尹暢，朱墨，陳艷茹，童世鋒，趙桂蘋，劉楊

基于芯片和填充測(cè)序數(shù)據(jù)的肉雞屠宰性狀基因組選擇準(zhǔn)確性評(píng)估

1南京農(nóng)業(yè)大學(xué)動(dòng)物科技學(xué)院，南京 210095；2中國(guó)農(nóng)業(yè)科學(xué)院北京畜牧獸醫(yī)研究所/畜禽營(yíng)養(yǎng)與飼養(yǎng)全國(guó)重點(diǎn)實(shí)驗(yàn)室，北京 100193

【背景】畜禽育種工作的核心是基因組估計(jì)育種值的準(zhǔn)確性。不同水平的遺傳標(biāo)記密度對(duì)估計(jì)育種值的影響較大，隨著基因分型技術(shù)的發(fā)展和高通量測(cè)序價(jià)格的下降，基于重測(cè)序數(shù)據(jù)的基因組選擇研究不斷涌現(xiàn)。理論上，標(biāo)記密度更高可獲得更高準(zhǔn)確性的估計(jì)育種值。因?yàn)橛绊懩繕?biāo)性狀的數(shù)量性狀基因座（quantitative trait loci, QTL）至少與覆蓋全基因組范圍的高密度標(biāo)記中的一個(gè)標(biāo)記處于連鎖不平衡狀態(tài)。所以，較高密度的標(biāo)記水平，理論上標(biāo)記與QTL之間的緊密連鎖更好，從而保證了較高的預(yù)測(cè)準(zhǔn)確性。但也有研究表明，填充測(cè)序數(shù)據(jù)與芯片數(shù)據(jù)相比，基因組預(yù)測(cè)的準(zhǔn)確性提升并不明顯?！灸康摹坷肎BLUP方法，通過(guò)比較填充測(cè)序數(shù)據(jù)和芯片數(shù)據(jù)在肉雞屠宰性狀的基因組選擇準(zhǔn)確性，為肉雞基因組選擇育種的基因分型策略提供理論依據(jù)?！痉椒ā恳罁?jù)芯片數(shù)據(jù)和填充測(cè)序(whole-genome sequence, WGS)數(shù)據(jù)，利用GBLUP方法，針對(duì)白羽肉雞胸肌重、屠體重和腿肌重性狀進(jìn)行基因組預(yù)測(cè)，對(duì)其在基因組預(yù)測(cè)的準(zhǔn)確性進(jìn)行比較。首先，使用“京芯一號(hào)”雞55 K SNP芯片對(duì)3 362只雞進(jìn)行基因分型，并從第7世代的第9批次中隨機(jī)選取230只雞進(jìn)行全基因組重測(cè)序，然后利用Beagle 5.1軟件將55 K SNP芯片數(shù)據(jù)填充至重測(cè)序數(shù)據(jù)水平。為避免染色體大小對(duì)填充準(zhǔn)確性的影響，將選擇雞較大的3號(hào)染色體和較小的14號(hào)染色體來(lái)進(jìn)行計(jì)算等位基因準(zhǔn)確率（allele correct rate, CR）和基因型相關(guān)系數(shù)（correlation, Cor），并以此判斷填充準(zhǔn)確性。利用填充測(cè)序數(shù)據(jù)對(duì)3個(gè)屠宰性狀的基因組育種值進(jìn)行預(yù)測(cè)，并采用5-折交叉驗(yàn)證的方法評(píng)價(jià)預(yù)測(cè)結(jié)果的準(zhǔn)確性、秩相關(guān)和無(wú)偏性?！窘Y(jié)果】?jī)蓷l染色體的平均等位基因準(zhǔn)確率為0.924，平均基因型相關(guān)系數(shù)為0.885，填充準(zhǔn)確率較高，可以用于后期基因組預(yù)測(cè)研究。SNP芯片數(shù)據(jù)基因組育種值的預(yù)測(cè)準(zhǔn)確性在0.2194—0.2629之間，填充測(cè)序數(shù)據(jù)基因組育種值的預(yù)測(cè)準(zhǔn)確性在0.2110—0.2695之間。與55 K SNP芯片的結(jié)果相比，填充測(cè)序數(shù)據(jù)的基因組育種值預(yù)測(cè)的準(zhǔn)確性差異不顯著。【結(jié)論】與SNP芯片的結(jié)果相比，利用填充后的基因組數(shù)據(jù)對(duì)白羽肉雞的3個(gè)屠宰性狀（胸肌重、屠體重和腿肌）的基因組育種值預(yù)測(cè)準(zhǔn)確性提升并不顯著，該結(jié)論為畜禽遺傳育種工作中的數(shù)據(jù)類型選擇提供參考。

