棘皮動物育種數據管理與分析平臺的開發及應用*

李 彬 王衛軍① 王揚帆 孫國華, 4 徐曉輝 馮艷微 李 贊 崔翠菊 楊建敏, 4①

棘皮動物育種數據管理與分析平臺的開發及應用*

李 彬1, 2王衛軍1, 2①王揚帆3孫國華1, 2, 4徐曉輝1, 2馮艷微1, 2李 贊1, 2崔翠菊1楊建敏1, 2, 4①

(1. 魯東大學農學院 山東煙臺 264025; 2. 煙臺海育海洋科技有限公司 山東煙臺 264004; 3. 中國海洋大學 山東青島 266003; 4. 山東華春漁業有限公司 山東東營 257200)

以刺參為代表的高價值棘皮動物在我國的養殖規模不斷擴大, 市場價值越來越高, 但有關棘皮動物育種數據管理與分析的系統并未開發。本平臺是以ASReml軟件為遺傳評估核心, 使用Mysql數據庫和java、R語言, 利用maven、myeclipse2017工具開發的一套基于B/S框架, 在Linux環境下運行的育種數據管理與分析系統。平臺包含6大功能模塊: 系統管理、種質信息、表型數據庫、表型數據分析、基因組數據庫和基因組數據分析等。能實現棘皮動物表型數據、系譜數據和基因組數據的管理、育種值分析、遺傳力估算、近交和親緣系數計算、遺傳進展計算和選種配種方案制定。運用該平臺對刺參育種模擬數據進行管理、分析與應用, 利用模擬表型數據和基因組數據對刺參的棘刺、體重進行了遺傳力分析和育種值計算, 并提出選種配種方案。該平臺的推廣和應用將提升棘皮動物育種效率, 對我國棘皮動物育種工作的發展具有重要的促進作用。

棘皮動物; 育種數據; 信息管理; 遺傳參數; 平臺開發

棘皮動物(Echinoderm)作為一類重要的海洋經濟動物, 在水產養殖中發揮著重要的作用。21世紀以來, 隨著刺參、海膽等高價值海產品的不斷開發利用, 以刺參為代表的高價值水產動物在我國的養殖規模不斷擴大, 市場價值越來越高, 推動了我國第五次海水養殖浪潮(李成林等, 2017)。在國家重點研發計劃“藍色糧倉科技創新專項”、山東省農業良種工程、山東省現代農業產業技術體系等項目中均設置了刺參育種的研發內容。經過多年的科研努力, 棘皮動物遺傳育種快速發展, 科研人員培育出了一系列棘皮動物新品種, 包括: 刺參新品種“水院1號”(大連海洋大學校科研處, 2010)、“崆峒島1號”(楊建敏等, 2015)、“東科1號”(楊紅生等, 2018)、“安源1號”(宋堅等, 2018)、“參優1號”(王印庚等, 2018)、“魯海1號”(李成林, 2019), 以及中間球海膽新品種“大金”(常亞青等, 2015)。

基于最佳線性無偏估計(best linear unbiased prediction, BLUP)的遺傳育種選擇方法具有遺傳評估準確度高的特點, 對于系譜復雜、數據量大的群體, 有更高的選擇效率。我國從1972年就開始用BLUP法對中國荷斯坦牛的育種值進行了估算(黃冬維等, 2008)。目前BLUP 技術被廣泛應用于豬(李曉強等, 2001)、絨山羊(孟瑞強等, 2012, 2014)、山雞(陸雪林等, 2015)、牛(劉麗元等, 2015)等禽畜物種的選擇育種研究。動物的遺傳育種是一個復雜且連續的系統工程——從基礎群體的構建、養殖數據測量, 到遺傳參數的評估, 再到親本的選擇, 然后制定選種配種方案等。近年來國內育種管理系統在各個物種的遺傳育種中得到了廣泛應用。徐東升等(2009)開發了一套陜北白絨山羊育種的輔助管理系統, 可以對選擇性狀的育種數據進行導入和導出。楊瑞飛等(2014)開發了對獺兔育種和生產進行系統高效管理的軟件。陸雪林等(2015)根據山雞生長和繁育特性, 設計開發了山雞育種分析管理軟件, 實現了育種信息的可追溯性, 實現了山雞生產性狀的數據育種值的高效計算。在水產動物的育種管理系統方面, 欒生等(2008)開發了一套在Windows環境下的水產動物育種分析與管理的系統, 并在魚、蝦等育種中得到應用; 李艷(2010)開發了貝類遺傳育種分析體系, 用于貝類的數據庫管理及遺傳評估; 陸維(2011)對貝類遺傳育種分析體系, 在育種工作中進行了應用; 蘇海林等(2016)開發了貝類全基因組遺傳育種評估與分析系統。

