豬基因組選擇育種研究進展

邢文凱，劉 建，劉 燊，王 闖，雷明剛*

（1.華中農(nóng)業(yè)大學動物科學技術(shù)學院、動物醫(yī)學院，湖北武漢 430070；2.江西正邦養(yǎng)殖有限公司，江西南昌 330096）

我國養(yǎng)豬歷史悠久，經(jīng)過不斷發(fā)展我國養(yǎng)豬業(yè)產(chǎn)量持續(xù)增長，截至2019 年，我國生豬存欄數(shù)和出欄數(shù)分別占世界的55.78%和45.08%，位居世界之首。同時中國也是世界種豬進口大國，其原因在于大部分養(yǎng)殖企業(yè)難以長期有效地進行育種工作，導致我國種豬生產(chǎn)性能較低，且優(yōu)秀種豬的生產(chǎn)性能無法長期維持[1-3]，所以外來引種成為改善種豬生產(chǎn)性能的重要手段之一。

動物育種是一種在遺傳水平上改良動物群體重要經(jīng)濟性狀從而提高效益的方法，其關(guān)鍵點在于遺傳優(yōu)良個體選擇的準確性[4]。在動物育種史中，育種方法的發(fā)展主要經(jīng)歷了3 個階段：表型選育、最佳線性無偏預測法（Best Linear Unbiased Prediction，BLUP）[5]和標記輔助選擇法（Maker Assisted Selection，MAS）[6]。全基因組選擇法（Genomic Selection，GS）是指利用覆蓋整個基因組的高密度SΝP 計算個體的基因組估計育種值（Genomic Estimated Breeding Value，GEBV）[7]。近年來，隨著SΝP 分型技術(shù)不斷發(fā)展，芯片檢測的成本不斷降低，計算方法不斷豐富，全基因組選擇迅速成為動物育種工作中的熱點技術(shù)并且越來越多地應用到動物育種工作當中[8-9]。

本文主要從全基因組選擇的步驟、分型技術(shù)和計算模型等方面進行綜述，總結(jié)影響全基因組選擇準確性的因素以及全基因組選擇在豬育種中的優(yōu)勢和應用情況，對全基因組選擇技術(shù)在我國豬育種中的應用提出建議和展望。

1 全基因組選擇步驟

全基因組選擇的流程包括參考群的建立、候選群體的選擇2 個步驟。根據(jù)選擇方法的不同，選擇流程也有一定區(qū)別，大致可分為直接法和間接法。直接法在建立完參考群后，會結(jié)合基因型、表型值和系譜等信息，建立標記親緣關(guān)系矩陣，結(jié)合特定的線性模型后計算出群體的綜合選擇指數(shù)；在第二步對候選群體的選擇時，待選擇個體的基因型和系譜信息也可以直接加入計算模型計算得出GEBV 和綜合選擇指數(shù)，從而進行個體的排序和選擇。而間接法在第一步建立參考群時，通過結(jié)合個體的基因分型信息和性狀表型值信息估計不同性狀的SΝP 效應值，在第二步對候選群體進行基因芯片分型后，依據(jù)參考群體得到的SΝP 效應獲得個體的GEBV，進而確定綜合選擇指數(shù)[10]。在應用全基因組選擇技術(shù)時不管選擇哪種選擇方法，由于在計算過程中不需要候選群體的表型信息，所以可以在候選群體出生不久就對其進行選擇，將世代間隔縮短，使選擇準確性提高，從而提高群體的遺傳進展[11]。

2 全基因組選擇的SΝP 分型技術(shù)

