基因組預(yù)測的序列數(shù)據(jù)在家畜育種中的應(yīng)用

張配配 校 黃選洋 譯

摘? 要：全基因組序列數(shù)據(jù)的使用在家畜育種計劃中具有巨大的潛力，可以提高發(fā)現(xiàn)變異基因的能力，同時能更準(zhǔn)確和更持久地預(yù)測育種值而不是標(biāo)記陣列。要了解家畜基因組序列數(shù)據(jù)的全部潛力，需要從大量的個體，甚至要從數(shù)百萬個個體上獲得基因組序列和表型數(shù)據(jù)，從而準(zhǔn)確地估測構(gòu)成數(shù)量性狀基礎(chǔ)的大量致病變異的影響。

關(guān)鍵詞：全基因組;標(biāo)記陣列;估測;變異;雜交剝離

中圖分類號：S813.3 文獻(xiàn)標(biāo)志碼：C 文章編號：1001-0769（2021）04-0012-03

低成本的測序策略結(jié)合估測法（imputation），能夠以負(fù)擔(dān)得起的成本為大量個體生成所需基因組序列的信息。低覆蓋率使研究人員對大量個體進(jìn)行基因組測序成為可能，這可以提高變異的發(fā)現(xiàn)率，特別是低頻率的變異，并能加強(qiáng)根據(jù)基因組序列數(shù)據(jù)對整個群體的估測。

本文介紹了我們在一項研究中所采用的策略，該研究對來自9個商業(yè)品系的7 848頭豬進(jìn)行了全基因組測序，這些品系大部分處于低覆蓋率范圍。隨后，我們證明，將該測序策略與“雜交剝離”估測法相結(jié)合，是一種可為大群家畜純種系譜產(chǎn)生全基因組序列數(shù)據(jù)的有效策略。最后，我們測試了這些大數(shù)據(jù)集對合成表型的基因組預(yù)測的優(yōu)勢。

1? 材料和方法

1.1 測序策略

我們對Genus plc公司的9個商業(yè)品系（PIC豬商業(yè)品系，公司位于美國田納西州亨德森縣）的7 848頭豬的全基因組進(jìn)行了測序。測序時，我們從每個品系中選擇約2%（1.7%～2.5%）的豬。結(jié)果表明，大多數(shù)豬處于低覆蓋率，目標(biāo)覆蓋率為1倍或2倍，一小部分豬處于較高的覆蓋率，分別為5倍、 15倍或30倍。個體的平均覆蓋率為4.1倍，但中位數(shù)為1.5倍。我們使用三步策略選擇個體和這些個體的覆蓋范圍：

第一步：在純種系譜中貢獻(xiàn)最多基因型后代的父系和母系分別擁有2倍和1倍的覆蓋率。

第二步：AlphaSeqOpt法第1部分用于識別在種群單倍型中占有最大比例的單倍型個體，并在控制總成本的前提下，為它們及其祖先分配一個介于0倍至30倍的最優(yōu)水平的測序覆蓋。

第三步：AlphaSeqOpt法第2部分用于識別累計覆蓋率低（低于10倍）的單倍型個體，并對這些個體進(jìn)行1倍測序，以增加單倍型的累計覆蓋率（即大于或等于10倍）。

AlphaSeqOpt法使用根據(jù)階段性標(biāo)記陣列基因型推斷的單倍型。

1.2 發(fā)現(xiàn)變異

將測序結(jié)果與Sscrofa 11.1參考基因組進(jìn)行比對，利用一個基于GATK 3.8的Haplotype-Caller工具的數(shù)據(jù)來源找出變異。為了避免在應(yīng)用低覆蓋率序列數(shù)據(jù)時對GATK引入的參考等位基因產(chǎn)生誤差，我們利用堆積函數(shù)提取了支持該等位基因的讀取數(shù)，結(jié)果從這9個品系中共發(fā)現(xiàn)了6 000萬個單核苷酸多態(tài)性（Single Nucleotide Polymorphisms，SNPs）。

1.3 估測全基因組序列數(shù)據(jù)

使用商業(yè)標(biāo)記陣列對每個群體中的大多數(shù)個體進(jìn)行基因分型，擁有15 000個低密度（Low Density，LD）或75 000個高密度（High Density，HD）全基因組標(biāo)記。正如用AlphaPeel法測算的那樣，采用雜交剝離估測法分別估測每個群體的全基因組序列。該方法通過兩階段，降低估測成本：

· 多軌跡迭代剝離，可以根據(jù)數(shù)組中的該標(biāo)記估計分離概率。

· 改進(jìn)的單位點迭代剝離，可以基于序列數(shù)據(jù)旁側(cè)數(shù)組的該標(biāo)記的估測值，利用該序列數(shù)據(jù)大致估計任何其他變異位點上的分離概率。由于每條染色體中重組基因的數(shù)量有限，以及附近標(biāo)記共同被遺傳的概率很高，這種大致估測的精度損失可以忽略不計。9個品系估測出的豬總數(shù)約為35萬頭。

為了評估估測的準(zhǔn)確性，我們使用了來自4個大小不同的群體在高覆蓋率（15倍或30倍）下測序的284個個體。被檢測個體的序列數(shù)據(jù)用留一法設(shè)計（leave-one-out design）可以完全掩蓋。將估測的等位基因劑量與獲得完整數(shù)據(jù)的等位基因劑量進(jìn)行比較，認(rèn)為是“真”值。

