袁澤湖，葛 玲，李發(fā)弟，樂祥鵬*，孫 偉1,*

(1.揚州大學 教育部農(nóng)業(yè)與農(nóng)產(chǎn)品安全國際合作聯(lián)合實驗室，揚州 225000；2.蘭州大學草地農(nóng)業(yè)科技學院 草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室/農(nóng)業(yè)農(nóng)村部草牧業(yè)創(chuàng)新重點實驗室/教育部草地農(nóng)業(yè)工程研究中心，蘭州 730020；3.揚州大學動物科學與技術(shù)學院，揚州 225000)

全基因組選擇(genomic selection，GS)[1]利用覆蓋全基因組的標記信息計算全基因組育種值(genomic estimated breeding value，GEBV)。相較于傳統(tǒng)的育種方法，GS通過對擬留種的個體進行早期選擇和增加選擇的準確性進而加快育種的遺傳進展[2]。通過改進GS方法無法再縮短育種的世代間隔，因而如何提高GS的準確性以獲得額外的遺傳進展一直是GS研究的核心問題。

全基因組測序(whole genome sequencing，WGS)技術(shù)逐漸成熟，測序成本不斷降低，對家畜進行大規(guī)模測序已成為可能。GS從基于標記與因果突變連鎖的GS0.0時代(如利用50K芯片進行GS)發(fā)展到基于全基因組變異的GS2.0時代[3]。WGS檢測的變異已包含了所有因果突變位點，因此GS2.0不再受標記與因果突變連鎖不平衡(linkage disequilibrium，LD)的限制。理論上，基于全基因組變異的GS準確性應(yīng)高于芯片(如50K)GS的準確性。然而，有研究結(jié)果顯示當不考慮生物學先驗信息時，基于全基因組變異的GS準確性并不比基于芯片的GS準確性高[4-6]。當前，各種組學技術(shù)不斷成熟，從公開的資料或前期的研究積累獲取生物學先驗信息已比較容易。因而，如何在GS模型中整合已知的先驗信息，進而通過提高GS的準確性獲得額外的遺傳進展成為當前動物育種研究的一個重要的課題。本文首先對生物學先驗信息的類型以及整合先驗信息的GS方法進行綜述，并探討了這些方法在家畜育種中的應(yīng)用和前景，以期為家畜開展整合生物學先驗信息的GS研究提供借鑒與參考。

1 生物學先驗信息與先驗信息獲取群體

1.1 生物學先驗信息

生物學先驗信息，即預(yù)先知道的遺傳學知識，由于單核苷酸多態(tài)性(single nucleotide polymorphisms，SNP)是育種中廣泛使用的分子標記，因而對于GS來說，尋找生物學先驗信息的核心任務(wù)是根據(jù)已知的遺傳學知識對SNP的遺傳貢獻(即對重要經(jīng)濟性狀的影響程度)進行排序或者分類。理論上，任何能夠影響表型的各組學數(shù)據(jù)或已知的遺傳學知識都能作為GS的生物學先驗信息，因而先驗信息可包括基因組、表觀組、轉(zhuǎn)錄組、蛋白組、代謝組(圖1A)以及已知的基因功能注釋或SNP注釋等信息(圖1B)。