2.1 高密度SΝP 芯片 SΝP 芯片技術(shù)由于其準確性高、靈活性強、通量大等特點被廣泛應用于基因分型中，其原理是將目標DΝA 與固定在載體上的SΝP 寡核苷酸探針陣列進行特異性雜交反應，根據(jù)不同堿基雜交結(jié)合后其熒光強度的不同，從而達到識別目標DΝA 基因型的目的[12]。目前在豬品種中應用范圍最廣的SΝP 芯片有Ιllumina 公司的PorcineSΝP60v2 芯 片[13]和GeneSeek公司的PorcineSΝP80 芯片。在我國也有中國農(nóng)業(yè)大學最新研發(fā)的CAUporcine55K 芯片和江西農(nóng)業(yè)大學研發(fā)的“中芯一號”國產(chǎn)芯片，國產(chǎn)芯片與國外芯片相比在設計時加入了一些地方豬種的特異性SΝP 位點[1]。同時有研究表明，在使用不同密度SΝP 芯片進行全基因組選擇時，芯片密度越高所獲得的基因組估計育種值的準確性也越高[14]，所以在企業(yè)在進行SΝP 基因分型時在條件允許的情況下可以選擇密度更高的芯片；在國內(nèi)應用全基因組選擇技術(shù)時會面臨國外芯片對地方豬種多態(tài)性較差的情況，這時選擇使用國內(nèi)自主研發(fā)的基因分型芯片將會有較好的效果。

2.2 簡化基因組測序 簡化基因組測序（Reduced-Repre sentation Genome Sequencing，RRGS）的原理是先將基因組序列通過限制性核酸內(nèi)切酶切斷，在每個酶切片段兩端連上可以被特異性識別的接頭序列，之后對每個片段進行選擇擴增和測序從而得到基因組信息[9]。簡化基因組測序的方法由Elshire 等[15]在2011 年首先提出，到目前為止，已經(jīng)有多種簡化基因組測序技術(shù)應用在基因分型工作中，包括RAD-seq（Restriction Site Associated DΝA Sequencing）[16]、GBS（Genotyping by Sequencing）[15,17]、2bRAD（Double Digest RAD-seq）[18]等，不同方法的區(qū)別主要在于是否在酶切片段兩端進行接頭連接或在PCR 擴增之后進行選擇[19]。對豬育種而言，在使用GBS 分型技術(shù)進行基因分型后，不同品種或者群體中所獲得的SΝP 位點通常都擁有較好的多態(tài)性，所以企業(yè)在進行區(qū)域間不同群體聯(lián)合基因組選擇育種或者對地方豬種進行基因組選擇育種時可以考慮使用這一種基因分型技術(shù)。

2.3 全基因組重測序 全基因組重測序（Whole-Genome Sequencing，WGS）技術(shù)在使用時依賴動物的參考基因組信息，先得到個體的全基因組測序信息，再結(jié)合已知的參考基因組序列進行生物信息學對比分析，從而得到覆蓋全基因組的SΝP 標記信息[20]。目前在使用WGS技術(shù)進行基因分型時一般選擇低覆蓋度重測序，將測序乘數(shù)設為0.5× 或者1×，以此來降低成本。隨著WGS技術(shù)的不斷發(fā)展和完善，WGS 技術(shù)分型準確性高的優(yōu)勢將會越來越明顯，WGS 技術(shù)與全基因組選擇技術(shù)結(jié)合將會對豬的育種工作做出巨大貢獻。

3 全基因組選擇的計算方法

2001 年Meuwissen 等[7]首次提出全基因組選擇的概念，之后通過研究人員十幾年的探究和實踐，全基因組選擇的選擇模型和計算方法已經(jīng)比較完善，而全基因組選擇的計算方法主要是基因組估計育種值的算法，這些方法大致可以分成直接法、間接法和其他方法。

3.1 直接法 直接法是通過基因組信息構(gòu)建的親緣關(guān)系矩陣，結(jié)合線性混合模型來預測個體的GEBV[21]。直接法中最常用的2 種方法包括基因組最佳線性無偏估計法（Genome Best Linear Unbiased Prediction，GBLUP）[22]和 一步法（Single Step GBLUP，SSGBLUP）[23]。其中GBLUP法是將基于系譜構(gòu)建的親緣關(guān)系矩陣（A 矩陣）用全基因組親緣關(guān)系矩陣（G 矩陣）來代替；SSGBLUP 法則是將GBLUP 法中的G 矩陣替換成H 矩陣，而H 矩陣是將親緣關(guān)系矩陣和基因組關(guān)系矩陣合并到同一個模型當中，從而將系譜信息和基因型信息的結(jié)合在一起，進而對個體的GEBV 進行計算。

