论文部分内容阅读
第一部分:在肉牛生产中,饲料成本占总支出的55%-75%,是最大的单项支出,因此饲料效率是一项极其重要的经济性状。而脂肪酸成分对人类健康影响显著,因此也逐渐引起众多研究人员的重视。量化饲料效率与脂肪酸成分的相关性从而构建多性状选择指数进行遗传改良,对提高生产利润具有重要意义。本研究以1366头加拿大肉牛为研究群体,采用双性状动物模型,对剩余采食量（Residual Feed Intake,RFI）、矫正背膘厚后的剩余采食量（RFI adjusted for final ultrasound backfat thickness,RFIf）、干物质摄入量（Dry Matter Intake,DMI）,日增重（Average Daily Gain,ADG）,中期代谢体重（Metabolic Body Weight,MWT）,背膘厚（Final Ultrasound Backfat Thickness,FUFAT）六个性状与25种背部皮下组织的脂肪酸成分的表型相关和遗传相关进行估计。结果表明RFI和RFIf与脂肪酸成分的表型相关普遍较低（绝对值小于0.25）;但是RFI和RFIf与多不饱和脂肪酸有较高的遗传相关,包括n-6/n-3（0.52±0.29和0.45±0.31）、18:2n-6（0.45±0.18 和 0.40±0.19）、n-6（0.43+0.18 和 0.38±0.19）、PUFA（0.42±0.18 和 0.36±0.20）、9c-16:1（-0.43±0.20 和-0.33±0.22）。因此选择低 RFI 的肉牛（即饲料效率高的肉牛）会降低n-6含量及n-6/n-3比例,增加9c-16:1的含量,从而改善肉牛的脂肪酸成分,对人类饮食健康更有利。同时DMI与9c-14:1（-0.32±0.17）和sumCLA（-0.45±0.21）有中等遗传相关,意味着选育低DMI的肉牛会增加皮下脂肪组织的9c-14:1和sumCLA的含量,也有利于人类饮食健康。但ADG与11t-18:1（-0.38±0.23）和sumCLA（-0.73±0.26）的负遗传相关对人类饮食健康不利,这表明选择长得更快的肉牛会降低有利的11t-18:1和sumCLA含量。因此,如果要同时对饲料效率、采食量、生长速度、脂肪酸成分进行综合遗传改良的话,上述研究结果可以为构建多性状选择指数提供有价值的参数借鉴。第二部分:为了探索肉牛的RFI、DMI、ADG和MWT四个性状的遗传结构,搜寻影响它们的显著位点,本研究利用全基因组填充数据对6个群体共7573头肉牛进行单分子标记全基因组关联分析（Genome-wide Association Study,GWAS）。我们一共检测到1463个与上述性状极相关联的位点,其中6、285、628和1388个极显著位点分别与RFI、DMI、ADG和MWT强相关联。通过与牛公共QTL数据库进行比对后,发现5个影响ADG和4个影响MWT的单核苷酸多态性（Single Nucleotide Polymorphism,SNP）与数据库中的数量性状基因座（Quantitative Trait Locus,QTL）重叠。此外,我们对这1463个位点进行生物学功能预测分析,并按功能的重要性由小到大将其划分为三类,其中属于第三类的6个极显著位点具有重点研究的价值。此外,与RFI相关联的6个极显著位点分别位于5号（1个）和12号（5个）染色体上,在其置信区间内搜寻候选基因并结合其生物学功能后,认为DCP1B和SUPT20H基因是影响RFI的候选基因。我们发现602个一因多效位点,即同时影响DMI、ADG和MWT中两种以上性状的位点。其中136个多效位点（包括影响性状的最强信号）位于6号染色体37.9-39.0 Mb区间,最有可能的候选基因是DCAF16、NCAPG和LCORL。位于14号上的多效位点区间为24.89-25.07 Mb,潜在的候选基因是MOS、PLAG1和LYN。而在20号染色体上STC2基因内存在一个多效应的错义突变（rs42661323）位点,同时影响MWT和ADG两个性状,并与其最强信号位点处于高度连锁不平衡（r2=0.96）。因此rs42661323很可能是影响MWT和ADG的候选因果位点。目前为止,本文首次在如此大规模的肉牛群体中用全基因组基因填充数据对RFI及其组成性状进行GWAS分析,上述结果加深了我们对肉牛的饲料效率、采食量和生长性状的遗传结构和分子机理的理解。第三部分:基因组选择（GS）对较难测定或测量费用昂贵的性状（如肉牛中的饲料效率）进行遗传改良时具有巨大优势。而预测准确度则是GS成功与否的关键因素。为了最大化RFI、DMI和ADG的遗传改良和生产利润,本研究分别从标记密度（50K和777K）、训练群体规模（单品种和多品种）和统计模型（GBLUP、BayesB和BayesR）等方面评估其对基因组预测准确度的影响,希望可以为肉牛饲料效率、采食量和日增重进行基因组选择找到一个最优策略（预测准确度最高）。我们总共收集了 6个群体共7573头肉牛的表型数据,在用牛50K和777K两种不同密度基因型芯片检测后,使用基因填充方法将所有个体基因型填充至777K,然后用五折交叉验证法估计基因组预测的准确度。结果发现在BayesR模型下,利用777K芯片的多品种训练群体对DMI预测时准确度最高（0.66±0.04）。当采用BayesR模型预测RFI、DMI、ADG时平均准确度分别为0.37、0.43和0.39,比用BayesB模型略高（分别为0.35、0.38 和 0.36）,也比 GBLUP 稍高（0.37、0.42 和 0.34）。BayesR 模型在不同策略下都更有优势,平均比GBLUP和BayesB模型分别高0.02和0.03。此外,多品种训练群体要比单品种训练群体要好,平均高0.06。高密度标记要比低密度芯片要更准,平均高0.02。这些结果暗示了当对肉牛饲料效率、采食量和日增重进行遗传改良时,使用高密度标记、多品种训练群体和BayesR模型更有优势。