在基因組層面，全基因組關(guān)聯(lián)分析(genome-wide association study，GWAS)的結(jié)果是GS最常用的一種生物學先驗信息[7-21](表1)，根據(jù)GWAS的P值和(或)標記效應(yīng)很容易獲得SNP對某一性狀遺傳貢獻大小的信息(P值越顯著的遺傳貢獻越大，標記效應(yīng)大的遺傳貢獻大)。除GWAS外，選擇信號的分析結(jié)果的也能作為GS的先驗信息，如根據(jù)群體分化指數(shù)(FST)獲得SNP遺傳貢獻的大小[22-23]。轉(zhuǎn)錄組數(shù)據(jù)也是一種重要的生物學先驗信息(表1)，位于差異表達基因(differentially expressed genes,DEGs)內(nèi)的SNP位點通常比其它SNP遺傳貢獻大[14]。同樣，表觀組的數(shù)據(jù)，如組蛋白修飾信息可作為GS的先驗信息，因為位于組蛋白修飾區(qū)域的SNP比其它SNP具有更大的遺傳貢獻[24]。當前，蛋白組和代謝組數(shù)據(jù)還少有用作GS先驗信息的報道[25]。此外，數(shù)據(jù)庫的注釋信息也是一類重要的先驗信息，如基因本體(gene ontology，GO)注釋信息[7,26-27]、京都基因與基因組百科全書(Kyoto Encyclopedia of Genes and Genomes，KEGG)通路注釋[26]、動物數(shù)量性狀基因座數(shù)據(jù)庫(AnimalQTLdb)[28-30]等。整合不同類型的生物學先驗信息，GS準確性的增幅并不相同[8]，可見，不同的組學數(shù)據(jù)能夠提供不同先驗信息。目前的研究主要利用單一維度的先驗信息，隨著多組學數(shù)據(jù)的積累，如何系統(tǒng)地整合多組學數(shù)據(jù)并給予SNP恰當?shù)倪z傳貢獻仍面臨挑戰(zhàn)。最近有學者做了一些嘗試，Xiang等[25]在奶牛的研究中提出了功能與進化性狀遺傳力打分方法(functional-and-evolutionary trait heritability，F(xiàn)AETH)，F(xiàn)AETH根據(jù)SNP的遺傳力對標記的遺傳貢獻進行排序，并在奶牛的GS中取得了較好的應(yīng)用效果[31]。然而，計算FAETH需要多次計算SNP的遺傳力，計算量大；在將來，應(yīng)開發(fā)更多的算法整合多組學數(shù)據(jù)對SNP的遺傳貢獻進行排序或者分類。

表1 生物學先驗信息類別Table 1 Type of biological prior information

A.多組學數(shù)據(jù)；B.注釋信息A.Multi-omics data;B.Annotation information圖1 潛在的生物學先驗信息Fig.1 Potential biological prior information

1.2 先驗信息獲取群體

在早期整合生物學先驗信息的GS研究中，由于可獲得的先驗信息相對匱乏，因而先驗信息通常來自參考群體，比如，先在參考群體進行GWAS后[18,36]，再將GWAS的結(jié)果作為GS的生物學先驗信息。此外，有學者為了提高計算效率和降低分型成本，僅使用先驗信息(如GWAS顯著的SNP位點)進行GS[9,13-14]。這些嘗試為生物學先驗信息的利用奠定了重要基礎(chǔ)。然而，先驗信息獲取群體與參考群體使用相同的數(shù)據(jù)和(或)僅使用先驗信息進行GS時導致GS偏差(bias)變大[9,18,36]。偏差較大的原因可能是只利用部分標記無法準確地捕獲群體的遺傳結(jié)構(gòu)信息或人為有選擇地使用了隨機的遺傳信息[13]。因而，Macleod等[14]提出整合生物學先驗信息的GS研究需要專門的先驗信息獲取群體，且要求先驗群體與參考群體和驗證群體相對獨立；此外，不能僅使用先驗信息而需要在基準芯片(如50K)的基礎(chǔ)上添加先驗信息，進而減少GS的偏差。隨后，在綿羊部分肉用性狀中按照這個方式劃分各類群體進行GS，結(jié)果發(fā)現(xiàn)在50K芯片的基礎(chǔ)上整合GWAS和eQTL先驗信息并沒有明顯改變GS的偏差[11]。在實際應(yīng)用中，應(yīng)根據(jù)先驗信息的類型決定是否需要先驗信息發(fā)現(xiàn)群體，當利用數(shù)據(jù)庫注釋信息時，不需要先驗信息獲取群體。