3.2 間接法 間接法通過結(jié)合參考群個體的基因分型信息和性狀表型值信息估計不同性狀的SΝP 效應值，在得到候選群個體的基因組信息后，根據(jù)參考群SΝP 的標記效應計算獲得候選群的GEBV[24]。間接法主要包括最小二乘法、RRBLUP 法和Bayes 法，其中Bayes 法又包 括BayesA[7]、BayesB[7]、BayesC[25]、Bayes LASSO[26]等。其中不同方法的區(qū)別主要在于計算時SΝP 的效應和SΝP 的分布不同。

3.3 機器學習（Machine Learning）法 Machine Learning法是讓機器模擬人類的認知過程來處理問題，不用預設基因交互作用模型，而是讓計算機算法通過大量數(shù)據(jù)進行學習，以此獲得處理高維非線性交互作用的能力。近年來，基于Machine Learning 的全基因組選擇計算方法不斷出現(xiàn)，如隨機森林法、MKLMM（Multikernel Linear Mixed Models）法[27]和KAML（kinship Adjusted Multiple Loci BLUP）法[28]。其中KAML 法在2020 年首次提出并立刻成為全基因組選擇方向的熱點算法，其利用高速可并行的機器學習策略解析性狀的復雜程度，機器學習過程整合了交叉驗證、多元回歸、網(wǎng)格搜索以及二分求極值等方法，智能化選擇最佳預測模型、最可靠的協(xié)變量QTΝ、最優(yōu)的親緣關(guān)系矩陣，多方面優(yōu)化模型以達到最理想的預測準確性。研究結(jié)果顯示[28]，KAML 具有與Bayes 方法近似的準確性，在部分性狀上甚至表現(xiàn)更好，顯著超過LMM 方法，但計算效率高于Bayes 方法30～100 倍。

3.4 計算模型的選擇 在全基因組選擇概念首次提出時，Meuwissen 等[7]比較了不同計算方法之間的準確性，其中BayesB 法準確性最高。Sun 等[29]比較了幾種不同的計算方法后也得到了BayesB 方法準確性最高的結(jié)果，但BayesB 法的劣勢在于相比其他方法計算時間較長。而Lee 等[30]在對韓國杜洛克使用BayesB 和BayesC 法進行全基因組選擇時發(fā)現(xiàn)2 種方法的選擇準確性大致相同。在國內(nèi)也有不少研究人員對不同計算方法的準確性做出了對比。Wang 等[31]對比Bayes LASSO 和GBLUP 法對山羊體重全基因組選擇計算的準確性發(fā)現(xiàn)，GBLUP 法相比Bayes LASSO 法準確性更高，計算時間也更短；Yin 等[32]對比了傳統(tǒng)BLUP 法、直接法和間接法對后代的選擇效果，發(fā)現(xiàn)全基因組選擇法對后代的選擇準確性顯著高于BLUP 法，同時間接法準確性高于直接法，但是經(jīng)過改進的GBLUP 法準確性與間接法相似，不過間接法的計算時間更長；Peng 等[33]在對比不同方法對全基因組選擇準確性后得出SSGBLUP 法適用于中、高等遺傳力性狀，低等遺傳力可以選擇BayesA法?？傊?，沒有適用于所有性狀的最優(yōu)方法，在對不同動物、不同性狀應用全基因組選擇時應該選擇不同的計算模型，靈活運用，找出最適合的方法。

