周 磊，楊華威，趙祖凱，楊紅杰，劉劍鋒*

（1.中國農業(yè)大學動物科技學院，北京 100193；2.武漢天種畜牧有限責任公司，湖北武漢 430344；3.全國畜牧總站，北京 100125）

基因組選擇（Genomic Selection，GS）是目前動植物育種領域革命性的、最前沿的技術，該技術于2001年由挪威科學家Meuwissen等[1]首次提出。高密度單核苷酸多態(tài)性（Single Nucleotide Polymorphisms，SNP）全基因組芯片的應用使GS技術快速、高效地應用到動植物的育種中成為現(xiàn)實。GS技術可以大幅度提高育種值估計的準確性，縮短世代間隔，并減少群體的近交水平增長速度。2008年，科學家們研發(fā)了針對奶牛的含5萬個SNP標記的全基因組芯片[2]，使GS技術首先在奶牛的遺傳評估中得以成功應用。目前，GS技術已在動植物的遺傳評估中廣泛應用[3-5]，在人類的疾病預測和復雜性狀分析中也有研究[6-8]。

我國是世界第一大生豬生產國和消費大國，2016年我國豬肉產量占全球豬肉總產量的48.5%。在支撐我國養(yǎng)豬業(yè)發(fā)展的眾多因素中，種豬性能起著極其重要的作用。我國商品種豬（杜洛克、大約克和長白豬）和商品豬的生產性能仍與歐美發(fā)達國家存在較大差距，我國母豬年產斷奶仔豬數(shù)（PSY）目前僅為16～18頭，而歐美發(fā)達國家可達25～30頭，這主要是由于我國大部分種豬企業(yè)不能持之以恒地進行育種工作。GS技術可實現(xiàn)相比于常規(guī)育種30%以上的額外遺傳進展，有利于迅速提升種豬的性能水平，目前已普遍應用于歐美國家的種豬企業(yè)，有望成為未來種豬遺傳評估的主要技術。

1 GS技術發(fā)展背景

GS技術最早應用于奶牛的遺傳評估[3,5]。GS技術可提高青年公母牛育種值的準確性，并減少后裔測定的成本和縮短群體的世代間隔，在奶牛育種中取得了巨大的成功。Garcia-Ruiz等[9]報道，通過持續(xù)7年的GS技術應用，美國荷斯坦奶牛中等遺傳力性狀（產奶性狀）年遺傳進展增速增加了50%～100%， 低遺傳力性狀（健康性狀、繁殖性狀）的年遺傳進展增速則增加了300%～400%。由此，GS技術以驚人的速度迅速取代了基于系譜的常規(guī)評估，成為了目前美國奶牛最主要的遺傳評估技術。截止到2015年，美國進行SNP芯片檢測的荷斯坦?？倲?shù)已達100萬頭。丹麥、荷蘭和加拿大等其他奶業(yè)發(fā)達國家均在奶牛遺傳評估中廣泛地應用了GS技術。我國于2010年啟動在荷斯坦牛中應用GS技術，并通過GS技術迅速地提高了北京地區(qū)荷斯坦奶牛的生產水平。除了奶牛以外，GS技術也被廣泛應用于豬、蛋雞、水產動物、玉米、水稻和小麥等動植物品種的育種研究和應用。

Ramos等[10]研發(fā)了首款豬的全基因組SNP芯片，該款芯片使GS技術應用于豬的育種生產成為可能。隨后，PIC、丹育國際（Danbred）、海波爾（Hypor）和加裕（Genesus）等眾多國際豬育種公司先后將GS技術應用于各自的遺傳評估策略中。以PIC公司為例，其2013年啟動了GS技術，是世界上第一個啟動GS技術的種豬公司。2014—2017年，每頭PIC商品豬由于GS技術額外增加的收益從4.4元/頭逐年增加到17.6元/頭。根據PIC公司報道，對于不同的性狀，GS技術評估的準確度比基于系譜有不同幅度的提高。對于中等遺傳力性狀，如背膘厚，GS技術的準確度提高約30%；對于低遺傳力性狀，如產仔數(shù)和死亡率，GS技術的準確度提高60%～140%[11]。據推斷，通過應用GS技術，PIC的遺傳進展平均增速增加了35%以上。目前，PIC已啟動了利用全基因組序列進行GS的研究應用項目。加拿大加裕公司通過應用GS技術實現(xiàn)平均日采食量和背膘厚的育種值準確性分別提高了55%和39%。