白羽肉雞；屠宰性狀；基因組育種值預(yù)測(cè)；填充測(cè)序數(shù)據(jù)；芯片數(shù)據(jù)；評(píng)估

0 引言

【研究意義】屠宰性狀是肉雞重要的經(jīng)濟(jì)性狀，是肉雞育種的重要選育方向，但由于屠宰性狀無(wú)法活體測(cè)量，優(yōu)秀的個(gè)體會(huì)因屠宰而失去繁育優(yōu)秀后代的機(jī)會(huì)[1]。基因組選擇（genomic selection, GS）是一個(gè)強(qiáng)有力的工具，它可以不經(jīng)表型測(cè)定而直接獲得個(gè)體的育種值。由于基因分型技術(shù)的快速發(fā)展，基因組選擇在實(shí)際育種工作中的應(yīng)用已經(jīng)日漸成熟[2]。高密度的SNPs可以提供更多信息，理論上增加標(biāo)記密度可提高基因組選擇的準(zhǔn)確性[3]。然而，對(duì)于大多數(shù)畜禽來(lái)說(shuō)，使用測(cè)序數(shù)據(jù)進(jìn)行基因分型的成本仍然很高。因此，對(duì)于基因組選擇應(yīng)該采用何種水平的遺傳標(biāo)記密度一直是研究的熱點(diǎn)[4]?！厩叭搜芯窟M(jìn)展】MEUWISSEN等[5]在模擬數(shù)據(jù)研究中發(fā)現(xiàn)，與30 K SNP芯片相比，使用測(cè)序數(shù)據(jù)的育種值預(yù)測(cè)準(zhǔn)確性提高了40%。IHESHIULOR[6]等使用測(cè)序數(shù)據(jù)進(jìn)行基因組選擇時(shí)，預(yù)測(cè)準(zhǔn)確性提高了92%。為了獲得相對(duì)經(jīng)濟(jì)且較高密度的基因型數(shù)據(jù)，可以使用基因型填充方法獲得測(cè)序水平數(shù)據(jù)后進(jìn)行基因組選擇[7]。受到填充準(zhǔn)確性的影響，使用填充后的全基因組水平數(shù)據(jù)不能總是提高基因組選擇的預(yù)測(cè)準(zhǔn)確性[8]。與芯片數(shù)據(jù)相比，在奶牛和肉牛群體中填充測(cè)序數(shù)據(jù)的基因組育種值準(zhǔn)確性也沒有顯著提高[9-11]，但使用填充后的基因組水平數(shù)據(jù)提高了澳大利亞綿羊寄生蟲抗性的基因組選擇準(zhǔn)確性[12]。【本研究切入點(diǎn)】由于基因技術(shù)的迅速發(fā)展且基因分型的成本越來(lái)越低，基于填充數(shù)據(jù)進(jìn)行畜禽的基因組選擇已成為趨勢(shì)[13]?，F(xiàn)今，已有關(guān)于高密度芯片數(shù)據(jù)和填充數(shù)據(jù)在肉雞基因組選擇的研究，但中密度芯片數(shù)據(jù)和填充數(shù)據(jù)在基因組選擇準(zhǔn)確性的比較研究鮮有報(bào)道?！緮M解決的關(guān)鍵問(wèn)題】本研究旨在利用55 K SNP芯片數(shù)據(jù)和填充測(cè)序數(shù)據(jù)對(duì)白羽肉雞的三個(gè)屠宰性狀的基因組育種值進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)的結(jié)果進(jìn)行比較，探究在白羽肉雞屠宰性狀的基因組預(yù)測(cè)研究中不同標(biāo)記密度水平的數(shù)據(jù)對(duì)于預(yù)測(cè)準(zhǔn)確性的影響。

1 材料與方法

1.1 試驗(yàn)動(dòng)物

試驗(yàn)動(dòng)物來(lái)自廣東佛山高明新廣農(nóng)牧股份有限公司的白羽肉雞祖代父系（B系），并且已連續(xù)完成了7個(gè)世代的生長(zhǎng)性能選育。研究使用的群體是第5—7世代（2018—2020年）的3 362只肉雞，共計(jì)11個(gè)批次，來(lái)源于227只公雞和1 305只母雞的后代。其中，2 502只雞在42日齡時(shí)進(jìn)行了屠宰性能測(cè)定，記錄了胸肌重（breast muscle weight，BrW）、屠體重（carcass weight，CW）、腿肌重（thigh muscle weight，ThW），表型數(shù)據(jù)如表1所示。

表1 胸肌重、屠體重和腿肌重的描述性統(tǒng)計(jì)

1.2 表型數(shù)據(jù)預(yù)處理

對(duì)表型數(shù)據(jù)進(jìn)行預(yù)處理，剔除表型的缺失值和異常值（平均值±3倍標(biāo)準(zhǔn)差）。本研究根據(jù)群體的實(shí)際情況，將世代、批次、性別作為固定因子，采用R語(yǔ)言中GLM模型對(duì)影響表型的固定因子進(jìn)行校正，模型如下：

y=μ+Gen+Batch+Sex+e

式中，y為表型值，μ總體均值，Gen為世代效應(yīng)，Batch為批次效應(yīng)，Sex為性別效應(yīng)，e為隨機(jī)殘差。

1.3 基因型數(shù)據(jù)的獲取與質(zhì)控

1.3.1 基因組DNA提取及分型 采用常規(guī)酚-氯仿抽提法提取血樣基因組DNA，使用NanoDrop2000核酸分析儀檢測(cè)DNA的濃度和質(zhì)量。質(zhì)檢合格后的DNA樣品送至北京康普森生物技術(shù)有限公司，使用“京芯一號(hào)”雞 55K SNP芯片進(jìn)行基因分型[14]。