雖然國內已有針對貝類、蝦蟹類、魚類育種的水產動物育種分析與管理系統, 但水產經濟動物的生物學習性差別很大, 針對棘皮動物育種數據管理與分析研究的平臺系統尚未有報道。目前棘皮動物育種過程中, 大多數表型與基因組數據未進行系統化管理, 導致實際育種中育種數據管理系統和選種選配的計算脫節, 不能快速高效地查詢調取育種數據信息, 制約了育種效率的進一步提高。因此, 結合計算機語言, 開發一套適合棘皮動物的育種管理與分析系統是一種行之有效的方法。本平臺針對棘皮動物特有的生物學特點, 結合ASReml數據評估軟件(Gilmour, 1995), 主要以BLUP遺傳評估為核心, 建立了育種數據管理系統及遺傳評估為一體的棘皮動物育種管理綜合平臺, 實現了棘皮動物育種流程的規范化和管理的智能化。該平臺的建立將大大提高棘皮動物育種效率, 加快育種進程。

1 平臺開發環境與工具

本平臺是在Linux環境下使用Mysql數據庫(版本號: 5.1.30)和java、R語言, 利用maven、myeclipse 2017工具開發的一套基于B/S框架的育種數據管理與分析平臺; 平臺調用的是基于R語言的ASReml包, ASReml版本是4.1.0.151, 導入ASReml包后使用ASReml軟件的計算功能。

2 平臺功能

平臺采用模塊化設計, 主要有系統管理、種質信息、表型數據庫、表型數據分析、基因組數據庫和基因組數據分析6個功能模塊(圖1)。

圖1 棘皮動物育種數據管理與分析平臺各功能模塊

2.1 系統管理

本模塊主要功能是管理員對平臺系統以及普通用戶信息進行設置與維護; 主要包括: 用戶管理、角色管理、日志查詢、新聞資訊、機構管理、區域管理、系統字典維護、測定性狀維護。以系統字典和測定性狀維護為例, 進行功能描述。系統字典維護用來定義變量, 如: 棘皮動物的在場狀態、測定階段(幼體、成體)、存活狀態(存活、死亡)等。測定性狀維護是對所需測量的性狀進行自定義維護, 按照性狀類別分為三種: 連續性狀、分類性狀和閾性狀。連續性狀包括: 棘皮動物的體長、體重、棘刺總數、黏多糖含量、刺參皂苷含量等; 分類性狀包括: 性腺顏色、體色、棘刺列數等; 閾性狀主要是存活率。通過對其性狀名稱、英文名稱、數據類型等信息的新建、修改和刪除等, 形成相應數據報表用于數據庫的構建。

2.2 種質信息

該模塊用于維護設定基礎數據管理, 服務于其他模塊。主要是維護棘皮動物的類別、養殖、管理等基本信息, 是系統登記和后期查詢數據的基礎。該模塊包括: 物種管理、養殖方式、品系管理、家系管理、群體管理、品種管理等信息。以物種管理和測定家系管理為例, 進行功能描述。物種管理部分, 可以對棘皮動物物種進行新建、修改、刪除、導出等操作, 輸入物種名稱(無字符限制, 如“仿刺參”)、物種編碼(有字符限制, 為兩位大寫字母, 如“AJ”)、物種排序(數值型, 如“1”)、備注(如“棘皮類)”。家系管理包含: 所屬品系名稱、家系編碼、家系名稱、是否為核心群等信息。