2 GS技術應用前景分析

本研究通過簡單的模擬分析，估算一個基礎母豬存欄為1 000頭的純種（單個品種）種豬場，通過實施5年GS技術可實現(xiàn)的經濟效益。分析中使用的主要群體和生產參數(shù)見表1。

表1 單品種純種群體基因組選擇模擬分析參數(shù)

基于上述參數(shù)設計，經過5年GS方案實施，該場應用GS技術的年利潤與常規(guī)評估收益如圖1所示。在實施GS方案后的1～2年，GS評估的效益優(yōu)勢并不明顯，但從第3年開始GS比常規(guī)評估具有越來越大的優(yōu)勢。在該GS方案中，每年需檢測約2 000頭測定豬（候選群）的SNP芯片，每年的芯片檢測成本約為74萬元。第2～5年GS技術比常規(guī)評估額外增加分別77萬、169萬、277萬、404萬元的收益。5年GS方案的總投入約為370萬元，5年GS方案比常規(guī)評估累計增加收入約927萬元（假設GS的遺傳進展為常規(guī)評估的2倍）。此分析中，尚未考慮GS在擴繁群和商品群帶來的額外效益。由此可見，通過實施GS技術，僅該純種場亦可實現(xiàn)額外的經濟效益。GS技術更適合于具有純種核心群、擴繁群和商品群的集團養(yǎng)殖公司，集團公司整個繁育體系均能利用GS技術獲得更多的額外收益。

圖1 某模擬純種場5年實施GS技術的收益估算

GS技術應用于豬的育種主要有以下幾方面優(yōu)勢：

1）大幅度提高繁殖力和肉質等低遺傳力性狀的育種值估計準確性。低遺傳力性狀常規(guī)評估的育種值準確性低，GS技術通過更加準確地估計個體之間的親緣關系可大幅度提高低遺傳力性狀的育種值準確性[9,12]。肉質類性狀需要對豬進行屠宰測定，測定成本昂貴，GS技術可以在保證一定的評估準確性的條件下適當?shù)販p少肉質性狀的測定量。

2）一定程度地提高產量和屠體等中、高遺傳力性狀的育種值估計準確性，并可適當減少難以測定性狀（如飼料轉化率和胴體瘦肉率等）的測定量。基因組選擇依賴于參考群與候選群之間的親緣關系，因此每年依然需要對各性狀進行一定數(shù)量的性能測定（用于擴充參考群），以保證參考群與最新的候選群存在穩(wěn)定的遺傳聯(lián)系。

3）GS技術有利于應用于雜種優(yōu)勢的預測。在豬的“純種選育”-“純種擴繁”-“雜交生產”的三級金字塔繁育體系中，純種群、擴繁群和商品群通常分布于不同的公司或豬場，不同級別間群體缺少系譜記錄。基于系譜的常規(guī)評估難以有效地預測雜種優(yōu)勢，且難以利用雜種信息對純種核心群進行評估。GS技術可通過芯片信息估計核心群與雜種后代的基因組親緣關系（Genomic Relationships），進而實現(xiàn)更加準確的核心群評估和雜種優(yōu)勢預測[12]。這有利于更加充分地利用雜種后代的性能測定記錄，加速選育提高核心群純種個體后代的雜交性能[13]。