1.3.2 重測(cè)序數(shù)據(jù) 從第7世代的第9批次群體中隨機(jī)選擇230個(gè)個(gè)體進(jìn)行重測(cè)序，利用BWA軟件將原始測(cè)序數(shù)據(jù)過(guò)濾后比對(duì)到雞參考基因組上。利用GATK 3.5軟件的Picard模塊去除PCR重復(fù)、局部插入缺失重排和堿基匹配得分重排。采用HaplotypeCaller模塊和GVCF形式進(jìn)行個(gè)體SNP檢測(cè)。使用GATK的SelectVariants模塊選擇出高質(zhì)量SNP位點(diǎn)，并設(shè)定以下SNP過(guò)濾標(biāo)準(zhǔn)：Q＞40&&FS＜60.0&&ReadPosRankSum＞-8.0&&MQRankSum＞-12.5&&DP＞2，丟棄含有3個(gè)及以上等位基因的位點(diǎn), 最終獲得高質(zhì)量的SNP數(shù)據(jù)用于后續(xù)分析。

1.3.3 芯片數(shù)據(jù)的質(zhì)控 采用PLINK（V1.90）軟件對(duì)芯片的基因型數(shù)據(jù)進(jìn)行質(zhì)量控制[15]。質(zhì)量控制的條件如下：（1）保留樣本檢出率大于90%的個(gè)體；（2）保留SNP檢出率大于90%的位點(diǎn)；（3）保留次要等位基因頻率大于5%的SNP位點(diǎn)。芯片經(jīng)過(guò)質(zhì)控后，保留3 314個(gè)樣本和42 104個(gè)SNP用于后續(xù)分析。

1.3.4 基因型填充 用Beagle 5.1軟件[16-17]將55 K SNP芯片數(shù)據(jù)填充至重測(cè)序水平。進(jìn)行填充之前，使用conform-gt軟件對(duì)芯片數(shù)據(jù)與重測(cè)序數(shù)據(jù)進(jìn)行比對(duì)，剔除芯片中特有的SNP。然后，采用Beagle 5.1軟件將55 K SNP芯片數(shù)據(jù)填充至重測(cè)序水平，設(shè)置有效群體含量為61 500，其他參數(shù)默認(rèn)使用原始參數(shù)。填充完成后對(duì)基因型數(shù)據(jù)進(jìn)行過(guò)濾，保留等位基因的2≥0.9和MAF≥0.05的位點(diǎn)，過(guò)濾后，保留8 652 215個(gè)常染色體SNP用于后續(xù)分析。

1.4 基因型填充的準(zhǔn)確性評(píng)價(jià)

研究中，等位基因準(zhǔn)確率（allele correct rate，CR）和基因型相關(guān)系數(shù)（correlation，Cor）被用來(lái)評(píng)估基因型填充的準(zhǔn)確性。等位基因準(zhǔn)確率是填充正確的等位基因在參與填充的等位基因中所占的比例?；蛐拖嚓P(guān)系數(shù)是推斷的基因型與原始基因型之間的相關(guān)系數(shù)（將兩種純合基因型和一種雜合基因型分別編碼0/1/2，計(jì)算填充前后的相關(guān)系數(shù)）。考慮到染色體大小對(duì)基因型填充準(zhǔn)確性的影響，本研究將選擇對(duì)較大的雞3號(hào)染色體和較小的14號(hào)染色體進(jìn)行計(jì)算，重復(fù)5次。

1.5 基因組選擇的統(tǒng)計(jì)模型

y=Xb+Zg+e

式中，y是性狀的表型值向量；b是固定效應(yīng)的向量；g是加性遺傳效應(yīng)向量，服從正態(tài)分布：g～N（0，Gσ2 g）；e是隨機(jī)殘差效應(yīng)向量，服從正態(tài)分布：e～N（0，Iσ2 e）；X和Z分別為對(duì)應(yīng)的設(shè)計(jì)矩陣。其中，G矩陣[18]的構(gòu)建根據(jù)VanRaden提出的形式計(jì)算，公式為：

式中，Pi是某個(gè)位點(diǎn)的次要等位基因頻率；Z是x×y的標(biāo)準(zhǔn)化基因型矩陣，x是SNP數(shù)，y是有基因型的個(gè)體數(shù)?；谔畛錅y(cè)序數(shù)據(jù)的G矩陣構(gòu)建使用GCTA軟件[19]。

1.6 基因組育種值準(zhǔn)確性與無(wú)偏性的評(píng)價(jià)標(biāo)準(zhǔn)

本研究采用5-折交叉驗(yàn)證（5-fold cross-validation）方法來(lái)評(píng)估基因組育種值預(yù)測(cè)的準(zhǔn)確性。5-折交叉驗(yàn)證的實(shí)施方法是，采用隨機(jī)抽樣的方法將樣本分成隨機(jī)的5等份，然后選擇其中1份作為驗(yàn)證群體，其他4份作為參考群體，循環(huán)進(jìn)行5次。本研究中，對(duì)每個(gè)性狀的交叉驗(yàn)證進(jìn)行20個(gè)重復(fù)。