1.4 基因組的預(yù)測

我們在一個擁有3萬個個體的品系中檢測了基因組預(yù)測的準(zhǔn)確性，這些個體的估測基因型為1 600萬個SNPs。正如在AlphaBayes軟件中預(yù)測的那樣，使用嶺回歸（ ridge regression）模型預(yù)測基因組。

利用該模式測試了22 318個個體，驗證了1 458個個體。對9個具有不同遺傳力和數(shù)量性狀核苷酸（Quantitative Trait Nucleotides，QTN）的合成性狀進(jìn)行基因組預(yù)測。

使用4組標(biāo)記進(jìn)行基因組預(yù)測：從陣列中預(yù)選5.7萬個標(biāo)記（HD），從基于LD修剪的序列數(shù)據(jù)中預(yù)選24.8萬個變體[全基因組測序（Whole Genome Sequencing，WGS）_LD，WGS_LD]，從基于單標(biāo)記回歸結(jié)果[（WGS_基于總數(shù)據(jù)的孟德爾隨機(jī)化（Summary data-based Mendelian Randomization，SMR），WGS_SMR]的序列數(shù)據(jù)中預(yù)選18.3萬個變體，或通過僅每保留第200個變體（WGS_200）從該序列數(shù)據(jù)中預(yù)選6.7萬個變體。基因組估計育種值（Genomic Estimated Breeding Value，gEBV）的準(zhǔn)確性是根據(jù)該驗證數(shù)據(jù)集中g(shù)EBV與合成表型之間的相關(guān)性來估計的。

2? 結(jié)果和討論

2.1 估測的準(zhǔn)確性

對大多數(shù)受試個體而言，真實數(shù)據(jù)的估測精度較高（圖1）。平均個體劑量相關(guān)性為0.94，中位數(shù)為0.97，四分位數(shù)范圍為0.94～0.98。一些屬于該純種系譜最早幾個世代的最古老的個體（位于系譜的前20%）具有很低的估測精度，因為它們無法提供其直系祖先的信息，或能夠提供的信息極少，這影響了估測精度。

較晚幾個世代的個體（位于系譜中前20%的后面）有更高的估測精度，平均劑量相關(guān)性為0.97，變異性更低：中位數(shù)為0.98，四分位數(shù)間距為0.96～0.99。

個體的標(biāo)記陣列密度與用標(biāo)記陣列基因分型獲得的直系祖先的數(shù)量相矛盾，但對稍后幾個世代的個體而言，標(biāo)記陣列密度的HD和LD之間無顯著差異，種群大小對估測精度的影響無明顯的傾向性。

2.2 基因預(yù)測

在某些情況下，與標(biāo)記陣列相比，序列數(shù)據(jù)能夠提供更好的預(yù)測精度，但其優(yōu)勢取決于該性狀的遺傳結(jié)構(gòu)。

表1列出了9個合成性狀的基因組預(yù)測精度。當(dāng)QTN的數(shù)量較小時，可以識別能支撐該性狀的遺傳變異的變體（variants）具有足夠的統(tǒng)計功效（statistical power），使用這些變體（WGS_SMR）進(jìn)行預(yù)測的準(zhǔn)確性高于用來自商業(yè)標(biāo)記陣列（HD）的標(biāo)記進(jìn)行預(yù)測的。這與之前的觀察結(jié)果一致，添加一個或幾個具有較大作用的標(biāo)記作為預(yù)測因子可以提高該標(biāo)記序列的預(yù)測精度。

當(dāng)QTN的數(shù)量較大時，WGS_SMR的性能比HD的差。在這種情況下，從序列數(shù)據(jù)中選擇的其他變異集可能（略微）比商業(yè)標(biāo)記序列更有利，因為它們不會像商業(yè)標(biāo)記序列那樣受到確定偏倚（ascertainment bias）的影響。

這些結(jié)果部分是由于目前使用商業(yè)標(biāo)記陣列進(jìn)行基因組選擇已經(jīng)獲得了很高的預(yù)測準(zhǔn)確性，且與其他研究結(jié)果一致。后者發(fā)現(xiàn)，與HD標(biāo)記陣列相比，序列數(shù)據(jù)在基因組預(yù)測上沒有改善或只有微小的變化。有待確定的是，結(jié)果是否會因以下原因而得到改善：來自多個品種的數(shù)據(jù)，使用多品種測試和更大的測試集，或比嶺回歸更適合于大規(guī)模開發(fā)序列數(shù)據(jù)的基因組預(yù)測方法。

3? 結(jié)論

無論種群的規(guī)模多大，只要個體與具有標(biāo)記陣列或序列數(shù)據(jù)的親緣聯(lián)系在一起，同時該親緣有足夠多的信息，恰當(dāng)?shù)臏y序策略和“雜交剝離”的結(jié)合是在大群的純種系譜中生成全基因組序列數(shù)據(jù)的一種有效方法。

目前尚不清楚，這些帶有估測序列數(shù)據(jù)的大數(shù)據(jù)集是否能夠提高基因組預(yù)測的準(zhǔn)確性。

原題名：Sequence data for genomic prediction in livestock breeding（英文）

原作者：Roger Ros-Freixedes等（愛丁堡大學(xué)）