基于Bin Model基因组选择在肉用西门塔尔牛应用研究

发布时间：2020-06-19 18:54

【摘要】：随着高通量基因分型和测序技术的快速发展,基于高密度(High-density,HD)和全基因组测序(Whole-genome sequencing,WGS)数据的基因组预测在动物育种计划中变得可行。与此同时,高维度的基因组信息给模型求解带来了巨大的挑战。由于担心丢失因果变异位点,很少有通过减少标记数目的降维算法应用于基因组预测(Genomic prediction,GP)。为了克服标记信息丢失,本研究将Bin模型应用于基因组预测,该模型通过设置条件将相邻SNPs组合到同一Bin中来减少数据维度,这有助于合并基因组信息并充分利用连锁不平衡(Linkage disequilibrium,LD)信息。因此,本研究使用肉用西门塔尔牛的HD和填充WGS数据,用Bin模型结合各类基因组预测方法(Bin-Methods)估计四类经济性状的基因组育种值,并将结果与未经过Bin模型处理(OriginalMethods)的预测结果进行比较。(1)基于Bin Model基因组选择在高密度芯片数据中的应用研究:本实验使用基因组最佳线性无偏预测模型(Genomic best linear prediction,GBLUP),弹性网(Elastic net,EN),BayesB和Bin-GBLUP/EN/BayesB结合肉用西门塔尔牛高密度芯片数据对该群体胴体重和眼肌面积的基因组估计育种值(Genomic estimated breeding value,GEBV)预测,并将两组结果的准确性进行对比。结果表明Bin-Methods能明显降低基因组预测的计算速度,同时保证预测准确性与OriginalMethods保持一致,甚至在某些情况中有轻微提高。(2)基于Bin Model基因组选择在填充测序数据中的应用研究:本实验将GBLUP和BinGBLUP应用于WGS数据。在这项研究中,首先使用Illumina BovineHD Beadchip对1217头肉用西门塔尔牛进行基因分型,并利用Beagle软件将每头牛的BovineHD基因型(658,513个SNP)填充至全基因组序列水平(10,550,707个SNP)。然后利用填充后测序数据估计了日增重,胴体重,眼肌面积和大理石花纹的GEBVs。同时将两组结果的准确性进行对比。结果表明,四类性状基因组预测的准确性从0.188至0.284,最低出现在大理石花纹,最高出现在眼肌面积中。与Original-GBLUP相比,Bin-GBLUP结合WGS数据的基因组预测准确性相差不大,基因组预测的均方误差(Mean-square prediction error,MSPE)也有相同的趋势。除此之外,研究发现,与使用HD数据相比,使用填充WGS数据进行基因组预测的准确性没有显著提高。为了进一步研究填充测序数据在肉用西门塔尔牛中的应用,我们将扩大参考群体的数量,并继续考虑Bin-BayesR结合WGS数据的基因组预测。
【学位授予单位】：中国农业科学院
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S823
【图文】：

育种值,参考群体,基因组,全基因组

国农业科学院硕士学位论文第一章引计算基因组估计育种值需要定位标记基因座（Marker loci）和数量性状基因座之间的连锁衡（Linkage disequilibrium, LD），否则随着标记效应的估计，基因组估计育种值的准确度将代群体中迅速下降。为了覆盖更多的 LD，标记密度必须足够高以保证所有的 QTL 都至少与标记连锁。而随着基因分型技术的快速发展，全基因组选择中标记密度已从低密度，高密度至今日的测序水平，这意味着分型得到的基因型数据将覆盖更多的 QTL，探测到更多的 LD时也面临计算困难，耗费时间等巨大挑战。.2.2 GS 试验设计及基本分析方法全基因组选择是根据基因组育种值进行选择，其实施包括两个步骤：首先在参考群体中使因型数据和表型数据估计每个染色体片段的效应；然后在候选群体中使用个体基因型数据估因组育种值。其实验的设计主要包含参考群体的设计以及分析方法的确定。

眼肌面积,牛胴体,出生年,协变量

实际情况，将出生年、季节、出生协变量。利用 R 软件中的 GLM 函下：体均值， year 为出生年效应， f天数协变量，sex 为性别效应，e 为图 2.1 牛胴体和眼肌面积测量示意图The cattle carcass sketch and determination

【相似文献】