基因組預(yù)測(cè)的序列數(shù)據(jù)在家畜育種中的應(yīng)用

黃選洋 譯自，Vol.35(2021)，№5：21，23

張配配 校

低成本的測(cè)序策略結(jié)合估測(cè)法(imputation)，能夠以負(fù)擔(dān)得起的成本為大量個(gè)體生成所需基因組序列的信息。低覆蓋率使研究人員對(duì)大量個(gè)體進(jìn)行基因組測(cè)序成為可能，這可以提高變異的發(fā)現(xiàn)率，特別是低頻率的變異，并能加強(qiáng)根據(jù)基因組序列數(shù)據(jù)對(duì)整個(gè)群體的估測(cè)。

本文介紹了我們?cè)谝豁?xiàng)研究中所采用的策略，該研究對(duì)來(lái)自9個(gè)商業(yè)品系的7 848頭豬進(jìn)行了全基因組測(cè)序，這些品系大部分處于低覆蓋率范圍。隨后，我們證明，將該測(cè)序策略與“雜交剝離”估測(cè)法相結(jié)合，是一種可為大群家畜純種系譜產(chǎn)生全基因組序列數(shù)據(jù)的有效策略。最后，我們測(cè)試了這些大數(shù)據(jù)集對(duì)合成表型的基因組預(yù)測(cè)的優(yōu)勢(shì)。

1 材料和方法

1.1 測(cè)序策略

我們對(duì)Genus plc公司的9個(gè)商業(yè)品系(PIC豬商業(yè)品系，公司位于美國(guó)田納西州亨德森縣)的7 848頭豬的全基因組進(jìn)行了測(cè)序。測(cè)序時(shí)，我們從每個(gè)品系中選擇約2%(1.7%～2.5%)的豬。結(jié)果表明，大多數(shù)豬處于低覆蓋率，目標(biāo)覆蓋率為1倍或2倍，一小部分豬處于較高的覆蓋率，分別為5倍、15倍或30倍。個(gè)體的平均覆蓋率為4.1倍，但中位數(shù)為1.5倍。我們使用三步策略選擇個(gè)體和這些個(gè)體的覆蓋范圍：

第一步：在純種系譜中貢獻(xiàn)最多基因型后代的父系和母系分別擁有2倍和1倍的覆蓋率。

第二步：AlphaSeqOpt法第1部分用于識(shí)別在種群?jiǎn)伪缎椭姓加凶畲蟊壤膯伪缎蛡€(gè)體，并在控制總成本的前提下，為它們及其祖先分配一個(gè)介于0倍至30倍的最優(yōu)水平的測(cè)序覆蓋。

第三步：AlphaSeqOpt法第2部分用于識(shí)別累計(jì)覆蓋率低(低于10倍)的單倍型個(gè)體，并對(duì)這些個(gè)體進(jìn)行1倍測(cè)序，以增加單倍型的累計(jì)覆蓋率(即大于或等于10倍)。

AlphaSeqOpt法使用根據(jù)階段性標(biāo)記陣列基因型推斷的單倍型。

1.2 發(fā)現(xiàn)變異

將測(cè)序結(jié)果與Sscrofa 11.1參考基因組進(jìn)行比對(duì)，利用一個(gè)基于GATK 3.8的Haplotype-Caller工具的數(shù)據(jù)來(lái)源找出變異。為了避免在應(yīng)用低覆蓋率序列數(shù)據(jù)時(shí)對(duì)GATK引入的參考等位基因產(chǎn)生誤差，我們利用堆積函數(shù)提取了支持該等位基因的讀取數(shù)，結(jié)果從這9個(gè)品系中共發(fā)現(xiàn)了6 000萬(wàn)個(gè)單核苷酸多態(tài)性(Single Nucleotide Polymorphisms，SNPs)。

1.3 估測(cè)全基因組序列數(shù)據(jù)