2 整合生物學先驗信息的全基因組選擇方法

除了獲得生物學先驗信息以外，另一個核心的問題是如何應(yīng)用這些先驗信息，即開發(fā)合適的GS方法。當前整合生物學先驗的GS方法大多是在GBLUP或者Bayes方法的基礎(chǔ)上改進而來。整合生物學先驗信息的GS方法按照整合先驗的方式，可以大致分為3大類：第一類是根據(jù)生物學先驗信息給予不同的SNP以不同的遺傳權(quán)重，簡稱為位點特異的方法；第二類是根據(jù)生物學先驗信息將SNP劃分為幾個不同的類別，給予不同類別的SNP以不同的遺傳權(quán)重，簡稱類別特異的方法；第三類是將效應(yīng)較大的SNP位點當作協(xié)變量,簡稱為協(xié)變量方法。

2.1 位點特異的方法

表2 G矩陣加權(quán)系數(shù)匯總信息Table 2 Summariy information of weighted index (di)for G matrix

加權(quán)系數(shù)di主要來源于GWAS的P值，標記效應(yīng)或標記方差。Gianola等[41]指出，加權(quán)系數(shù)di要能反應(yīng)標記所能解釋的遺傳方差。Su等[18]在奶牛奶用性狀中的研究結(jié)果顯示，利用后驗標記方差對G矩陣進行加權(quán)優(yōu)于基于P值和標記效應(yīng)的平方。Ren等[40]通過比較幾種不同的加權(quán)策略發(fā)現(xiàn)不同的加權(quán)策略適合不同性狀。因而，不同的性狀需根據(jù)其遺傳結(jié)構(gòu)選擇適合的加權(quán)系數(shù)。

獲得加權(quán)系數(shù)di需要預(yù)先計算出每個標記的效應(yīng)大小及加性遺傳方差，因而計算量非常大。Zhang等提出了BLUP|GA方法[42-43]，該方法通過構(gòu)建T矩陣來替代G矩陣：

虛線框之內(nèi)的方法不能整合生物學先驗信息；虛線框之外的方法能夠整合生物學先驗信息；箭頭表示方法的演變過程；公式中y為表型向量；μ為群體均值向量，b為標記效應(yīng)，其效應(yīng)服從正態(tài)分布N(0,Imσ2b)，Im為單位矩陣，σ2b為標記效應(yīng)方差。W為基因型矩陣；e為隨機殘差；g為基因組估計育種值向量，其值服從正態(tài)分布N(0,Gσ2g)，G為基因組親緣關(guān)系矩陣，σ2g為加性遺傳方差；A為基于系譜的親緣關(guān)系矩陣；H為一步法GBLUP的親緣關(guān)系矩陣；Z為校正后的基因型矩陣；D為親緣關(guān)系的加權(quán)對角矩陣，對角線元素為diThe methods within dashed box cannot integrate biological prior information;the methods outside the dashed box can integrate biological prior information;arrows indicate the evolution of the methods;y is a vector of phenotype;μ is a vector of population mean value;b is marker effects following a normal distribution N(0,Imσ2b),where Im is an identity matrix,σ2b is the variance of marker effect;W is a matrix of genotype;e is a vector of random effect;g is a vector of genomic estimated breeding value following a normal distribution N(0,Gσ2g),where G is a genomic relationship matrix,σ2g is the additive genetic variance;A is a pedigree-based relationship matrix;H is a relationship matrix for ssGBLUP;Z is a matrix of scaled genotype;D is a diagonal matrix of weighted index for G matrix,where di is the ith element in main diagonal圖2 基于最佳線性無偏估計(BLUP)的全基因組選擇方法Fig.2 Genomic selection methods based on best linear unbiases prediction (BLUP)

虛線框之內(nèi)的方法不能整合生物學先驗信息；虛線框之外的方法能夠整合生物學先驗信息；箭頭表示方法的演變過程；公式中ui為標記效應(yīng)，在不同的方法中服從不同的分布；π為效應(yīng)值為零的標記的比率，在不同的方法中值不同。P表示關(guān)聯(lián)分析P值The methods within dashed box cannot integrate biological prior information;the methods outside the dashed box can integrate biological prior information;arrows indicate the evolution of the methods;ui is the marker effect which follows different distribution in different methods;π is the ratio of marker with effect equal to zero;P is the P value of association analysis圖3 全基因組選擇的Bayes方法Fig.3 Genomic selection methods based on Bayes

