快速型黃羽肉雞飼料利用效率性狀的基因組選擇研究

李 森，杜永旺，文 杰，黃 超，陳智武，趙桂蘋，鄭麥青*

(1.中國農業科學院北京畜牧獸醫研究所，北京 100193；2. 廣西金陵農牧集團有限公司，南寧 530049)

黃羽肉雞每年出欄量約40億只，其中快速型黃羽肉雞占比約1/3[1]，隨著我國居民餐飲習慣的改變和活禽交易市場逐步取消，對快速型黃羽肉雞的需求還將大幅提升。在肉雞生產中，飼料成本占總生產成本的70%以上[2]。近年來，受國際貿易沖突、耕地面積減少以及新冠疫情的影響，飼料原料價格大幅上漲，成為我國肉雞產業發展的重要影響因素，如何提高畜禽飼料利用效率，將成為肉雞，特別是快速型黃羽肉雞遺傳改良的重要目標之一。在家禽中，常用飼料轉化率(feed conversion rate, FCR)評估飼料利用效率[3]，之后研究者又提出了剩余采食量(residual feed intake, RFI)、剩余增長體重(residual body weight gain, RG)以及剩余采食和增長體重(residual intake and body weight gain, RIG)等新指標[4-5]，需要根據不同品種的選育目標選擇合適的飼料利用效率性狀制定育種方案。

遺傳選育是改進肉雞飼料利用效率的主要方式，隨著分子遺傳學和計算機技術的發展，一種利用覆蓋全基因組高密度分子標記選擇育種的方法被廣泛應用到不同畜禽的遺傳改良中[6-8]，這種方法就是基因組選擇(genomic selection)。基因組選擇主要優點在于可實現早期選擇，不依賴系譜和表型信息，能夠顯著提高估計育種值的準確性。安偉捷、科寶、海蘭等國際家禽育種公司已經全面采用基因組選擇技術，并取得了顯著的成效[9-11]。目前，國內已經建立了奶牛、肉牛、豬的基因組選擇技術平臺，肉雞和蛋雞基因組選擇技術也已經開始應用[12-14]。

基因組選擇方法主要分為兩類：第一類是利用基因組遺傳信息構建個體間親緣關系矩陣，然后采用線性混合模型估計基因組估計育種值(genomic estimated breeding value, GEBV)的直接法，如基因組最佳線性無偏預測法(genomic best linear unbiased prediction, GBLUP)和一步法(single-step genomic best linear unbiased prediction, SSGBLUP)；第二類是基于估計等位基因效應來計算基因組估計育種值的間接法，如最小二乘法和貝葉斯方法[15-17]。間接法需要花費大量的時間對參數進行求解，計算效率低，在實際育種工作中實施較少。因此，運算效率較高的直接法被商業化育種廣泛應用。但是，受到不同目標群體結構和性狀遺傳力等因素的影響，不同方法預測的準確性存在差異。Manzanilla-Pech等[18]采用BLUP、GBLUP、SSGBLUP和一步法嶺回歸(single-step ridge-regression BLUP, SSRR-BLUP)方法預測了奶牛在不同哺乳期采食量性狀估計育種值的準確性，研究顯示，SSGBLUP和SSRR-BLUP的準確性比傳統BLUP的準確性顯著提高。Alemu等[19]利用SSGBLUP方法預測兩個蛋雞群體的生存時間，結果優于BLUP方法。彭瀟等[20]采用不同基因組選擇方法預測豬達100 kg日齡、達100 kg背膘厚和乳頭數的準確性，結果顯示，GBLUP方法對乳頭數的預測準確性優于SSGBLUP方法，達100 kg日齡和達100 kg背膘厚采用SSGBLUP方法結果更優。

快速型黃羽肉雞E系是廣西金陵花雞三系配套中的終端父系，具有生長速度快、耗料少和肉質鮮美的特點。飼料報酬和體增重是快速型黃羽肉雞最主要的選育指標。應用基因組選擇技術進行遺傳選育，有望提高復雜經濟性狀的遺傳進展，因此需要對目標品種主要性狀的最佳基因組選擇方法進行研究。本研究將在估計飼料利用效率等性狀的遺傳參數基礎上，進一步比較傳統BLUP、GBLUP和SSGBLUP 3種 方法對育種值估計的準確性，擬篩選出預測性能更佳的基因組選擇方法，為制定合理的快速型黃羽肉雞飼料利用效率性狀基因組選擇方案提供必要參考。