使用商業(yè)標(biāo)記陣列對(duì)每個(gè)群體中的大多數(shù)個(gè)體進(jìn)行基因分型，擁有15 000個(gè)低密度(Low Density，LD)或75 000個(gè)高密度(High Density，HD)全基因組標(biāo)記。正如用AlphaPeel法測(cè)算的那樣，采用雜交剝離估測(cè)法分別估測(cè)每個(gè)群體的全基因組序列。該方法通過(guò)兩階段，降低估測(cè)成本：

? 多軌跡迭代剝離，可以根據(jù)數(shù)組中的該標(biāo)記估計(jì)分離概率。

? 改進(jìn)的單位點(diǎn)迭代剝離，可以基于序列數(shù)據(jù)旁側(cè)數(shù)組的該標(biāo)記的估測(cè)值，利用該序列數(shù)據(jù)大致估計(jì)任何其他變異位點(diǎn)上的分離概率。由于每條染色體中重組基因的數(shù)量有限，以及附近標(biāo)記共同被遺傳的概率很高，這種大致估測(cè)的精度損失可以忽略不計(jì)。9個(gè)品系估測(cè)出的豬總數(shù)約為35萬(wàn)頭。

為了評(píng)估估測(cè)的準(zhǔn)確性，我們使用了來(lái)自4個(gè)大小不同的群體在高覆蓋率(15倍或30倍)下測(cè)序的284個(gè)個(gè)體。被檢測(cè)個(gè)體的序列數(shù)據(jù)用留一法設(shè)計(jì)(leave-one-out design)可以完全掩蓋。將估測(cè)的等位基因劑量與獲得完整數(shù)據(jù)的等位基因劑量進(jìn)行比較，認(rèn)為是“真”值。

1.4 基因組的預(yù)測(cè)

我們?cè)谝粋€(gè)擁有3萬(wàn)個(gè)個(gè)體的品系中檢測(cè)了基因組預(yù)測(cè)的準(zhǔn)確性，這些個(gè)體的估測(cè)基因型為1 600萬(wàn)個(gè)SNPs。正如在AlphaBayes軟件中預(yù)測(cè)的那樣，使用嶺回歸(ridge regression)模型預(yù)測(cè)基因組。

利用該模式測(cè)試了22 318個(gè)個(gè)體，驗(yàn)證了1 458個(gè)個(gè)體。對(duì)9個(gè)具有不同遺傳力和數(shù)量性狀核苷酸(Quantitative Trait Nucleotides，QTN)的合成性狀進(jìn)行基因組預(yù)測(cè)。

使用4組標(biāo)記進(jìn)行基因組預(yù)測(cè)：從陣列中預(yù)選5.7萬(wàn)個(gè)標(biāo)記(HD)，從基于LD修剪的序列數(shù)據(jù)中預(yù)選24.8萬(wàn)個(gè)變體[全基因組測(cè)序(Whole Genome Sequencing，WGS)_LD，WGS_LD]，從基于單標(biāo)記回歸結(jié)果[(WGS_基于總數(shù)據(jù)的孟德?tīng)栯S機(jī)化(Summary data-based Mendelian Randomization，SMR)，WGS_SMR]的序列數(shù)據(jù)中預(yù)選18.3萬(wàn)個(gè)變體，或通過(guò)僅每保留第200個(gè)變體(WGS_200)從該序列數(shù)據(jù)中預(yù)選6.7萬(wàn)個(gè)變體?；蚪M估計(jì)育種值(Genomic Estimated Breeding Value，gEBV)的準(zhǔn)確性是根據(jù)該驗(yàn)證數(shù)據(jù)集中g(shù)EBV與合成表型之間的相關(guān)性來(lái)估計(jì)的。