2.3 表型數據庫

本模塊主要功能是數據的錄入、導入與查詢, 將錄入或導入的數據形成一個數據庫。表型數據庫包括: 系譜數據、家系選育數據、群體選育數據的上傳及查詢。其中, 系譜數據庫主要包括: 個體編碼、父本編碼、母本編碼、世代數及子代個體在世代中的位置; 系譜數據整理需先在系統中下載系譜檔案模板, 將系譜數據整理到模板中后再上傳至平臺。家系選育數據、群體選育數據的表型數據按照性狀類型分為連續性狀、分類性狀和閾性狀三種, 在平臺中進行模板下載, 將數據復制于模板中, 導入平臺。個體ID是聯系系譜數據和表型數據的紐帶, 個體ID在數據庫中至關重要, 其組成為15位數字和字母組成的代碼, 其編碼規則為:物種代碼兩位大寫字母, 如: AJ (刺參)+品種代碼(兩位數字, 如: 00)+個體出生場編號(四位字母與一位數字組成, 如: HYKJ1 (海育科技一廠)+選育代數(兩位數字, 如: 01)+個體出生的年份后兩位(兩位, 如: 13)+家系(三位數字, 如: 004)+個體編號(兩位數字, 如: 01)。系譜查詢功能按個體ID編碼進行查詢, 能夠分別向上追溯兩代, 向下查詢一代(圖2)。

圖2 系譜查詢

2.4 表型數據分析

本模塊主要功能是: 將采集的數據通過BLUP育種方法進行遺傳參數分析和育種值估算。

2.4.1 測定數據分布 通過設置測定時間、數據類別、性狀類型進行特定數據的查看和統計。對符合條件的數據進行基本統計, 可展示該組數據的, 樣本數、性狀最大值與最小值、性狀平均值、標準差、變異系數等; 并可對數據進行直方圖展示、散點圖展示、箱線圖展示、Q-Q圖展示, 用于直觀展示性狀分布情況。

2.4.2 模型定義 通過設置固定效應、隨機效應和因變量, 定義單性狀或者多性狀育種模型。根據數據分析需求, 構建相應的計算模型表達式, 舉例: 點擊左側“選擇變量”中的變量移動至已選擇變量(如“群體來源JPqtly x”移動至固定效應項、“個體編號R_ANIMALID x”移動至隨機效應項、“棘刺總數JPjczs x”移動至因變量因選), 定義單性狀動物模型(圖3)。

圖3 自定義遺傳參數分析模型

2.4.3 遺傳參數分析 本模塊調用ASReml遺傳評估軟件, 利用數據庫中的表型數據和系譜數據, 調用定義的模型進行相關性狀的育種值、遺傳力、遺傳相關計算以及結果查詢, 為配種計劃做準備。遺傳參數分析分為以下4個步驟: 準備數據→數據瀏覽→BLUP計算→結果查詢(圖4)。首先根據測定時間、測定機構、測定物種和分析模型進行數據的準備; 然后可查看滿足條件的數據信息, 包含: 個體編碼、父母本編碼、性別和棘刺總數的數值等, 選擇模型進行BLUP計算; 最后得出結果: 固定效應值、隨機方差組分、育種值、遺傳力和遺傳相關等。

圖4 遺傳參數分析步驟

2.4.4 近交系數 設定測定日期和家系, 利用系譜信息, 計算有親緣關系父母本產生的后代個體間的近交系數, 該參數用于分析從其雙親的共同祖先中得到相同基因的概率。

2.4.5 親緣系數 設定測定日期、家系、存留狀態、機構名稱、物種, 由于個體間共同祖先的不同, 根據其系譜信息, 計算兩個個體在血緣上的親緣系數。

2.4.6 指數定義 用于多性狀選擇時, 將不同類型數據的育種值根據重要程度賦予權重, 然后計算出綜合育種值, 最后根據綜合育種值進行選種, 提高多性狀育種的準確性。

設置指數育種值的所占權重時, 各性狀權重的絕對值之和為1。如: 某一選擇指數“DUOCI”設置為: 棘刺總數權重值為0.4, 體重權重值為0.6。其棘刺總數的估計育種值(Expected Breeding Value, EBV)為jczsEBV, 體重的估計育種值tzEBV。