4）GS技術可提高多品種、多群體和多性狀評估的準確性。多品種或多群體之間由于缺乏共同祖先，一般無法通過系譜構建親緣關系矩陣。GS技術可利用基因組標記信息構建多品種、多群體的基因組親緣關系矩陣，進而實現(xiàn)更大的參考群體，并實現(xiàn)準確性更高的多品種、多群體的遺傳評估[14]。然而，針對沒有遺傳聯(lián)系的多群體、多品種的聯(lián)合評估，目前尚無特別有效的模型報道，因此需要進行更多理論和方法的研究探索。

5）基因組信息可用于控制選配、減少群體近交。由于基因組親緣關系比基于系譜的親緣關系更加準確地揭示了個體之間的實際親緣關系，進而利用基因組親緣關系可以更加準確、有效地控制選配，減少群體近交水平增加的速度。

6）GS技術可應用于加速疾病抵抗力和健康度選育的遺傳進展。眾多的疾病遺傳機制復雜，基于個別遺傳標記的分子標記輔助選擇（Marker Assisted Selection，MAS）通常無法應用于抗病育種。GS技術可間接地捕獲影響疾病性狀的眾多微效多基因，加速群體健康度和疾病抵抗力的遺傳進展。如何利用基因組信息進行抗病育種亟需更多的研究和探討。

3 GS技術在我國豬育種中的應用現(xiàn)狀

由于我國種豬企業(yè)數(shù)量多、規(guī)模小，GS技術的應用起步較慢。廣東溫氏食品集團2011年在我國率先啟動豬的GS技術[15]。目前為止，GS技術僅在我國少數(shù)的種豬公司展開，且進展相對比較緩慢。

GS技術在我國種豬企業(yè)應用的限制因素：① 缺乏長期積累的大量且準確的表型數(shù)據，如達100 kg校正日齡、達100 kg校正背膘厚和飼料轉化率等性狀的表型數(shù)據；②肉質、抗病和胴體類性狀難以測定或測定成本昂貴；缺乏有效表型數(shù)據，導致難以建立GS技術所必須的一定規(guī)模的參考群體。③ 市場行情波動劇烈，影響育種公司進行長期穩(wěn)定的育種工作和加大育種投入的決心。④ 缺乏可實施GS技術的易操作和應用的評估軟件系統(tǒng)。如開福（KFNets）和GPS，均只能進行常規(guī)的基于系譜的遺傳評估，尚未能實施利用基因組信息的GS技術。

4 GS技術在我國的應用策略

為實現(xiàn)GS技術應用效果的最優(yōu)化，我國的種豬企業(yè)可采取以下步驟：

1）建立表型數(shù)據庫：包括收集生長性能測定數(shù)據（達100 kg日齡、達100 kg背膘厚、眼肌面積和飼料轉化率等）、繁殖數(shù)據（產仔間隔、仔豬死亡率、出生重等）和肉質數(shù)據等。低遺傳力性狀通過GS技術能夠取得與常規(guī)評估相比更高的準確性[9,16]。GS技術可加速低遺傳力性狀（如產仔數(shù)、肌內脂肪含量等）的遺傳進展。由此，我國種豬企業(yè)應加強表型數(shù)據的持續(xù)收集，尤其是低遺傳力性狀（肉質類、繁殖類等）數(shù)據。

2）構建大規(guī)模參考群：參考群規(guī)模越大，GS技術評估準確性越高[2]。參考群應包括本品種核心群的所有家系，涵蓋所有核心群生產公豬和生產母豬。單個品種參考群的規(guī)模需達到1 000頭或以上。參考群需保證含有一定比例的母豬[12]，進而保證繁殖力性狀具有一定規(guī)模的參考群。參考群個體同時需要有準確的表型數(shù)據。對參考群進行SNP芯片檢測，目前可用的芯片有Illumina公司的PorcineSNP60 60K芯片、紐勤公司的PorcineSNP80 70K芯片和Affymetrix公司的Axiom PorcineHD 70K芯片等（表2）。江西農業(yè)大學最新研究的“中芯1號”，囊括多肋、肉色、系水力和肉質等重要性狀因果基因緊密關聯(lián)位點，也適合于我國商業(yè)化豬種的芯片測定。中國農業(yè)大學最新研發(fā)的CAUporcine55K 也適合于我國商業(yè)化品種芯片檢測。該版芯片專門性的針對我國商品化豬種和地方品種設計。

