全基因组选择的应用
全基因组选择(Genetic Selection, GS)是一种全基因组范围内的标记辅助选择方法,利用全基因组遗传标记信息对个体进行遗传评估,能够更加准确地早期预测估计育种值,降低近交系数,大大提高育种的遗传进展。
遗传评估常用方法
BLUP方法
特点:利用表型值和系谱信息进行BLUP预测
缺点:不能有效利用基因组信息
分子标记辅助选择(MAS)
特点:标记辅助选择方法利用 序列上的变异信息,可以准确快速地对目的性状进行选择
缺点:但是其估计位点效应范围有限且取得的遗传进展较小
全基因组选择(GS)
特点:该方法假设覆盖全基因组上的高密度SNP标记中至少有1个SNP与QTL处于连锁不平衡关系,利用SNP估计每个QTL的效应,从而获得个体的全基因组估计育种(GEBV)
优点:与传统选择策略相比,全基因组选择具有明显的优势,不仅可以提高选择的准确性,尤其是一些低遗传力性状、比如难以测量的性状、限性性状、生长后期测定的性状(屠宰性状和免疫力等),还可以在动物出生时或者胚胎期即可预测,从而缩短世代间隔,大大提高遗传进展。
全基因组选择的流程
- 利用SNP标记推导出每个个体在每个QTL上的基因型
- 估计每个QTL基因型在性状上的效应值
- 所有QTL效应值的总和便是候选个体的GEBV
全基因组选择的方法
大体可以分为两大类:
- 一类是根据等位基因的效应值来预测GEBV
包括:最小二乘法,岭回归最佳线性无偏估计(RRBLUP),贝叶斯方法(Bayes A,Bayes B,Bayes C,Bayes R和Bayes LASSO) - 另一类是基于遗传关系矩阵预测GEBV,即GBLUP
通过采用高通量标记构建个体间的遗传关系矩阵,然后用线性混合模型来预测育种值
GBLUP VS 贝叶斯
目前全基因组选择主要采用GBLUP方法和贝叶斯方法,前者(GBLUP)假设所有的标记效应呈正态分布,而后者(贝叶斯)采用多种分布
- 对于由少数主效QTL控制的性状而言,贝叶斯方法通常要比GBLUP准确性高
- 而受许多微效QTL控制的性状GBLUP的效果与贝叶斯方法类似,甚至可能会更好
- 不同方法的准确性依赖于性状的遗传结构
影响全基因组选择准确性的主要因素
1. 遗传力
- 遗传力越高,GEBV的准确性越高
- 低遗传力性状需要更多数量的基因型和表型数据才能获得较高的准确性
2. SNP的密度与位置
- 覆盖全基因组的标记密度越高,则与影响目的性状基因的LD值越高,准确性越高
- SNP的位置对全基因组估计育种值的准确性影响较小,但是对基因型填充却很重要,总之,在应用任何密度的芯片时!测序深度同样起着至关重要的影响
3. 有效群体规模
- 进行全基因组选择时,参考群体至少要达到1000头,每个家系建议测定40~50头
- 有效群体的大小会直接影响全基因组育种值的准确性
References:
王晨, 秦珂, 薛明,等. 全基因组选择在猪育种中的应用[J]. 畜牧兽医学报, 2016, 47(1):1-9.
如果您有数据分析或购买软件的需求,欢迎联系我们010-62680244或发送邮件至China@vsni.co.uk