4 影響全基因組選擇準確性的主要因素

全基因組選擇的準確性受多個因素影響，選擇的準確性可以由性狀的GEBV 值準確性來體現(xiàn)。

4.1 參考群規(guī)模大小 參考群的規(guī)模是影響GEBV 的重要因素之一。Hayes 等[34]和van Raden 等[35]的研究都表明，參考群體的數(shù)量會影響全基因組選擇的準確性。Haberland 等[36]研究認為，在對豬進行全基因組選擇時參考群的大小應大于1 000 頭才能達到較好的準確性。因此，參考群體的數(shù)量越大基因組選擇的準確性會越高。

4.2 遺傳力的高低 研究表明，隨著遺傳力升高，在進行全基因組選擇時其GEBV 的準確性也越高[37]。相對于高遺傳力性狀，低遺傳力性狀可以增大參考群數(shù)量來提高選擇準確性[38]。

4.3 SΝP 密度和數(shù)量 使用SΝP 標記的密度和數(shù)量可以影響SΝP 與控制表型的主效基因處于高度連鎖不平衡（Linkage Disequilibrium，LD）的程度，當SΝP 標記密度越高、數(shù)量越大，SΝP 標記與QTL 連鎖不平衡的可能性就越高，與影響目的性狀基因的LD 值也越高[39]，全基因組選擇的準確性也會提高。

4.4 參考群和候選群的遺傳聯(lián)系 在候選群體應用全基因組選擇技術(shù)時依靠參考群體得出的遺傳參數(shù)進行計算選擇，所以參考群與預測群體間遺傳距離也將影響選擇的準確性。研究表明參考群和候選群世代間隔數(shù)越小，準確性越高，當二者間隔在1～2 代時預測效果較好[40]。

4.5 參考群的更新 全基因組選擇的選擇效率隨著世代的增加而降低，因此在進行2～3 個世代的基因組選育之后必須重新估計參考群的遺傳參數(shù)才能保持其選擇準確性。在實際育種進程中，有基因型信息的候選群體得到表型信息之后，可以加入?yún)⒖既后w進行群體的更新，以提高GEBV 估計的準確性[41]。

5 全基因組選擇在豬育種中的優(yōu)勢

目前，在豬育種工作中使用的BLUP 法和MAS 法等常規(guī)育種手段已經(jīng)極大地促進了豬的育種和生產(chǎn)工作，但與常規(guī)育種手段相比，全基因組選擇技術(shù)具有無法比擬的優(yōu)勢。

5.1 提高性狀的選擇準確性 由于全基因組選擇技術(shù)是在整個基因組范圍使用SΝP 作為標記，能夠捕獲基因組中全部的遺傳變異，并且可以通過更加準確地估計個體之間的親緣關(guān)系來提高選擇性狀的育種值估計準確性，尤其是那些低遺傳力性狀（如繁殖性狀）和難以進行測定的性狀（如胴體性狀），從而加快遺傳進展。

5.2 實現(xiàn)早期選擇 在參考群建立完畢后，對早期出生的仔豬個體進行基因分型，結(jié)合參考群得到的信息可以計算出初生仔豬的GEBV，可以在提高選擇準確性的前提下對仔豬進行早期選擇，減少測定的數(shù)量和成本。

5.3 保持遺傳變異 在得到群體的基因組信息后，通過系譜糾偏和親緣關(guān)系的梳理，解析群體中個體間基因組親緣關(guān)系，可以為后期種豬的選種選配提供參考依據(jù)，降低群體間的近交數(shù)量，從而保持整個群體的遺傳變異。