為了評(píng)估基因組育種值預(yù)測(cè)的結(jié)果，本研究采用準(zhǔn)確性、秩相關(guān)和無(wú)偏性作為評(píng)估預(yù)測(cè)準(zhǔn)確性的指標(biāo)。由于在實(shí)際群體中，真實(shí)育種值（true breeding value，TBV）無(wú)法直接得到，因此采用校正后的表型值（y*）來(lái)代替。校正后的表型值模型與GBLUP類似，其親緣關(guān)系矩陣由系譜構(gòu)建。

（1）準(zhǔn)確性：驗(yàn)證群體的預(yù)測(cè)育種值（GEBVtest）與校正后的表型值（y* test）之間的皮爾遜相關(guān)系數(shù)，該值代表兩個(gè)連續(xù)變量之間的相關(guān)性。

式中，var(GEBVtest)和var(y* test)是GEBVtest和y* test的方差；cov(y* test, GEBVtest)是GEBVtest和y* test之間的協(xié)方差。

（2）秩相關(guān)：驗(yàn)證群體的預(yù)測(cè)育種值與校正后的表型值之間的斯皮爾曼相關(guān)系數(shù)，該值代表兩列有等級(jí)屬性變量之間排名的相關(guān)性。

式中，di是兩列等級(jí)變量之間的等級(jí)差數(shù)；n是總變量數(shù)。

（3）無(wú)偏性：校正后的表型值對(duì)驗(yàn)證群體的預(yù)測(cè)育種值之間的回歸系數(shù)，該值越接近1，表明預(yù)測(cè)育種值是對(duì)校正后表型值的無(wú)偏預(yù)測(cè)。

2 結(jié)果

2.1 表型數(shù)據(jù)的描述性統(tǒng)計(jì)量與遺傳參數(shù)估計(jì)

胸肌重、屠體重和腿肌重的遺傳相關(guān)和表型相關(guān)如表2所示，其中屠體重與腿肌重間遺傳相關(guān)與表型相關(guān)均最高。

表2 胸肌重、屠體重和腿肌重的遺傳相關(guān)（下三角）和表型相關(guān)（上三角）

2.2 基因型填充的準(zhǔn)確性

用Beagle 5.1軟件將55 K SNP芯片數(shù)據(jù)填充至重測(cè)序水平。3號(hào)染色體和14號(hào)染色體等位基因準(zhǔn)確率和基因型相關(guān)系數(shù)結(jié)果如表3所示，基因型填充的準(zhǔn)確性結(jié)果如圖1所示。兩條染色體的平均等位基因準(zhǔn)確率為0.924（0.917—0.932），平均基因型相關(guān)系數(shù)為0.885（0.856—0.902），填充準(zhǔn)確率較高，可以用于后期進(jìn)行基因組預(yù)測(cè)研究。

表3 3號(hào)和14號(hào)的基因型填充準(zhǔn)確性

2.3 基因組選擇的準(zhǔn)確性與無(wú)偏性

2.3.1 準(zhǔn)確性 本研究利用GBLUP方法，采用5-折交叉驗(yàn)證的策略評(píng)估白羽肉雞的3個(gè)屠宰性狀的基因組育種值預(yù)測(cè)的準(zhǔn)確性，并和55 K SNP芯片數(shù)據(jù)的結(jié)果進(jìn)行比較，結(jié)果見表4。結(jié)果顯示，SNP芯片數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的準(zhǔn)確性在0.2194—0.2629，填充測(cè)序數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的準(zhǔn)確性在0.2110—0.2695。對(duì)于胸肌重性狀，填充測(cè)序數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的準(zhǔn)確性略高于SNP芯片數(shù)據(jù)?？傮w來(lái)說(shuō)，試驗(yàn)中使用的兩種數(shù)據(jù)類型對(duì)基因組育種值預(yù)測(cè)的準(zhǔn)確性結(jié)果大致相似（圖2）。

Chr3, 3號(hào)染色體; Chr14, 14號(hào)染色體

表4 3個(gè)白羽肉雞屠宰性狀的基因組育種值預(yù)測(cè)的準(zhǔn)確性

2.3.2 秩相關(guān) 本研究利用GBLUP方法，采用5-折交叉驗(yàn)證的策略評(píng)估白羽肉雞的3個(gè)屠宰性狀的基因組育種值預(yù)測(cè)的秩相關(guān)，并和55 K SNP芯片數(shù)據(jù)的結(jié)果進(jìn)行比較，結(jié)果見表5。結(jié)果顯示，芯片數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的秩相關(guān)在0.2013—0.2489，填充測(cè)序數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的秩相關(guān)在0.1920—0.2555?；蚪M育種值預(yù)測(cè)的秩相關(guān)中，胸肌重性狀填充測(cè)序數(shù)據(jù)結(jié)果略高于芯片數(shù)據(jù)，屠體重和腿肌重性狀芯片數(shù)據(jù)結(jié)果略低于填充測(cè)序數(shù)據(jù)，但兩種數(shù)據(jù)類型對(duì)3個(gè)性狀的基因組育種值預(yù)測(cè)秩相關(guān)結(jié)果大致相似（圖2）。

