1、动物基因组选择理论与应用张 勤中国农业大学动物科技学院什么是基因组选择 Genomic selection (GS) （Meuwissen et al. ，2001) 利用覆盖全基因组的高密度分子遗传标记进行的标记辅助选择G enesPhenotypesh2Phenotypic selectionEBV selectionMarker assisted selectionGenomic selectionPedigreeMarkersWhole genome markers+G enesPhenotypesG enesPhenotypes基因组选择提出的背景 传统的选择方法Genes Phen
2、otypeEnvironmentSelectionEstimatedBreedingValue (EBV)Phenotypeof relativesBLUPBlack box ofQuantitative geneticsh2基因组选择提出的背景 选择进展Key factors世代间隔遗传标准差选择准确性选择强度遗传进展 基因组选择提出的背景500060007000800090001000011000120001300019601963196619691972197519781981198419871990199319961999200220052008Birth YearMilkYieldk
3、g美国奶牛产奶量的选择进展 传统选择方法案例1基因组选择提出的背景加拿大猪生长速度的选择进展 传统选择方法案例2基因组选择提出的背景 传统选择方法的局限性低遗传力性状难以度量的性状限性性状不能早期度量的性状需要屠宰才能度量的性状分子遗传学为突破这些局限性提供了机遇！基因组选择提出的背景 标记辅助选择GenesGenes orMarkersPhenotypic dataMolecular dataMolec. Genetics Marker assisted selection基因组选择提出的背景 常规的标记辅助选择（MAS）利用对性状有较大影响的基因（标记）信息进行辅助选择需要先进行主效基因或
4、QTL的检测需要与表型信息相结合在动物育种中的应用非常有限，因为可用的基因（标记）数量很有限这些基因只能解释很小比例的遗传变异基因组选择的基本思想 在动物的基因组中存在大量遗传标记 最常见的是SNP标记（至少300万个） 影响性状的所有基因都至少与一个标记紧密连锁genomeSNPGene基因组选择的基本思想 通过对所有标记效应的估计实现对全基因组所有基因效应的估计 利用估计的标记效应计算个体育种值基因组育种值（GEBV） 根据gEBV的大小进行选择基因组选择的优势 无需进行主效基因或QTL的检测 可以不依赖表型信息早期选择缩短世代间隔，降低育种成本 能够捕获基因组中的全部遗传变异提高选择准确
5、性 提高选择强度 大幅度提高育种进展（up to 50） 尤其对于传统选择方法受限的性状，更具优势世代间隔遗传标准差选择准确性选择强度遗传进展 实现基因组选择的前提条件 对SNP标记的高通量测定技术SNP芯片技术SNPs在染色体上的分布奶牛50K芯片SNP基因型数据10001112200200121110111121111011110011211000201220022201111202101200211122110021112001111001011011010220011002201101120020110102022212112210201001110001122022122211202
6、112012020100202202000021100011202011221112111022011110000212202000221012020002211220111012100111211102112110020102100022000220100020110000220221102211210112111012222001211212220020002002020201222110022222220022121111210021111200110111011200202220001112011010211121211102022100211201211001111102111211
7、021112200010110111020220022111010201112111101120210210212110110221220012110112110120220110022200210021100011100211021101110002220020221212110002220102002222121221121112002011020200122222211221202121121011001211011020022000200100200011110110012110212121112010101212022101010111110211021122111111212111
8、2101101200111110211110111112201210121211010222020212112221202220021212101212102011001112221211010 = homozygous for first allele (alphabetically), 1 = heterozygous2 = homozygous for second allele (alphabetically)基因组育种值-所有标记效应的总和1 + 1 -1 -1 + 1 + 25 -1 + 1 -1 -1 -1 + 42 + 1 -1 -1 -1 -1 -22 -1 + 1 -1 -
9、1 = +38-40SNP效应 -00+ 20+ 40-20Chr1 Chr2 Chr3 Chrn已知的SNPsniiiGEBV1gX SNP 数量SNP 效应SNP效应基因组选择的基本过程1. 建立参考群体 获得每个个体的性状表型 测定每个个体的SNP基因型（用SNP芯片） 估计SNP效应2. 在选择群体中进行基因组选择 测定候选个体的SNP基因型 计算个体GEBV 依据GEBV进行选择GEBV的估计ReferenceCandidateGEBVMarker-derivedrelationship matrixDirectGEBVIndirect Marker effectsGenotypes
10、GenotypesPhenotypesMarker-derivedrelationship matrixGEBV的估计直接法 GBLUP (VanRaden and Tooker, 2007) BLUP with genomic relationship matrix (G matrix) eZaXfy 2)(aVar Ga 参考群和选择群中所有个体的GEBV参考群中所有个体的表型值a = Wg Wij = Zij 2pjGij = proportion of genome that is IBD between animals i and jGEBV的估计直接法yZyXafGZZXZZXXX
11、k22aek MME:GBLUPGEBV的估计直接法 TABLUP （Zhang et al., 2010) BLUP with trait-specific marker derived relationship matrix (TA matrix)常规BLUP:A 矩阵系谱yZyXabZZXZZXXXkGBLUP: G 矩阵全基因组标记基因型TABLUP: TA 矩阵标记基因型标记效应A1GTA1MME：The TA matrix42 1 2 1n m mnijk IS Nk kNk kijkij wwSS 11Sijk AA Aa aaAA 1 0.5 0Aa 0.5 0.5 0.5aa
12、 0 0.5 1IBS at locus k between individual i and j Weighted average IBS over all lociCorrection for the mean IBS)1()2( SSSS ijij ijij STA 2The TA matrix:GEBV的估计直接法 Single step (misztalet al., 2009) Combing information from all genotyped and ungenotypedanimals yZyXabHZZXZZXXX1k AAH22211211AAAAA 22AG00
13、0A1 ungenotyped, 2 genotypedPedigree-based relationship matrix genomic relationship matrixGEBV的估计间接法 先由参考群体估计SNP效应 计算选择群中候选个体的GEBV估计所有标记的效应标记基因型50,000 SNPs性状表型标记基因型50,000 SNPsgEBVs标记基因型50,000 SNPs参考群体选择群体gEBVsSNP效应的估计 DifficultiesNumber of effects number of recordsEffects： 40 000Number of records?SN
14、P效应估计方法 Least squares methodTest each SNP，take those with significant effectFit the significant SNPssimultaneously in multiple regressionProblemsDo not capture all QTLOver-estimation of SNP effects due to setting of significance thresholdSNP效应估计方法 RR-BLUP (RirdgeRegression BLUP)egXWfy njjj12)(gjVar
15、Ig Assume equal variance of SNP effect across all segments! gj= SNP effectyXyWgfIXXWXXWWW 22ge MMESNP效应估计方法 Bayesian methodModel for the dataModel for the marker variancePrior distribution of 2giAllow different variances of marker effectsSNP效应估计方法 Bayes A (Meuwissenet al., 2001)many QTL with small effects and few with moderate effects