2 結(jié)果和討論

2.1 估測(cè)的準(zhǔn)確性

對(duì)大多數(shù)受試個(gè)體而言，真實(shí)數(shù)據(jù)的估測(cè)精度較高(圖1)。平均個(gè)體劑量相關(guān)性為0.94，中位數(shù)為0.97，四分位數(shù)范圍為0.94～0.98。一些屬于該純種系譜最早幾個(gè)世代的最古老的個(gè)體(位于系譜的前20%)具有很低的估測(cè)精度，因?yàn)樗鼈儫o(wú)法提供其直系祖先的信息，或能夠提供的信息極少，這影響了估測(cè)精度。

較晚幾個(gè)世代的個(gè)體(位于系譜中前20%的后面)有更高的估測(cè)精度，平均劑量相關(guān)性為0.97，變異性更低：中位數(shù)為0.98，四分位數(shù)間距為0.96～0.99。

個(gè)體的標(biāo)記陣列密度與用標(biāo)記陣列基因分型獲得的直系祖先的數(shù)量相矛盾，但對(duì)稍后幾個(gè)世代的個(gè)體而言，標(biāo)記陣列密度的HD和LD之間無(wú)顯著差異，種群大小對(duì)估測(cè)精度的影響無(wú)明顯的傾向性。

2.2 基因預(yù)測(cè)

在某些情況下，與標(biāo)記陣列相比，序列數(shù)據(jù)能夠提供更好的預(yù)測(cè)精度，但其優(yōu)勢(shì)取決于該性狀的遺傳結(jié)構(gòu)。

表1列出了9個(gè)合成性狀的基因組預(yù)測(cè)精度。當(dāng)QTN的數(shù)量較小時(shí)，可以識(shí)別能支撐該性狀的遺傳變異的變體(variants)具有足夠的統(tǒng)計(jì)功效(statistical power)，使用這些變體(WGS_SMR)進(jìn)行預(yù)測(cè)的準(zhǔn)確性高于用來(lái)自商業(yè)標(biāo)記陣列(HD)的標(biāo)記進(jìn)行預(yù)測(cè)的。這與之前的觀察結(jié)果一致，添加一個(gè)或幾個(gè)具有較大作用的標(biāo)記作為預(yù)測(cè)因子可以提高該標(biāo)記序列的預(yù)測(cè)精度。

當(dāng)QTN的數(shù)量較大時(shí)，WGS_SMR的性能比HD的差。在這種情況下，從序列數(shù)據(jù)中選擇的其他變異集可能(略微)比商業(yè)標(biāo)記序列更有利，因?yàn)樗鼈儾粫?huì)像商業(yè)標(biāo)記序列那樣受到確定偏倚(ascertainment bias)的影響。

這些結(jié)果部分是由于目前使用商業(yè)標(biāo)記陣列進(jìn)行基因組選擇已經(jīng)獲得了很高的預(yù)測(cè)準(zhǔn)確性，且與其他研究結(jié)果一致。后者發(fā)現(xiàn)，與HD標(biāo)記陣列相比，序列數(shù)據(jù)在基因組預(yù)測(cè)上沒(méi)有改善或只有微小的變化。有待確定的是，結(jié)果是否會(huì)因以下原因而得到改善：來(lái)自多個(gè)品種的數(shù)據(jù)，使用多品種測(cè)試和更大的測(cè)試集，或比嶺回歸更適合于大規(guī)模開(kāi)發(fā)序列數(shù)據(jù)的基因組預(yù)測(cè)方法。

3 結(jié)論

無(wú)論種群的規(guī)模多大，只要個(gè)體與具有標(biāo)記陣列或序列數(shù)據(jù)的親緣聯(lián)系在一起，同時(shí)該親緣有足夠多的信息，恰當(dāng)?shù)臏y(cè)序策略和“雜交剝離”的結(jié)合是在大群的純種系譜中生成全基因組序列數(shù)據(jù)的一種有效方法。

目前尚不清楚，這些帶有估測(cè)序列數(shù)據(jù)的大數(shù)據(jù)集是否能夠提高基因組預(yù)測(cè)的準(zhǔn)確性。