表5 3個(gè)白羽肉雞屠宰性狀的基因組育種值預(yù)測(cè)的秩相關(guān)

*＜0.05，**＜0.01，***＜0.001

BrW，胸肌重；CW，屠體重；ThW，腿肌重

BrW, Breast muscle Weight; CW, Carcass Weight; ThW, Thigh muscle Weight

圖2 基于芯片和填充測(cè)序數(shù)據(jù)計(jì)算3個(gè)白羽肉雞屠宰性狀的基因組育種值預(yù)測(cè)的準(zhǔn)確性和秩相關(guān)

Fig. 2 Accuracy and rank of genomic prediction among three white-feathered broiler carcass traits based on SNP array and imputed WGS level data

2.3.3 無(wú)偏性 本研究利用GBLUP方法，采用5-折交叉驗(yàn)證策略評(píng)估白羽肉雞3個(gè)屠宰性狀的基因組育種值預(yù)測(cè)的無(wú)偏性，并和55 K SNP芯片數(shù)據(jù)的結(jié)果進(jìn)行比較，結(jié)果見表6。結(jié)果顯示，SNP芯片數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的無(wú)偏性在0.9340—0.9814，填充測(cè)序數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的無(wú)偏性在0.9153—0.9553。填充測(cè)序數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的無(wú)偏性與基于芯片數(shù)據(jù)計(jì)算的結(jié)果相似，基因組育種值預(yù)測(cè)的無(wú)偏性都接近1（圖3）。該結(jié)果表明無(wú)論是芯片數(shù)據(jù)還是填充測(cè)序數(shù)據(jù)，GBLUP方法計(jì)算的基因組育種值都接近對(duì)于真實(shí)育種值的無(wú)偏預(yù)測(cè)。

表6 3個(gè)白羽肉雞屠宰性狀的基因組育種值預(yù)測(cè)的無(wú)偏性

圖3 基于芯片和填充測(cè)序數(shù)據(jù)計(jì)算3個(gè)白羽肉雞屠宰性狀的基因組育種值預(yù)測(cè)的無(wú)偏性

3 討論

3.1 填充測(cè)序數(shù)據(jù)對(duì)基因組育種值預(yù)測(cè)的影響

本研究應(yīng)用填充測(cè)序數(shù)據(jù)結(jié)合GBLUP方法，對(duì)白羽肉雞3個(gè)屠宰性狀（胸肌重、屠體重、腿肌重）的基因組育種值進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與基于55 K SNP芯片的結(jié)果進(jìn)行比較。結(jié)果表明，除了在胸肌重的基因組育種值的預(yù)測(cè)中，填充測(cè)序數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確性高于芯片數(shù)據(jù)的結(jié)果，其余兩個(gè)性狀中，基于填充測(cè)序數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確性均低于基于芯片數(shù)據(jù)的結(jié)果。秩相關(guān)系數(shù)中也表現(xiàn)出相同的趨勢(shì)。大量真實(shí)數(shù)據(jù)研究表明，基因組預(yù)測(cè)的準(zhǔn)確性并不會(huì)隨著標(biāo)記密度的增加而顯著提高[8,20]。在植物育種方面，ELBASYONI等[21]研究了冬小麥群體的4個(gè)性狀，結(jié)果表明高通量測(cè)序數(shù)據(jù)只達(dá)到了與芯片數(shù)據(jù)相當(dāng)?shù)臏?zhǔn)確性。在家禽育種方面，HEIDARITABAR等[8]比較了商業(yè)白蛋雞品系中全基因組測(cè)序數(shù)據(jù)和60 K SNP芯片數(shù)據(jù)對(duì)產(chǎn)蛋量的基因組選擇準(zhǔn)確性的差異，結(jié)果表明，測(cè)序數(shù)據(jù)對(duì)基因組預(yù)測(cè)的準(zhǔn)確性僅提高了不到1%。NI等[20]在一個(gè)商業(yè)棕色蛋雞品系中使用全基因組測(cè)序數(shù)據(jù)和336 K SNP芯片數(shù)據(jù)對(duì)3個(gè)產(chǎn)蛋性狀的基因組育種值進(jìn)行預(yù)測(cè)，結(jié)果發(fā)現(xiàn)，使用測(cè)序數(shù)據(jù)進(jìn)行基因組預(yù)測(cè)并無(wú)顯著優(yōu)勢(shì)。王家迎[22]通過(guò)計(jì)算肉雞采食類、胴體類和生長(zhǎng)類共23種性狀，通過(guò)對(duì)比，高密度芯片數(shù)據(jù)和填充數(shù)據(jù)的估計(jì)育種值準(zhǔn)確性沒有顯著差異。