表2 目前可應用的豬全基因組芯片

3）候選群芯片檢測：在擬進行生長性能測定的種豬中，挑選一定比例的（10%～50%）種豬進行芯片檢測（構建候選群）。候選群的SNP芯片檢測可以采取多種不同的策略。候選群可在種豬性能測定前（哺乳階段）進行芯片基因型測定，該方案可用于篩選基因組育種值（GEBV）高的種豬進行飼料轉化率的性能測定，并為后續(xù)測定種豬的選留提供參考信息。候選群也可在種豬性能測定結束后（達100 kg或120 kg）進行芯片檢測，該方案可應用準確性更高的GEBV對測定種豬進行篩選。候選群采用的芯片版本需與參考群版本盡量保持一致，這有利于保證SNP標記在參考群和候選群具有類似的多態(tài)性，同時便于利用候選群體擴充參考群的規(guī)模。隨著對候選群持續(xù)地進行芯片測定，參考群的規(guī)模亦隨之逐漸增加。

4）GS技術評估和選留：根據候選群和參考群的數(shù)據（表型數(shù)據和基因型數(shù)據），應用適當?shù)慕y(tǒng)計模型進行GS技術評估，并根據GEBV對候選群進行選留。應用GS技術的種豬選育流程的主要內容如圖2所示。GS技術評估需要高配置的計算機運算系統(tǒng)和高性能計算平臺，這一步我國育種企業(yè)可通過與研究高?；驒C構的“產、學、研、推”合作實現(xiàn)。

5 建議和展望

綜合比較我國及國際的種豬企業(yè)，我國種豬企業(yè)需加速GS技術的應用。鑒于此，提出以下幾點建議：①進一步加強性能測定和表型數(shù)據的收集。一定規(guī)模的表型數(shù)據是構建基因組選擇參考群的基本條件之一。沒有準確的表型和一定規(guī)模的參考群，GS技術難以取得理想的經濟效益。② 推進區(qū)域性基因組聯(lián)合評估聯(lián)盟的發(fā)展。以區(qū)域性的種豬企業(yè)（國家核心場）為成員單位，構建由3～5家企業(yè)參與的區(qū)域性育種聯(lián)盟。以聯(lián)盟為平臺，建立核心群之間的遺傳聯(lián)系，并實施聯(lián)合基因組選擇評估方案，最終實現(xiàn)準確性更高的遺傳評估和更快的群體遺傳進展。同時，聯(lián)盟內企業(yè)分攤GS技術成本，可減輕單個企業(yè)的育種成本投入。③ 應用“單步法”或“一步法”GS技術[17-18]。該技術可同時對群體中檢測芯片和不檢測芯片的個體進行評估，最大程度利用基因組信息和系譜信息，實現(xiàn)全群最大的遺傳進展。

GS技術已經在奶牛上廣泛應用，并徹底地改變了荷斯坦牛的育種工作流程。豬的育種是基于多品種雜交的繁育體系。多品種基因組選擇目前依然更多地處于研究階段[19-20]。因此，GS技術在豬育種中的應用尚不及其在奶牛育種中的應用普遍。隨著多品種GS方法的研究不斷深入，基于GS技術的豬育種技術策略將不斷地完善和發(fā)展，并為群體的性能改良提升帶來新的突破。目前，大數(shù)據時代全基因組測序技術不斷推陳出新，測序成本不斷降低，眾多研究機構已在進行基于測序數(shù)據的GS2.0研究。GS技術和測序技術必然將豬育種帶入一個新的基因組時代[21]。

[1] Meuwissen T H, Hayes B J, Goddard M E. Prediction of total genetic value using genome-wide dense marker maps[J].Genetics, 2001, 157(4): 1819-1829.