1 材料與方法

1.1 試驗群體

本試驗中所使用的群體來自中國廣西金陵農牧集團有限公司培育的快速型黃羽肉雞E系。在0～6周齡(0～42 d)為肉雞育雛階段，采用群體飼養。從7周齡(43 d)開始轉為單籠飼養，使用獨立的飼喂器和飲水器，試驗期間所有雞群均采用自由采食的方式，按照正常程序免疫和飼養管理。測定42、56日齡體重和在此期間的總采食量。本研究共使用包括2個世代1 923只具有表型記錄的個體，其中公雞1 199只，母雞724只，均具有完整的系譜信息。

1.2 飼料利用效率性狀的計算模型

本試驗對8個性狀進行研究，生長性狀分別為42日齡體重(BW42D)，56日齡體重(BW56D)，日均采食量(ADFI): (42～56日齡總采食量)/14，日均增重(ADG): (BW56D-BW42D)/14。飼料利用效率性狀分別為飼料轉化率(FCR)、剩余采食量(RFI)、剩余增長體重(RG)以及剩余采食和增長體重(RIG)。FCR、RFI、RG、RIG的計算方法如下：

ADFI = μ + hatch + sex + β1MWT + β2ADG + e1(RFI)

ADG = μ + hatch + sex + β3MWT + β4ADFI + e2(RG)

RFI和RG的計算模型中，μ是回歸方程的截距，hatch和sex為固定效應，分別代表孵化批次和性別，MWT是試驗中期代謝體重，MWT=((BW42D+BW56D)/2)0.75，β1和β2分別是MWT、ADG對ADFI的偏回歸系數，β3和β4分別是MWT、ADFI對ADG的偏回歸系數，e1和e2代表殘差值，即對應RFI和RG。RIG是將RFI和RG標準化后組成的線性組合。各個性狀的描述性統計結果如表1所示。

1.3 基因組SNPs數據的獲得與處理

試驗群體在56日齡時翅下靜脈采血用于基因組DNA提取，利用雞Illumina SNP 55K芯片[21]進行基因型檢測。SNP芯片檢測結果共得到44 561個SNPs位點，使用PLINK(V1.9)[22]軟件對數據進行質量控制處理，質量控制標準為：1)檢出率大于(call rate) 90%以上；2)最小等位基因頻率(MAF)大于5%；3)位點缺失率(GENO)小于5%；4)哈迪溫伯格平衡檢驗(HWE)為1×10-6。缺失的SNP使用Beagle 5.0軟件[23]進行填充，最終保留37 177個SNPs位點。

1.4 統計模型

統計模型包括基于系譜的BLUP、GBLUP和SSGBLUP，3種方法的數學模型相同：

y=Xb+Zα+e

其中，y是表型值向量，X和Z是固定效應和加性遺傳效應的關聯矩陣，b是固定效應向量，本研究中固定效應分別為孵化批次和性別，α是隨機加性遺傳效應向量，e是隨機殘差向量。在BLUP方法中α服從正態分布α～N(0，Aσ2α)。GBLUP方法將基于系譜的親緣關系矩陣(A矩陣)替換為全基因組標記信息構建的親緣關系矩陣(G矩陣)。SSGBLUP方法將G矩陣和A矩陣整合組成新的關系矩陣H矩陣，H矩陣的構造如下：

H=

表1 各性狀的描述統計

式中，下標1和2分別表示無基因型信息和具有基因型信息個體。VanRaden[24]在構建H矩陣時，對G矩陣進行了加權，采用Gω代替G矩陣，即：

Gω=(1-ω)G+ωA22

ω是基因型和系譜矩陣權重比，表示遺傳關系未被SNPs解釋的比例，在最初構建時默認設定ω=0.05[25]。由于最佳權重比由品種和性狀特異性所決定，為了尋找8個性狀的最佳權重比，本研究設定權重比ω從0.05到0.90的梯度變化。

本試驗中，方差組分估計利用平均信息約束最大似然法(average information restricted maximum likelihood, AIRESML)，遺傳相關性分析中采用似然比檢驗(log likelihood ratio test, LRT)進行顯著性分析，所有的計算均基于ASReml v4.1軟件[26]。

1.5 交叉驗證方法

本研究利用10倍交叉驗證來評估不同方法對各個性狀估計育種值的準確性，將1 923個個體隨機分為10組，其中9組合并為參考群，其余1組為驗證群，依次將每一組作為驗證群，重復10次，將得到的估計育種值和表型的皮爾遜相關系數(pearson correlation coefficient)作為準確性，最后用10次重復得到的相關系數平均值作為評價準確性的標準。