3.2 填充測(cè)序數(shù)據(jù)的GEBV準(zhǔn)確性提高不顯著的可能原因

本研究發(fā)現(xiàn)填充測(cè)序數(shù)據(jù)的基因組育種值預(yù)測(cè)準(zhǔn)確性，相較于55 K SNP芯片數(shù)據(jù)的結(jié)果沒有顯著提高，甚至在一些性狀中還有所降低。分析其可能原因如下：（1）本研究使用的基因組預(yù)測(cè)方法是GBLUP，由于GBLUP方法無(wú)法充分發(fā)揮測(cè)序水平數(shù)據(jù)的優(yōu)勢(shì)，當(dāng)SNP密度達(dá)到一定閾值后，再增加密度，獲得的基因組親緣關(guān)系矩陣并沒有明顯變化[23]。（2）畜禽的經(jīng)濟(jì)性狀大部分是遺傳背景復(fù)雜、受多基因控制的數(shù)量性狀。雖然測(cè)序數(shù)據(jù)增加了與目標(biāo)性狀相關(guān)標(biāo)記的數(shù)量，但也引入了大量與目標(biāo)性狀無(wú)關(guān)的標(biāo)記，干擾了對(duì)育種值的準(zhǔn)確預(yù)測(cè)。（3）填充數(shù)據(jù)中包含大量同其他位點(diǎn)有較強(qiáng)連鎖不平衡的稀有位點(diǎn)，而在交叉驗(yàn)證中這些稀有位點(diǎn)很難在參考群和驗(yàn)證群里挑選出來(lái)，使得估計(jì)育種值準(zhǔn)確性沒有顯著提高[24]。此外，已有研究表明，低次要等位基因頻率的SNP可能在復(fù)雜性狀中起重要作用[25]。然而，對(duì)于稀有SNP位點(diǎn)的準(zhǔn)確填充也是一項(xiàng)挑戰(zhàn)。大量研究表明，低次要等位基因頻率的SNP的填充準(zhǔn)確性較低[26-30]。本研究基于填充數(shù)據(jù)和中密度芯片數(shù)據(jù)進(jìn)行基因組選擇準(zhǔn)確性的研究對(duì)不同基因組數(shù)據(jù)類型進(jìn)行基因組選擇具有一定的參考價(jià)值，對(duì)填充數(shù)據(jù)在實(shí)際畜禽育種工作中的應(yīng)用具有一定指導(dǎo)意義。

4 結(jié)論

本研究將GBLUP方法應(yīng)用于填充測(cè)序數(shù)據(jù)的白羽肉雞3個(gè)屠宰性狀的基因組預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與55K SNP芯片數(shù)據(jù)結(jié)果進(jìn)行比較。結(jié)果顯示，填充測(cè)序數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的秩相關(guān)與芯片數(shù)據(jù)計(jì)算的結(jié)果相似，對(duì)于胸肌重性狀，填充測(cè)序數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的秩相關(guān)高于基于芯片數(shù)據(jù)的結(jié)果；芯片數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的準(zhǔn)確性在0.2194—0.2629，填充測(cè)序數(shù)據(jù)計(jì)算的基因組育種值預(yù)測(cè)的準(zhǔn)確性在0.2110—0.2695。與55 K SNP芯片的結(jié)果相比，填充測(cè)序數(shù)據(jù)的基因組育種值預(yù)測(cè)的準(zhǔn)確性沒有顯著提高。

[1] 朱墨, 鄭麥青, 崔煥先, 趙桂蘋, 劉楊. 基于GBLUP和Bayes B方法對(duì)肉雞屠宰性狀基因組預(yù)測(cè)準(zhǔn)確性的比較. 中國(guó)農(nóng)業(yè)科學(xué), 2021, 54(23): 5125-5131.

ZHU M, ZHENG M Q, CUI H X, ZHAO G P, LIU Y. Comparison of genomic prediction accuracy for meat type chicken carcass traits based on GBLUP and BayesB method. Scientia Agricultura Sinica, 2021, 54(23): 5125-5131. (in Chinese)

[2] LIU J, ZHOU J, LI J, BAO H. Identification of candidate genes associated with slaughter traits in F2chicken population using genome-wide association study. Animal Genetics, 2021, 52(4): 532-535.

[3] VANRADEN P M, O'CONNELL J R, WIGGANS G R, WEIGEL K A. Genomic evaluations with many more genotypes. Genetics, Selection, Evolution, 2011, 43(1): 10.

[4] BENEDICT M N, MUNDY M B, HENRY C S, CHIA N, PRICE N D. Likelihood-based gene annotations for gap filling and quality assessment in genome-scale metabolic models. PLoS Computational Biology, 2014, 10(10): e1003882.

[5] MEUWISSEN T, GODDARD M. Accurate prediction of genetic values for complex traits by whole-genome resequencing. Genetics, 2010, 185(2): 623-631.

[6] IHESHIULOR O O M, WOOLLIAMS J A, YU X J, WELLMANN R, MEUWISSEN T H E. Within- and across-breed genomic prediction using whole-genome sequence and single nucleotide polymorphism panels. Genetics, Selection, Evolution, 2016, 48: 15.

[7] MISZTAL I, LOURENCO D, LEGARRA A. Current status of genomic evaluation. Journal of Animal Science, 2020, 98(4): skaa101.