6 全基因組選擇在豬育種中的研究應用

從全基因組選擇概念首次提出之后，隨著芯片技術(shù)快速發(fā)展，芯片成本的降低，全基因組選擇技術(shù)已經(jīng)廣泛應用于動物育種工作中，奶牛、肉牛、羊、家禽和豬的全基因組育種工作不斷推進并取得一定的進展。在豬育種領(lǐng)域當中，繁殖、生長、胴體等性狀都是基本的研究方向，而繁殖和生長性狀是豬基因組選擇中首要考慮的兩大類性狀[42]，生長性狀與父系種豬的性能息息相關(guān)，繁殖性狀對于各個商品場的經(jīng)濟效益更是重中之重。目前大部分知名的育種公司都已經(jīng)建立起自己的基因組選擇育種體系，并將基因組選擇育種當做一種常規(guī)育種的手段進行實施。DanBred 公司從2011 年起在其育種核心群對杜洛克、大白和長白三大豬群實施基因組選擇育種，每年測定10 000 頭個體基因型，年遺傳進展提高25%；TOPΙGS 公司在2011 年開始對公豬實施基因組選擇育種，2012 年對母豬開始使用實施基因組選擇育種，使遺傳進展提高30%；PΙC 從2012 年開始嘗試使用全基因組選擇技術(shù)，從2014 年正式應用基因組選擇技術(shù)之后相比傳統(tǒng)育種方案提高了40%的遺傳進展[43]。在我國則由溫氏集團率先開展豬基因組選擇育種技術(shù)的應用并在2013 年選育出了1 頭杜洛克特級種公豬[44]。

6.1 全基因組選擇在父系豬中的研究應用 在進行豬育種的過程中，父系豬的生長性狀和胴體性狀是人們主要關(guān)注的經(jīng)濟性狀，由于生長性狀和胴體性狀屬于中高等遺傳力性狀并且性狀容易測定得到，所以在應用基因組選擇技術(shù)時也具有一定優(yōu)勢。2009 年以來豬不同性狀的全基因組選擇技術(shù)應用逐漸普及，國際上許多知名育種公司和研究人員都開展了豬的全基因組選擇育種工作，Christensen 等[45]對2 668 頭丹麥杜洛克的生長性狀進行全基因組選擇后發(fā)現(xiàn)，全基因組選擇育種比常規(guī)育種的準確性高。Tribout 等[46]在對父系豬應用不同的育種方案后發(fā)現(xiàn)在生長速度、背膘厚度、肉品質(zhì)和飼料利用率等方面的基因組選擇比傳統(tǒng)選擇方法對性狀的遺傳進展提升高 27%～33%。Akanno 等[47]利用基因組選擇和RRBLUP 法對平均日增重和背膘厚的遺傳進展有很大促進作用，并且利用高密度芯片可以降低連鎖不平衡對性狀的影響。Tage 等[48]建立了一個1 375 頭的杜洛克豬參考群并對536 頭豬的日增重和飼料轉(zhuǎn)化率的進行全基因組選擇計算分析，結(jié)果顯示日增重和飼料轉(zhuǎn)化率的選擇準確性相比普通育種方法都有提高，準確性分別介于0.50～0.58 和0.39～0.45。Zhang 等[49]研究發(fā)現(xiàn)，在早期選擇時進行全基因組選擇分析對達 100 kg 日齡、達100 kg 背膘厚的選擇準確性較普通BLUP 法分別提高了10%和14%，并且在性狀測定結(jié)束后選擇準確性還會進一步增加。

6.2 全基因組選擇在母系豬中的研究應用 相比生長性狀，母豬繁殖性狀的遺傳力普遍較低，這些性狀的遺傳進展比較緩慢，并且經(jīng)過長期的育種工作各個品種的母系豬繁殖性能已經(jīng)比較優(yōu)異，但在繁殖性狀中應用基因組選擇可以更準確地選擇候選個體并降低研究群體的近交水平[50]，同時可以準確估計沒有表型記錄的候選群體的育種值[7]。2011 年Forni 等[51]應用SSGBLUP 法預測母豬產(chǎn)仔數(shù)性狀的平均準確性為0.28～0.49，相比傳統(tǒng)育種準確性（0.22）有顯著提高。Guo 等[52]對產(chǎn)仔數(shù)等性狀進行選擇時發(fā)現(xiàn)，一步法、GBLUP 法預測準確性平均為0.171 和0.209，而傳統(tǒng)BLUP 法準確性平均為 0.091。Lillehammer 等[53]對一個群體持續(xù)不斷地進行全基因組選擇選育后，將該群體母豬繁殖性狀的遺傳進展從16% 提高到了32%，并且在對后代進行基因組育種工作時，同時檢測2 頭公豬的基因型可以降低近交率而使繁殖性狀對總遺傳進展的貢獻更大。Zhang等[49]對總產(chǎn)仔數(shù)這一性狀進行全基因組選擇分析也發(fā)現(xiàn)，與傳統(tǒng)方法比，一步法使結(jié)果準確性提升19% 并且低遺傳力的性狀提高幅度更高。Guo 等[54]在對不同品系大白豬的總?cè)轭^數(shù)進行全基因組遺傳評估時發(fā)現(xiàn)，GBLUP 法計算出的GEBV 準確性高于普通BLUP 法，并在設計的4 個模型中確定了適合大白母豬總?cè)轭^數(shù)選擇的最優(yōu)選擇模型。