2 結 果

2.1 快速型黃羽肉雞飼料報酬性狀遺傳力估計

利用傳統BLUP、GBLUP和SSGBLUP方法估計的各性狀方差組分和遺傳力結果如表2所示。4個飼料利用效率性狀均屬于低遺傳力，基于BLUP、GBLUP和SSGBLUP方法估計FCR的遺傳力為0.13、0.08和0.10，RFI的遺傳力為0.20、0.12和0.14，RG的遺傳力為0.14、0.09和0.11，RIG的遺傳力為0.18、0.11和0.13。其余4個生長性狀具有中等偏低的遺傳力(0.11～0.35)。BLUP方法估計的遺傳方差和遺傳力均大于GBLUP和SSGBLUP方法。

2.2 飼料利用效率性狀與其他性狀間的遺傳相關

利用傳統BLUP、GBLUP和SSGBLUP 3種方法估計8個性狀間的遺傳相關性結果如表3所示。3種方法估計的遺傳相關結果相似?；贐LUP方法，FCR和RG與ADG為中度水平的遺傳相關(-0.36, 0.37)，與ADFI為較低水平的遺傳相關(0.28, -0.24)；RFI與ADG為低水平的遺傳負相關(-0.01)，與ADFI為較高水平的遺傳正相關(0.51)；RIG與ADG為較低水平的遺傳正相關(0.19)，與ADFI為中度水平的遺傳負相關(-0.42)。4個飼料利用效率性狀間都為高度水平的遺傳相關，與BW42D和BW56D的相關性都較低。

表2 各性狀遺傳力和方差組分估計結果

2.3 SSGBLUP基因組預測最佳權重比分析

針對8個性狀，篩選SSGBLUP基因組預測的最佳基因型和系譜矩陣權重比(ω)，結果如圖1所示。不同性狀的最佳權重比不同，對于FCR、RFI、RG和RIG，權重比分別為0.2、0.6、0.4和0.3時估計育種值準確性最高；對于BW42D和BW56D，權重比為0.6時估計育種值準確性最高；對于ADFI和ADG，權重比分別為0.4和0.5時估計育種值的準確性最高。所有性狀采用最佳權重比的估計育種值準確性比默認設定ω= 0.05的準確性提升0.30%～5.05%。

表3 飼料利用效率性狀與生長性狀的遺傳相關性

2.4 3種方法基因組預測準確性比較

通過10倍交叉驗證比較傳統BLUP、GBLUP和SSGBLUP 3種方法對育種值估計的準確性，SSGBLUP方法采用篩選的不同性狀最佳權重比進行計算，結果見表4。BLUP、GBLUP和SSGBLUP方法對8個 性狀的平均估計育種值準確性分別為0.161、0.163和0.176。SSGBLUP方法對8個性狀育種值估計的準確性比BLUP和GBLUP方法分別提高3.85% ～14.43%和5.21%～17.89%。對于RFI、RG、RIG和ADG，GBLUP方法的準確性低于BLUP方法，其他4個性狀的準確性均高于BLUP方法。

圖1 8個性狀SSGBLUP基因組預測最佳權重比篩選結果Fig.1 Results of the SSGBLUP genomic prediction best weighting ratio screening for 8 traits

表4 各性狀基于不同方法的交叉驗證分析結果

3 討 論

本研究利用傳統BLUP、GBLUP和SSGBLUP方法對黃羽肉雞群體部分生長和飼料利用效率性狀進行遺傳力估計，3種方法估計的快速型黃羽肉雞42和56日齡體重的遺傳力在0.22～0.35之間，符合已有研究估計值的范圍[27-28]。已有研究顯示，FCR、RFI、RG和RIG在家禽中為中高等遺傳力[2,29-30]，本研究中，4個飼料利用效率性狀的遺傳力偏低(0.08～0.20)，可能是由于本群體與其他研究的品種、飼養方式和遺傳背景不同而導致遺傳力存在偏差。整體而言，利用傳統BLUP方法估計的遺傳力均高于GBLUP和SSGBLUP方法估計的遺傳力，原因在于傳統BLUP方法是使用期望值評價半同胞和全同胞個體間的親緣關系，過高估計了遺傳方差，進而導致遺傳力的估計值升高。基因組選擇方法是利用基因組標記信息估計個體間親緣關系，降低了孟德爾抽樣誤差，排除了更多環境因素造成的親緣相似性，因而能夠得到更加準確的親緣關系[31-33]。已有研究表明，利用系譜信息和基因組標記信息估計的遺傳方差會隨著遺傳力和群體規模的增大逐漸縮小差異[34]。