2.2 類別特異的方法

2.2.1 基于BLUP的類別特異方法 有學者提出了另一類整合先驗的GFBLUP方法(圖2)，與之前的對每一個SNP賦予不同的遺傳權(quán)重不同，GFBLUP方法根據(jù)SNP位點的“遺傳貢獻”將其分為不同的類別，并通過擬合兩個及以上的G矩陣賦予不同類別的SNP以不同的遺傳權(quán)重[27,50]，即：

y=1μ+g1+g2+e

式中，參數(shù)的含義與GBLUP相同，g1表示第一組標記的GEBV，g2表示第二組標記的GEBV。與此同時，有學者提出了與GFBLUP類似的MultiBLUP方法[51]，即：

式中，參數(shù)的含義與GFBLUP類似。GFBLUP和MultiBLUP都能擬合兩個及以上的隨機變量。當樣本數(shù)較大或者標記的密度過高時(如全基因組測序鑒定到的SNP)，由于計算資源或者軟件本身的限制，擬合兩個或多個G矩陣的GFBLUP和MultiBLUP方法大大增加了計算負擔。為了減少計算資源，兩個或多個G矩陣還可以通過加權(quán)的方法進一步簡化：

y=1μ+gTotal+e

2.2.2 基于Bayes的類別特異方法 在大多數(shù)情況下，BayesR的準確性優(yōu)于其它的Bayes方法，近年來有學者開發(fā)了簡化版的BayesR方法SBayesR。SBayesR將BayesR模型拓展到了概述統(tǒng)計數(shù)據(jù)并通過考慮SNP之間的連鎖不平衡(linkage disequilibrium，LD)信息將稠密親緣關(guān)系矩陣變?yōu)橄∈杈仃囈蕴岣哂嬎阈蔥52]。目前，類別特異的Bayes方法大多是從BayesR的基礎(chǔ)上改進而來的。Br?ndum等[53]提出了BayesRS方法，這一方法的思想與mutiBLUP類似，都是根據(jù)SNP集的方差組分，賦予不同類別的SNP以權(quán)重的先驗信息。Macleod等[14]在BayesR的基礎(chǔ)上提出了BayesRC方法，BayesRC與BayesR之間的主要區(qū)別在于BayesRC允許不同類別的SNP獨立的計算標記效應(yīng)來整合生物學先驗信息[14]，BayesRC和BayesRS主要的區(qū)別在于BayesRS允許不同的SNP集有不同的先驗信息而BayesRC則允許不同的SNP集有不同的后驗效應(yīng)(圖4)。

2.3 協(xié)變量方法

與之前的方法不同，有學者直接提出了將效應(yīng)大的位點作為協(xié)變量(covariate)放入混合線性模型中以提高GS的準確性[16,54]。在奶牛繁殖性狀(sire conception rate，SCR)，通過這種方式將GS的準確性從0.340增加到0.403[16]。協(xié)變量方法適用于已鑒定到因果突變的性狀；然而，家畜大多重要經(jīng)濟性狀受多個QTL影響，且大多性狀的因果突變位點仍未解析，當因果突變未知時，采用這種方法可能會因為加入了錯誤的協(xié)變量而降低GS的準確性，因而這種策略無法大面積提高GS的準確性。

2.4 基于機器學習策略的協(xié)變量及位點特異整合方法

最近，我國學者提出了KAML(Kinship Adjusted Multiple Loci Best Linear Unbiased Prediction)方法[55]。該方法主要通過兩個途徑提高GS的準確性，一是通過將效應(yīng)大的位點當做協(xié)變量加入線性模型中；二是對G矩陣進行加權(quán)，加權(quán)系數(shù)為：