2.4.7 遺傳進展 在遺傳評估的基礎上, 某個性狀不同選育世代出生的個體的平均EBV或綜合EBV的變化, 它反映了選育群體的遺傳進展。

2.4.8 選種配種方案 根據某性狀的個體育種值或綜合育種值或家系育種值排名, 選定候選親本, 并設定一定的親緣系數值, 通過平臺可制定相應的配種計劃(圖5)。

圖5 親本的選配種方案

2.5 基因組數據

2.5.1 基因組數據上傳 不論是重測序基因分型數據還是SNP基因芯片分型數據, 格式都是其各自固定的格式, 且質量控制不統一, 導致育種分析軟件無法進一步分析。本平臺采用基因組數據文件上傳的模式進行數據分析, 基因組數據上傳前, 需對數據進行質控, 利用PLINK軟件(Purcell, 2007), 對不同基因型文件格式轉化為國際常用的MAP文件和PED文件格式。本平臺可根據上傳日期進行文件的查詢、修改、刪除等操作(圖6)。

圖6 基因組數據上傳

2.5.2 對照文件的建立 基因組選擇育種需要首先建立參考群體, 需要既有表型數據, 又要有基因型數據, 因此需要建立一個對照文件把基因組數據和表型數據相關聯。對照文件的建立: 創建txt文檔, 由基因組數據PED文件第二列數據和系統個體編碼組成。

2.5.3 參考群體SNP標記效應值的估計 基因組選擇是在群基因組范圍內, 利用覆蓋全基因組的高密度SNP標記進行標記輔助選擇, 從而更加準確地評估個體間的遺傳差異(吳常信, 2021)。本平臺根據參考群體個體的表型數據, 以及使用SNP芯片或者重測序基因分型的SNP分型數據, 利用GBLUP (Genomic BLUP)、single step GBLUP (ssGBLUP)、Bayes等數學模型估計SNP標記的基因效應值。

2.6 候選群體全基因組選擇分析

本模塊根據測定候選個體的SNP基因型, 估計計算個體的GEBV, 并依據GEBV進行選種。主要包含: 模型定義、指數定義、近交系數、親緣系數計算等。基因組遺傳參數分析的數學模型有三種方法供選擇, GBLUP法(利用基因組標記信息計算親緣關系構建G矩陣)、ssGBLUP法(利用系譜信息和基因組標記信息構建H矩陣)和Bayes法(在參考群中估計標記效應, 然后結合預測群的基因型信息將標記效應累加)。

以GBLUP分析為例, 介紹基因組選擇育種: 點擊“數據準備”選擇測定日期、機構名稱、物種、芯片文件、模型, 點擊“開始準備”按鈕準備數據, 提示“創建成功”后, 點擊“數據瀏覽”, 即可顯示在數據準備工作中滿足條件的信息, 在選擇模型后, 點擊“GBLUP計算”, 提示“計算成功”后點擊GBLUP分析頁面的“結果查詢”后顯示: 基因GBLUP分析結果、分子遺傳力等遺傳參數。在“選種配種方案”子模塊中, 按10%～20%的比例選取育種值高的個體作為親本, 根據平臺計算出的子代親緣系數, 平臺將給出最優的配種方案。

3 育種平臺的應用

為測試平臺的表型數據分析模塊, 構建了一組模擬數據。本研究模擬了215個F4代刺參的個體的表型數據, 其棘刺總數和體重是由個體均值為44.50個和19.84 g的正態分布數據的隨機抽取得到的。采用個體模型, 運用單性狀分析法, 估算棘刺總數性狀與體重性狀的遺傳力和育種值。

個體模型如下:

y=+T+e, (3)

式中,y為第個家系的第個刺參個體的性狀觀測值,為棘刺總數與體重的均值,T為第個刺參個體棘刺總數與體重的個體加性遺傳效應,e為第個家系的第個刺參的隨機殘差; 綜合育種值設定為棘刺總數權重0.4與體重權重0.6。

表型數據分析過程中, 將群體來源作為固定效應, 家系內單個個體作為隨機效應, 棘刺總數和體重作為因變量。表型數據分析結果顯示: 棘刺總數遺傳力0.853±0.142, 體重遺傳力0.846±0.178; 并計算其綜合育種值, 選取BLUP綜合育種值排名前20的個體, 通過平臺計算親緣系數, 選取親緣系數小于0.3的個體進行選種, 得到選配方案(圖7)。