[8] HEIDARITABAR M, CALUS M P L, MEGENS H J, VEREIJKEN A, GROENEN M A M, BASTIAANSEN J W M. Accuracy of genomic prediction using imputed whole-genome sequence data in white layers. Journal of Animal Breeding and Genetics, 2016, 133(3): 167-179.

[9] HAYES B J, DAETWYLER H D. 1000 bull genomes project to map simple and complex genetic traits in cattle: Applications and outcomes. Annual Review of Animal Biosciences, 2019, 7: 89-102.

[10] KHATKAR M S, MOSER G, HAYES B J, RAADSMA H W. Strategies and utility of imputed SNP genotypes for genomic analysis in dairy cattle. BMC Genomics, 2012, 13: 538.

[11] BHUIYAN M S A, KIM Y K, KIM H J, LEE D H, LEE S H, YOON H B, LEE S H. Genome-wide association study and prediction of genomic breeding values for fatty-acid composition in Korean Hanwoo cattle using a high-density single-nucleotide polymorphism array. Journal of Animal Science, 2018, 96(10): 4063-4075.

[12] AL KALALDEH M, GIBSON J, DUIJVESTEIJN N, DAETWYLER H D, MACLEOD I, MOGHADDAR N, LEE S H, VAN DER WERF J H J. Using imputed whole-genome sequence data to improve the accuracy of genomic prediction for parasite resistance in Australian sheep. Genetics, Selection, Evolution, 2019, 51(1): 32.

[13] YE S P, YUAN X L, LIN X R, GAO N, LUO Y Y, CHEN Z M, LI J Q, ZHANG X Q, ZHANG Z. Imputation from SNP chip to sequence: A case study in a Chinese indigenous chicken population. Journal of Animal Science and Biotechnology, 2018, 9: 30.

[14] LIU R R, XING S Y, WANG J, ZHENG M Q, CUI H X, CROOIJMANS R P M A, LI Q H, ZHAO G P, WEN J. A new chicken 55K SNP genotyping array. BMC Genomics, 2019, 20(1): 410.

[15] PURCELL S, NEALE B, TODD-BROWN K, THOMAS L, FERREIRA M A R, BENDER D, MALLER J, SKLAR P, DE BAKKER P I W, DALY M J, SHAM P C. PLINK: A tool set for whole-genome association and population-based linkage analyses. The American Journal of Human Genetics, 2007, 81(3): 559-575.

[16] BROWNING B L, ZHOU Y, BROWNING S R. A one-penny imputed genome from next-generation reference panels. The American Journal of Human Genetics, 2018, 103(3): 338-348.

[17] STAHL K, GOLA D, K?NIG I R. Assessment of imputation quality: Comparison of phasing and imputation algorithms in real data. Frontiers in Genetics, 2021, 12: 724037.

[18] VANRADEN P M. Efficient methods to compute genomic predictions. Journal of Dairy Science, 2008, 91(11): 4414-4423.

[19] YANG J, LEE S H, GODDARD M E, VISSCHER P M. GCTA: A tool for genome-wide complex trait analysis. The American Journal of Human Genetics, 2011, 88(1): 76-82.

[20] NI G Y, CAVERO D, FANGMANN A, ERBE M, SIMIANER H. Whole-genome sequence-based genomic prediction in laying chickens with different genomic relationship matrices to account for genetic architecture. Genetics, Selection, Evolution, 2017, 49(1): 8.

[21] ELBASYONI I S, LORENZ A J, GUTTIERI M, FRELS K, BAENZIGER P S, POLAND J, AKHUNOV E. A comparison between genotyping-by-sequencing and array-based scoring of SNPs for genomic prediction accuracy in winter wheat. Plant Science, 2018, 270: 123-130.

[22] 王家迎. 基于填充序列數(shù)據(jù)的基因組選擇研究[D]. 廣州: 華南農(nóng)業(yè)大學(xué), 2018.

WANG J Y. The study of genome selection by using imputed whole sequence data[D]. Guangzhou: South China Agricultural University, 2018. (in Chinese)

[23] SU G, BR?NDUM R F, MA P, GULDBRANDTSEN B, AAMAND G P, LUND M S. Comparison of genomic predictions using medium- density (～54, 000) and high-density (～777, 000) single nucleotide polymorphism marker panels in Nordic Holstein and Red Dairy Cattle populations. Journal of Dairy Science, 2012, 95(8): 4657-4665.

[24] PéREZ-ENCISO M, RINCóN J C, LEGARRA A. Sequence-. chip-assisted genomic selection: Accurate biological information is advised. Genetics, Selection, Evolution, 2015, 47(1): 43.

[25] MANOLIO T A, COLLINS F S, COX N J, GOLDSTEIN D B, HINDORFF L A, HUNTER D J, MCCARTHY M I, RAMOS E M, CARDON L R, CHAKRAVARTI A, et al. Finding the missing heritability of complex diseases. Nature, 2009, 461(7265): 747-753.