其中，α為對數(shù)函數(shù)的基數(shù)(待估)，β是加權(quán)的比率(待估)，P為GWAS的P值，m為標記數(shù)目。與之前整合先驗信息的方法不同，KAML通過機器學習方法(交叉驗證、多元回歸、網(wǎng)格搜索以及二分求極值等)智能化地選擇將哪些位點當作協(xié)變量以及計算加權(quán)系數(shù)的值(即估計α和β)而非人為預(yù)先指定固定的值。一方面，KAML通過機器學習算法整合各種方法的優(yōu)點，因此其準確性較高，目前已接近Bayes方法[55]；另一方面，KAML也難以完全消除已有方法的缺陷，例如，利用單一的組學數(shù)據(jù)篩選效應(yīng)較大的位點難免會出現(xiàn)假陽性。

3 整合生物學先驗信息的GS在動物育種中的應(yīng)用

3.1 整合生物學先驗信息的GS在牛育種中的應(yīng)用

產(chǎn)奶性狀是奶牛最重要的一類性狀，在奶牛中，品種內(nèi)整合生物學先驗信息的GS方法準確性增幅較低，如，Su等[18]利用位點特異的GBLUP方法，在奶產(chǎn)量、乳脂產(chǎn)量、乳蛋白產(chǎn)量等性狀的GS中提高了2%的準確性。Macleod等[14]利用BayesRC方法在奶產(chǎn)量、乳脂產(chǎn)量、乳蛋白產(chǎn)量的GS提高了準確性，但平均增幅度較小(<1%)。Mouresan等[56]整合QTL先驗信息，在奶產(chǎn)量、乳脂率的GS中分別提高了0.014和0.051的準確性。Liu等[17]在產(chǎn)奶性狀中，利用SNP注釋先驗信息，并沒有提高GS的準確性。然而，品種間整合生物學先驗信息的GS方法的準確性增幅遠高于品種內(nèi)的GS。Fang等[26,57]整合GO、KEGG、差異表達基因等信息，發(fā)現(xiàn)跨品種的GS準確性幅度遠大于品種內(nèi)的增幅。在牛奶脂肪酸相關(guān)性狀的GS中也有類似發(fā)現(xiàn)，整合GWAS結(jié)果在荷蘭奶牛群體中平均提高38%的準確性，在丹麥群體中平均提高23%，在中國群體中平均提高13%[10]?？梢?，整合生物學先驗信息進行GS時，親緣關(guān)系的遠近是影響準確性的一個重要因素。當親緣關(guān)系比較近時(如品種內(nèi))，不同分子標記之間處于高度連鎖不平衡狀態(tài)，很難將先驗信息準確地賦予給相應(yīng)的分子標記[58]。因而對于奶牛的育種，合理利用生物學知識，將有可能提高品種間(或親緣關(guān)系較遠的群體)的基因組預(yù)測準確性[59]。然而，不同品種之間QTL的效應(yīng)的大小和方向、最小等位基因頻率可能不同，使得品種間的預(yù)測變得更加復(fù)雜[58]。

在Hanwoo肉牛的研究中，通過整合基于文本挖掘的先驗信息利用GFBLUP方法，提高了背膘厚、眼肌面積、半膜肌剪切力、背最長肌剪切力、半膜肌肌內(nèi)脂肪含量和背最長肌肌內(nèi)脂肪含量GS的準確性[35]。在另一個研究中，整合GWAS和eQTL的先驗信息利用加權(quán)GBLUP和BayesR對Hanwoon牛胴體重、大理石花紋打分、眼肌面積、背膘厚進行GS，準確性提高了0.01～0.05[9]。隨后，Mehrban等[60]通過加權(quán)ssBLUP,發(fā)現(xiàn)Hanwoon牛胴體性狀GS和周歲重GS的準確性分別提高了71%和99%。國內(nèi)肉牛整合生物學先驗信息進行GS也取得了重要進展，Xu等[33]通過整合SNP的注釋信息，采用方法多種策略對胴體重、宰前活重以及上腦重進行GS，結(jié)果發(fā)現(xiàn)準確性提高5.4%～9.8%。肉牛育種可以通過整合生物學先驗信息的GS進行早期選育以及通過整合生物學先驗信息提高GS的準確性以提高遺傳進展。

