高的標記密度反而會帶來較大的誤差；(3)高密度的標記需要很長的計算時間，給算法設(shè)計上帶來巨大的挑戰(zhàn)；(4)高密度的標記帶來很高的育種成本，

2、不利于對小型的畜種進行基因組選擇育種。而低密度的基因芯片可以在算法設(shè)計和經(jīng)濟效益上一定程度地彌補上述缺陷。因此，本試驗將嘗試選取基因組中的部分與性狀有關(guān)的標記(SNP)進行GEBV估計。
　　 試驗一采用計算機模擬的自然群體作為參考群進行研究，使用SMA(單標記分析)或SME(通過計算出的效應(yīng)篩選標記)兩種方法對標記進行篩選，使用emBayesB或GBLUP作為最終估計個體基因組育種值的算法。模擬中，設(shè)置了不同的參數(shù)，比如遺傳力

3、和影響性狀的QTL數(shù)目，并對估計群模擬了6個世代。篩選標記的方法及最終結(jié)果如下：
　　 (1)當使用所有標記直接估計GEBV時，使用emBayesB和GBLUP兩種算法都存在遺傳力越高育種值估計越準的情況，從而反映出遺傳力是決定GEBV估計準確度的因素之一。隨著QTL數(shù)目的增多，emBayesB的估計準確性在下降，原因在于QTL數(shù)目的增多使得每個QTL平均所占有的遺傳方差貢獻率減??；然而這種情況沒有出現(xiàn)在GBLUP算法中，原因在

4、于GBLUP的先驗分布更適應(yīng)于基因組中QTL較多的情況。
　　 (2)SMA將基因組中的每個標記都分別與表型值進行關(guān)聯(lián)，通過顯著性檢驗得出的P值(F值)作為最終篩選標記的標準。SME是使用emBayesB算法計算基因組所有標記的效應(yīng)，根據(jù)標記的效應(yīng)(方差)對標記進行篩選。結(jié)果顯示，SME篩選方法更有利于結(jié)合emBayesB，而SMA方法更有利于結(jié)合GBLUP方法來制作低密度芯片進行基因組選擇。如果是計算GEBV使用的是GBLUP

5、算法時，無論是使用SME方法還是SMA方法，篩選標記之后的計算結(jié)果都明顯好于篩選之前，但SMA篩選的優(yōu)勢更多地體現(xiàn)在保留的標記數(shù)目比較多的時候，當保留標記數(shù)目很少時，SME的效果好于SMA。
　　 (3)無論是通過SME還是SMA方法有針對性地篩選標記，效果都比隨機地選擇標記的效果要好的多，這說明我們的方法對篩選有效應(yīng)的標記有一定的意義。
　　 試驗二嘗試采用了R－SMA(限制一定區(qū)間內(nèi)的標記數(shù)目)方法與簡單的SMA方法

6、進行對比，目的是完善SMA方法中的缺陷。結(jié)果顯示，當保留下來的標記數(shù)目很少的時候，R-SMA對GEBV估計的準確度高于SMA，這進一步證明了當尋找與性狀關(guān)聯(lián)的標記時，SMA容易遺漏效應(yīng)較小的標記。R-SMA方法為要進行極低密度標記的基因組選擇工作者提供了參考。
　　 試驗結(jié)果證明，通過預選標記法進行基因組選擇是有可能提高GEBV估計準確度的?？紤]到整個過程沒有增加標記密度和參考群數(shù)目，計算上額外花費的成本又基本可以忽略，同時篩選