本研究發現，FCR與ADG為中度水平的負遺傳相關，與ADFI為較低水平的正遺傳相關。從遺傳角度看，在對FCR進行選擇時，能夠有效增加群體體重并減少日均采食量。但FCR的選擇側重于提升群體日均增重，會造成選育群體在生長后期體型增大，增加了維持體型所需的能量，而維持體型的費用約占飼料相關支出的60%左右[35]，因而FCR不是提高飼料利用效率最理想的指標。RFI將個體的實際采食量分為維持個體所需的能量和剩余部分，主要優勢是獨立于生產性狀，可以比較不同生產水平的個體，準確得到個體間飼料利用效率的差異[36]。但多個研究表明，將RFI作為選擇指標可能導致選育群體ADG降低，Willems等[2]在火雞群體中發現，低RFI組的群體增重比高RFI組低0.14 kg。Cai等[37]利用RFI指標對約克夏豬選育4個世代后發現，與隨機對照系相比，低RFI品系群體的RFI和ADFI分別降低了96 和165 g，但同時ADG也下降了33 g。為了改善這種弊端，Berry和Crowley[4]在肉牛中提出新的指標RIG，將RFI和RG兩個指標組成線性組合，可以根據選育方向調整兩項指標所占的權重，實現兼顧選擇飼料利用效率和生長速度兩個指標的優勢。已有研究表明，以RIG作為選育指標可以有效降低選育群體的日均采食量并提高日均增重[38-39]?，F代動物的育種目標要求多樣性，以適應不斷變化的市場需求，我國快速型黃羽肉雞現階段的培育目標需要同時提高體重增長速度和飼料利用效率，本研究群體日均增重和體重的變異系數較大，這表明具有很大提升潛力，RIG與ADFI、ADG都具有良好的遺傳相關，因而更適用于評估快速型黃羽肉雞的飼料利用效率。

黃羽肉雞育種群體的基礎群數量龐大，受到基因分型成本的限制，只有部分個體會進行基因分型。GBLUP方法評估的個體需要具有基因型信息，這就浪費了大量無基因型信息個體的系譜和表型數據。SSGBLUP方法利用基因組信息和系譜信息構建新的關系矩陣[40]，可以將群體中無基因型信息個體的系譜和表型記錄利用起來，極大地擴充了遺傳評估的數據量，有效降低基因分型成本。在SSGBLUP方法中，為了確保SNP能夠捕獲更多的遺傳變異，需要優化基因型和系譜矩陣的權重比。在不同品種和性狀中最佳權重比是未知的，已有研究表明，采用最佳權重比能夠有效提高SSGBLUP方法對育種值估計的準確性[41-42]。在對豬產仔總數等性狀的研究中，比較了權重比從0.1到0.9之間的結果，研究發現，當權重比為0.5時對所有性狀的平均準確性最高[43]。在對奶牛產奶量等18個性狀的研究中，比較了權重比從0.05到0.4間的結果，研究發現，當權重比在0.15～0.20之間時獲得的18個 性狀平均準確性最高[44]。本研究結果顯示，8個 性狀的最佳權重比存在差異，原因可能是基因組信息對不同性狀所解釋的變異比例不同[45]。采用每個性狀的最佳權重比獲得的估計育種值準確性均高于默認權重比為0.05時的準確性。綜合8個性狀的準確性均值，SSGBLUP采用最佳權重比獲得的準確性比傳統BLUP和GBLUP方法提高9.22%和8.22%。在部分性狀中，GBLUP方法的估計育種值準確性低于BLUP方法，其原因可能是GBLUP方法僅利用SNP標記信息，本研究所使用的55K芯片并不能包含整個基因組的變異信息，對基因組中存在的上位和顯性效應等其他變異信息無法進行估計，導致GBLUP方法對部分性狀估計育種值準確性降低[46-48]?；蚪M選擇在肉雞育種中的主要優勢是提升估計育種值的準確性，SSGBLUP具有更佳的預測性能，因而是對快速型黃羽肉雞飼料利用效率性狀進行育種值估計更優的方法。

4 結 論

本研究以快速型黃羽肉雞品系為素材，利用傳統BLUP、GBLUP和SSGBLUP方法，對部分生長和飼料利用效率性狀進行遺傳參數估計和準確性分析。傳統BLUP方法估計的遺傳力均高于GBLUP和SSGBLUP方法估計的遺傳力，4個飼料利用效率性狀都為低遺傳力，RIG具備同時選育日均采食量和日均增重的優勢，更適合快速型黃羽肉雞的培育目標；SSGBLUP方法利用系譜和基因組信息，克服了傳統BLUP和GBLUP方法僅使用單一信息進行遺傳評估的缺陷，采用最佳權重比進行SSGBLUP分析，對目標性狀育種值的估計準確性最高，因而更適用于快速型黃羽肉雞飼料利用效率性狀的基因組選擇。