论文部分内容阅读
全基因组选择是标记辅助选择在全基因组范围上的应用。作为动物遗传领域的研究热点,有关全基因组选择模型和方法的研究日新月异,本研究就基因组选择中包含显性效应的模型和方法做了如下研究：1、本研究基于包含显性效应的层级贝叶斯模型,假设加性效应和显性效应存在不同方式的相关性,提出两种子模型BayesAD1和BayesAD2,通过模拟数据比较他们估计基因组育种值(BV),显性离差(DV)和基因型值(GV)的准确性。在模拟数据中设置不同水平的QTL(quantitative trait loci)数目、全同胞家庭个体数和加性方差与显性方差的比重,研究两种模型在这些参数组合下的特性。结果显示：固定全同胞数和QTL数目,对BV的估计中,BayesAD2准确性最高,BayesAD0准确性最低。随着加性方差比重升高,显性方差比重下降,BayesAD2的优势逐渐减小至消失；对DV的估计中,BayesAD2仍旧比BayesAD1表现突出,随着显性方差比重下降,BayesAD2的准确性也降低,和BayesAD1的差距减小。QTL数目的增多使得估计BV的准确性下降,而显性离差估计的准确性却随之升高,QTL不变,全同胞个体数的增加会提高育种值估计的准确性,并且全同胞数越多,BayesAD2比BayesAD1的准确性越高。2、系统研究加性显性模型下的GBLUP方法,用三种方法构建基因组亲缘相关矩阵,用它们代替混合模型方程组中的A阵和D阵,实施全基因组选择。这三种方法分别是基于一个正交模型构建相关矩阵称为G2A, Su等(2012)提出的根据等位基因频率构建的Su’s模型和根据等位基因同源一致性构建的IBD模型。比较不同方法对个体亲缘相关系数的拟合程度,以及其对BV和DV估计准确性的影响。比较结果显示,三种模型对群体加性遗传相关的估计表现一致,相比于另外两个模型,Su’s模型不能很好的反应出群体的显性相关关系,而IBD模型对个体间的加性相关和显性相关估计的最准确。对BV的估计准确性上,G2A模型相较于Su’s模型表现出轻微优势,而IBD模型则表现出较大优势。模型中显性方差通常被过高估计,尤其Su’s模型比其他两种模型对显性方差的估计都要高,对加性方差的估计相对偏低。3、将本研究中描述的方法用于西门塔尔牛基因组选择,选择三个性状分别是胴体重、宰前重和剪切力,通过方差组分估计得到狭义遗传力分别为0.59,0.46和0.12。标记效应的显著性检验揭示了位点加性效应和显性效应的关系,即显性系数都服从均值大于0的正态分布。对三个性状的育种值估计准确性来看,BayesAD1和BayesAD0估计准确性相同,没有表现出显性效应对育种值估计的影响,BayesAD2育种值估计准确性都高于加性模型下的BayesAD0,尤其对显性方差较大的剪切力,BayesAD2比BayesAD0估计准确性提高了6%。GBLUP方法中,IBD模型表现最好。三种模型都随着标记数目的增多育种值估计准确性逐渐提高,当标记密度数目达到一定程度,G2A模型和Su’s模型估计准确性都不再增加,而IBD模型仍然保持随之上升的趋势。