[2] Matukumalli L K, Lawley C T, Schnabel R D,et al.Development and characterization of a high density SNP genotyping assay for cattle[J]. PLoS One, 2009, 4(4): e5350.

[3] Hayes B J, Bowman P J, Chamberlain A J,et al. Invited review:genomic selection in dairy cattle: progress and challenges[J]. J Dairy Sci, 2009, 92: 433-443.

[4] Su G, Guldbrandsten B, Gregersen V R,et al. Preliminary investigation on reliability of genomic estimated breeding values in the Danish Holstein population[J]. J Dairy Sci, 2010,93, 1175-1183.

[5] Van Raden P M, Van Tassell C P, Wiggans G R,et al. Invited review: reliability of genomic predictions for North American Holstein bulls[J]. J Dairy Sci, 2009, 92: 16-24.

[6] Campos G D L, Vazquez A I, Fernando R,et al. Prediction of complex human traits using the genomic best linear unbiased predictor[J]. PLoS Genet, 2013, 9(7): 523-528.

[7] Abraham G, Tye-Din J A, Bhalala O G,et al. Accurate and robust genomic prediction of celiac disease using statistical learning[J]. PLoS Genet, 2014, 10(2): 163-170.

[8] Spiliopoplou A, Nagy R, Bermingham L M,et al. Genomic prediction of complex human traits: relatedness, trait architecture and predictive meta-models[J]. Hum Mol Genet,2015, 24(14): 4167.

[9] Garcia-Ruiz A, Cole J B, Van Raden P M,et al. Changes in genetic selection differentials and generation intervals in US Holstein dairy cattle as a result of genomic selection[J]. Proc Natl Acad Sci, 2016, 113: E3995-E4004.

[10] Ramos A M, Croojmans R A, Affara N A,et al. Design of a high density SNP genotyping assay in the pig using SNPs identified and characterized by next generation sequencing technology[J].PLoS One, 2009, 4(8): e6524.

[11] 王晨, 秦珂, 薛明, 等. 全基因組選擇在豬育種中的應用[J].畜牧獸醫(yī)學報, 2016(1): 1-9.

[12] Samore A B, Fontanesi L. Genomic selection in pigs: state of the art and perspectives[J]. Ital J Anim Sci, 2016, 15(2): 211-232.

[13] Dekker J C. Marker-assisted selection for commercial crossbred performance[J]. J Anim Sci, 2007, 85(9): 2104.

[14] Verpneze R, Bastiaansen J W M, Lopes M S. Multi-population genomic selection in pigs[C]. San Diego, CA, USA: Proceedings of the 23rd International Plant Animal Genome, 2015:351.

[15] 王青來, 李亞蘭. 全國首例全基因組選育特級種豬在粵誕生[J]. 農業(yè)知識, 2014(2): 25-25.

[16] Lillehammer M, Meuwissen T H, Sonesson A K. Genomic selection for maternal traits in pigs[J]. J Anim Sci, 2011,89(12): 3908-3916.

[17] Kang H, Zhou L, Mrode R,et al. Incorporating single-step strategy into random regression model to enhance genomic prediction of longitudinal trait[J]. Heredity, 2017, 119(6): 459-467.

[18] Chrsitensen O F, Madsen P, Nielsen B,et al. Single-step methods for genomic evaluation in pigs[J]. Animal, 2012,6(10): 1565-1571.

[19] Zhou L, Lund M S, Wang Y,et al. Genomic predictions across Nordic Holstein and Nordic Red using the genomic best linear unbiased prediction model with different genomic relationship matrices[J]. J Anim Breed Genet, 2014, 131(4): 249-257.

[20] Erbe M, Hayes B J, Matukumalli L K,et al. Improving accuracy of genomic predictions within and between dairy cattle breeds with imputed high-density single nucleotide polymorphism panels[J]. J Dairy Sci, 2012, 95(7): 4114-4129.

[21] 陳瑤生 , 王 健, 劉小紅 , 等 . 中國生豬產業(yè)新趨勢 [J]. 中國畜牧雜志, 2015, 51 (2): 8-19.