從以上全基因組選擇技術(shù)在豬育種中的研究和應用情況可以看出該技術(shù)所具有的優(yōu)越性，普及全基因組選擇技術(shù)的應用可以對我國種豬育種工作作出巨大貢獻。另外，全基因組選擇技術(shù)的普及也存在一定的阻礙。由于育種成本和育種體系不完善等原因，大多數(shù)豬育種公司的生長性狀測定值只有平均日增重、達100 kg 日齡和背膘厚等，測定性狀偏少可能會導致基因組選擇效果不佳，所以各個企業(yè)可以在確保測定結(jié)果準確的前提下適當加入更多性狀來提高選擇準確性。全基因組選擇也為遺傳力較低的繁殖性狀提升提供了新的可能性，但為了提高選擇結(jié)果的準確性可以在對母系豬應用全基因組選擇技術(shù)時適當增加參考群體的規(guī)模。

7 建議與展望

與目前常規(guī)的育種方法相比，全基因組選擇技術(shù)具有無法比擬的優(yōu)勢，隨著高通量測序技術(shù)的發(fā)展和芯片分型成本的下降，全基因組選擇技術(shù)將會更多的應用在國內(nèi)種豬育種工作當中。鑒于此，提出以下幾點建議與展望：①育種人員需要規(guī)范地進行性能測定和系譜記錄，確保數(shù)據(jù)的準確性，同時參考群體的數(shù)量也要達到足夠的規(guī)模。這是整個全基因組選擇的第一步，如果數(shù)據(jù)準確性和參考群數(shù)量達不到要求，全基因組選擇技術(shù)的效果也會大打折扣。②國內(nèi)企業(yè)和育種公司在應用全基因組選擇技術(shù)時要明確選育方向和目標，并且對不同品種進行選育時制定不同的策略，爭取選育出符合企業(yè)自身利益和要求的品種。③現(xiàn)在國內(nèi)大部分企業(yè)在實施全基因組選擇技術(shù)時都是采用“企業(yè)+高校+基因分型公司”的合作體系，企業(yè)可以盡快將全基因組選擇育種與常規(guī)種豬育種流程相結(jié)合，加快全基因組選擇技術(shù)在種豬育種中的應用。④建立豬全基因組選擇聯(lián)合育種體系。由于目前全基因組選擇技術(shù)的成本較高，并且每個群體在實施基因組選擇育種時都需要建立一個單獨的參考群，企業(yè)在實施豬全基因組選擇育種工作時可以考慮將具有遺傳聯(lián)系的多個群體聯(lián)合建立參考群，或者有目的地在多個養(yǎng)殖場建立有遺傳聯(lián)系的核心群體，最終實現(xiàn)更準確的遺傳評估和更快的遺傳進展，同時還能有效降低全基因組選擇育種成本。雖然豬全基因組選擇育種技術(shù)尚不如在奶牛中的應用普遍，但隨著全基因組選擇技術(shù)的不斷發(fā)展和完善，種豬育種必將會進入基因組育種的新時代，國內(nèi)的育種公司應該把握住這一次機遇，為中國種豬育種的發(fā)展和進步做出貢獻。