基因组时代生物信息学如何助力畜牧应用科学

### 基因组时代生物信息学如何助力畜牧应用科学 #### 1. 引言 自人类基因组草图在十年前公布以来，基因组科学取得了巨大进展。对人类基因组的解码工作，为理解某些物种动物健康和生产的基础生物学提供了前所未有的机遇。随着基因组学的发展，人们能够获取关于这些基因组结构和功能的全面基础知识，以及基因对生产、健康和疾病相关表型的贡献。 近期对人口增长和粮食需求的预测与建模表明，农业综合企业必须在未来40年内将粮食产量翻一番，以成功维持人类人口并避免灾难性的人口过剩。一些专家预测，由于消费者可支配收入增加，以及未来可用于作物生产的耕地有限，动物蛋白产量的增长将占粮食产量翻番的约70%。然而，在这个基因组学革命的时代，基于家养动物独特种群结构的技术进步和遗传改良新概念所带来的机遇却被忽视了。特别是在考虑到从极少的资金投入中已经获得的DNA辅助遗传改良的投资回报时，这一点更加明显。更重要的是，由于缺乏具备将现代基因组分析方法应用于提高动物效率和产品质量问题的知识和技能的动物科学家，存在着巨大的专业知识差距。 基于这些事实和观察，我们认为通过计算生物学实现的大规模畜牧遗传资源研究可以为改善动物食品生产提供所需的创新。泽布基因组联盟（Zebu Genome Consortium，ZGC）一直在对巴西内洛尔牛（Bos taurus indicus）应用三种主要的全基因组扫描方法，以实现这一创新，分别是基因组选择（Genomic Selection，GS）、全基因组关联研究（Genome Wide Association Study，GWAS）和选择信号（Signatures of Selection，SS）。 #### 2. 基因组选择：提高牛遗传预测的准确性 利用基于密集单核苷酸多态性（Single Nucleotide Polymorphism，SNP）标记面板的基因型来准确预测个体的遗传价值，即基因组选择（GS），正在彻底改变畜牧育种计划的设计和实施。该方法由相关学者提出理论基础，后续有学者强调了其在缩短世代间隔、提高预测准确性和选择强度、降低育种组织成本以及实现对难以测量性状的遗传评估等方面的潜在益处。 基因组选择的逻辑是，如果SNP标记密度足够高以覆盖整个基因组，那么大多数数量性状位点（Quantitative Trait Loci，QTL）将与某些标记处于连锁不平衡状态。因此，所有标记效应的总和（直接基因组值，Direct Genomic Value，DGV）将是给定动物遗传价值的良好预测指标，并且一旦获得动物的基因型（出生后甚至在胚胎/胎儿发育阶段），就可以进行选择决策。 随着牛基因组的测序和密集SNP标记面板的可用性，GS从模拟阶段进入了实际应用。北美奶牛的GS首次成功应用，激发了对其他品种和种群的GS研究。然而，随着SNP面板密度的增加，需要处理的信息量带来了统计和计算方面的新挑战，特别是由于预测变量（标记）的数量通常远高于观测值（表型）的数量，导致缺乏同时估计所有标记效应的自由度，并产生多重共线性问题。 在奶牛的GS研究中，有大量科学论文比较了不同的统计方法，但在肉牛品种面板中，仍缺乏此类比较以确定最佳的遗传预测方法。此外，大多数牛的GS研究是在温带气候地区常见的Bos taurus taurus品种中进行的，这些结果不能直接应用于主要用于热带地区（拉丁美洲、非洲和亚洲）的Bos taurus indicus品种。 在巴西，内洛尔肉牛在热带系统的肉类生产中发挥着重要作用。预计基于基因组的预测（GS）可以显著提高该系统的生产效率。该品种有大量记录的动物，尽管在过去二十年中生长性状取得了显著的遗传进展，但在繁殖、肉质和饲料效率等性状上，传统选择方法取得的进展仍然较低。因此，泽布基因组联盟正在测试在内洛尔牛育种计划中应用GS的可行性，通过比较四种不同统计方法对该品种17个经济相关性状的准确性和预测偏差。 例如，泽布基因组联盟的初步结果显示，在巴西内洛尔牛的遗传预测中使用基因组信息时，观察到的准确性达到了预期（平均为0.5，某些性状达到0.7），这似乎足以促使在育种方案中纳入这项技术，以加强该品种的选择决策。 由于基因组遗传值的预测基于计算成本高昂的程序，因此高效计算的精细编程和硬件资源管理一直是不断追求的目标。此外，标记效应估计方法的性能可能因性状的不同遗传结构而异，这意味着没有一种通用的最佳分析程序。因此，需要为每个单一性状测试多种方法，这增加了计算的复杂性。在这种情况下，生物信息学知识是