3.2 整合生物學先驗信息的GS在豬育種中的應(yīng)用

與奶牛育種不同，豬的GS很難通過早期選育縮短其世代間隔[61]。因此，在豬的育種中，通過整合生物學先驗信息提高GS的準確性，尤其是低遺傳力的性狀[62]以獲得額外的遺傳進展十分有意義。傳統(tǒng)的GS方法對豬的生長或胴體性狀已具有很好的預(yù)測準確性[61]，當整合適當?shù)南闰炐畔⒑瓦x擇合適的GS方法，還能再提高眼肌深度[63]和日增重[63]、瘦肉率[28]等性狀的準確性。然而，傳統(tǒng)的GS對母豬的繁殖性狀進行選擇，準確性非常有限，因為母豬的參考群體較小且遺傳力較低[61]。有研究發(fā)現(xiàn)，整合生物學先驗信息的GS方法具有進一步提高提高母豬繁殖性狀準確性的潛力[29]。若通過整合人、小鼠以及其它物種繁殖研究的信息以及豬繁殖性狀相關(guān)基因的功能注釋信息，整合生物學先驗的GS方法在母豬的繁殖性狀中具有較大的應(yīng)用潛力。

3.3 整合生物學先驗信息的GS在羊育種中的應(yīng)用

相較于牛和豬，羊的產(chǎn)值低、遺傳多樣性高、經(jīng)濟性狀種類多，包含肉用、毛用、奶用、繁殖等性狀。因而，開發(fā)高精度、低成本、多性狀的GS方法才能支撐羊的高效育種。在50K芯片的基礎(chǔ)上，通過整和基于重測序的GWAS先驗信息、eQTL的先驗信息均能提高綿羊重要經(jīng)濟性狀GS的準確性[13]?？梢?，在50K基準芯片的基礎(chǔ)上優(yōu)化GS的方法和使用先驗信息可提高GS的準確性，且不至于額外增加過多的經(jīng)濟和計算負擔。在低密度芯片的基礎(chǔ)上通過整合生物學先驗信息以提高GS的準確性，可能是以后羊GS育種的可行之策。

4 存在問題與展望

GS的準確性與遺傳進展成正相關(guān)，與傳統(tǒng)的GS方法相比，整合生物學先驗信息的方法通過提高GS的準確性以獲得額外的遺傳進展。當前的生物學先驗信息大多來自單一組學的數(shù)據(jù)，所能提供的信息有限，隨著家畜基因組功能注釋信息的持續(xù)積累和完善[64]，如何系統(tǒng)地整合多組學的數(shù)據(jù)并準確地給予分子標記以準確的遺傳權(quán)重仍需要開發(fā)新的方法。此外，當前整合生物學先驗信息的GS方法都有各自的缺陷，位點特異的方法需要獲得每個標記的遺傳貢獻，因而能整合的先驗信息類型有限；類別特異的方法只是粗略地將分子標記劃分為多個類別，劃分的方式往往具有很大的主觀性，并沒有嚴格的科學依據(jù)，且每個類別內(nèi)標記的遺傳貢獻仍然是相同的，不符合科學假設(shè)；協(xié)變量方法需要準確獲得效應(yīng)較大的位點，但大多經(jīng)濟性狀是由微效多位點所控制的，因而其適用性有限。因此，將來應(yīng)該開發(fā)出計算速度快、準確性高、能整合所有類型生物學先驗信息且適用所有性狀的GS方法。當前國內(nèi)外的研究主要是將多組學數(shù)據(jù)作為GS的先驗信息以提高GS的準確性，而不是將其直接整合到GS中。隨著測序技術(shù)的發(fā)展和測序成本的降低，將來也可能獲得大規(guī)模的多組學數(shù)據(jù)。在將來，可能在主流的GS方法BLUP、Bayes、機器學習、深度學習等的基礎(chǔ)上開發(fā)出可以直接整合多組學數(shù)據(jù)的GS方法?？梢灶A(yù)見，隨著生物學先驗信息越來越精準，適用范圍廣、準確性高、速度快的GS方法被開發(fā)，整合生物學先驗信息的GS將會在家畜育種中發(fā)揮重要作用。