[26] HAYES B J, BOWMAN P J, DAETWYLER H D, KIJAS J W, VAN DER WERF J H J. Accuracy of genotype imputation in sheep breeds. Animal Genetics, 2012, 43(1): 72-80.

[27] HICKEY J M, CROSSA J, BABU R, DE LOS CAMPOS G. Factors affecting the accuracy of genotype imputation in populations from several maize breeding programs. Crop Science, 2012, 52(2): 654-663.

[28] LIN P, HARTZ S M, ZHANG Z H, SACCONE S F, WANG J, TISCHFIELD J A, EDENBERG H J, KRAMER J R, M GOATE A, BIERUT L J, RICE J P. A new statistic to evaluate imputation reliability. PLoS ONE, 2010, 5(3): e9697.

[29] MA P, BR?NDUM R F, ZHANG Q, LUND M S, SU G. Comparison of different methods for imputing genome-wide marker genotypes in Swedish and Finnish Red Cattle. Journal of Dairy Science, 2013, 96(7): 4666-4677.

[30] NI G Y, STROM T M, PAUSCH H, REIMER C, PREISINGER R, SIMIANER H, ERBE M. Comparison among three variant callers and assessment of the accuracy of imputation from SNP array data to whole-genome sequence level in chicken. BMC Genomics, 2015, 16: 824.

Assessment of Genomic Selection Accuracy for Slaughter Traits in Broilers Based on Microarray and Imputed Sequencing Data

1College of Animal Science and Technology, Nanjing Agricultural University, Nanjing 210095;2Institute of Animal Sciences, Chinese Academy of Agricultural Sciences/State Key Laboratory of Animal Nutrition and Feeding, Beijing 100193

【Background】In the breeding work of livestock and poultry, the core of which is the accuracy of genomic estimated breeding values. Different levels of genetic marker densities have a great impact on estimated breeding values, and with the development of genotyping technology and the decrease of high-throughput sequencing prices, genomic selection studies based on sequencing data have emerged. Theoretically, higher marker density can obtain higher prediction accuracy. This is because Quantitative Trait Loci (QTL) affecting the target trait are in linkage disequilibrium with at least one of the high-density markers covering the entire genome. A higher density of marker levels theoretically ensures tight linkage between markers and QTL, thus ensuring higher prediction accuracy. However, compared with microarray data, it has also been shown that the accuracy of genomic prediction for imputed sequencing data is not significantly improved. 【Objective】Using the GBLUP method, we compared the genomic selection accuracy of imputed sequencing data and microarray data for slaughter traits in broiler chickens to provide a theoretical basis for genotyping strategies for broiler genomic selection breeding. 【Method】 In this study, we used SNP array data and imputed whole-genome sequence level (WGS) data to perform genomic prediction for the traits of breast muscle weight, carcass weight and thigh muscle weight in white feather broilers using the GBLUP method, and then we conducted a comparative study on their accuracy in genomic prediction. First, 3 362 chickens were genotyped using the Jingxin No. 1 chicken 55 K SNP chip, and 230 chickens were randomly selected from the ninth batch of generation 7 for whole-genome resequencing, and then the 55 K SNP chip data were imputed to the resequencing data level using Beagle 5.1 software. Considering the effect of chromosome size on the filling accuracy, the larger chromosome 3 and the smaller chromosome 14 were used to calculate the allele correct rate (CR) and genotype correlation coefficient (Cor), and the imputed WGS accuracy was determined by this study. The genomic breeding values of three slaughter traits were predicted using the imputed WGS data, and the accuracy, rank correlation and unbiasedness of the prediction results were evaluated using a 5-fold cross-validation method. 【Result】The results showed that the average allelic accuracy of the two chromosomes was 0.924 and the average genotype correlation was 0.885, and the imputed WGS accuracy was high enough to be used for genomic prediction studies at a later stage. The accuracy of the predicted genomic breeding values calculated from microarray data ranged from 0.2194 to 0.2629, and the accuracy of the predicted genomic breeding values calculated from imputed sequencing data ranged from 0.2110 to 0.2695. The results show that the difference in the accuracy of the prediction of genomic breeding values from the imputed sequencing data was not significant compared with the 55 K SNP chip results. 【Conclusion】Compared with the results of 55 K SNP microarray, the improvement in the accuracy of genomic breeding value prediction for three slaughter traits (breast muscle weight, carcass weight and leg muscle) in white feather broiler using imputed genomic level data was not significant, which provides a reference for the selection of data types in livestock genetic breeding work.

white feather broiler; slaughter traits; genomic breeding value prediction; imputed sequencing data; microarray data; assessment

10.3864/j.issn.0578-1752.2023.15.016

2022-05-18；

2022-11-15

江蘇省種業(yè)振興揭榜掛帥項(xiàng)目（JBGS〔2021〕026）、安徽省良種聯(lián)合攻關(guān)項(xiàng)目（340000211260001000431）、中國(guó)農(nóng)業(yè)科學(xué)院基本科研業(yè)務(wù)費(fèi)（Y2020PT02）

尹暢，E-mail：2021105019@stu.njau.edu.cn。通信作者劉楊，E-mail：yangliu@njau.edu.cn

（責(zé)任編輯 林鑒非）