為測試平臺的基因組數據分析模塊, 構建了一組模擬數據。首先利用QU-GENE (Podlich, 1998)產生一個群體大小為200的初始群體做親本, 50 K (50 000)個SNP位點均勻分布46個染色體上, 群體的基因頻率均設定為0.5, 在50 K SNP中隨機抽取100個SNP設置為QTL, 并賦值100個QTL基因效應值且符合正態分布(100, 20) (均值是100, 標準差是20); 然后QuLine 配置1 000個雜交組合, 經過4個世代的選擇后, 得到215個選擇個體; 根據215個體QTL基因方差, 增加環境方差使得遺傳力為0.5。利用這215個刺參個體組成的群體來比較全基因組選擇方法的準確性。分別采用GBLUP、ssGBLUP法、Bayes模型進行基因組數據分析。

圖7 表型數據育種選配方案(部分)

GBLUP、ssGBLUP法模型:

=++, (4)

式中,為性狀向量;為固定效應;為隨機效應, 且服從均值為0,和分別為和的關聯矩陣;為殘差效應, 服從正態分布。

Bayes模型:

式中,為表型向量;為固定效應系數矩陣;為固定效應;Z為第個位點數字化基因型向量(如: 0, 1, 2);g為第個位點效應值;為模型擬合殘差, 服從正態分布。綜合育種值設定為棘刺總數權重0.4與體重權重0.6。

基因組數據分析過程中, 將群體來源作為固定效應, SNP基因效應作為隨機效應, 棘刺總數和體重作為因變量。分別運用GBLUP、ssGBLUP、Bayes三種數學模型算法進行基因組數據分析, 基因組數據分析結果: 棘刺總數遺傳力0.518±0.448、體重遺傳力0.736±0.421。計算各子代個體的綜合育種值, 選取綜合育種值排名前20的個體, 通過平臺計算親緣系數, 選取親緣系數小于0.3的個體進行選種, 得到選配方案(圖8)。運行結果顯示, 平臺能夠正確估算各種遺傳參數和育種值, 根據育種值得出選種配種方案。

圖8 基因組數據育種選配方案(部分)

4 討論

種子是農業科技的“芯片”, 水產種業是漁業的戰略性、基礎性核心產業, 是保障水產品安全有效供給、促進現代水產業健康可持續發展的根本。在養殖業遠遠大于捕撈業的背景下, 水產育種在保障水產品產量和質量方面發揮著越來越重要的作用。我國水產遺傳育種從傳統育種、雜交育種和細胞工程育種, 逐步向傳統育種與現代分子輔助育種技術、基因組選育技術相結合的方向發展(常亞青等, 2013)。不論是傳統育種還是基因組選擇育種, 均需要對遺傳參數進行評估, 來確定適宜的選育技術路線, 并通過遺傳分析軟件進行育種值估算, 進行親本的選擇。

ASReml軟件是擬合線性混合模型的數據分析軟件, 可利用靈活的混合線性模型和廣義線性模型來處理大規模的數據, 實現大數據高效、快速地分析。本平臺選用ASReml軟件作為內核進行遺傳參數分析,可對數量性狀、閾值性狀、分類性狀、SNP標記效應等多個性狀進行分析, 并可實現固定效應、隨機效應值的預測以及顯著性檢驗、遺傳參數的估計、全基因組選擇等。本平臺可以計算個體近交系數、親緣系數、遺傳力、遺傳相關、育種值等參數, 對于復雜模型和大數據的分析更具有優勢。雖然SAS (Statistical Analysis System)數據分析軟件是數據管理和統計分析的先鋒(林元震等, 2017), 但是SAS模塊(比如MIXED, GLIMMIX)在處理大規模遺傳數據時效率低,而且在擬合混合模型的復雜方差協方差結構不夠靈活。隨著數量遺傳學不斷地發展, 基于BLUP的選擇方法在動物育種中普遍應用(Nielsen, 2009)。依據BLUP值選擇, 使得選擇是最佳的、無偏的, 從而能夠有效提高選擇的效率, 而且對于多個場次、系譜復雜、數據量大的育種群體, 選擇效率更高。BLUP育種值是反映個體表現得好壞的指標, 育種值越高, 說明個體的表現越好。隨著全基因組選擇統計模型的不斷優化, 模型的穩定性不斷提高, 但是依然面臨計算準確性和計算效率的挑戰; 直接法(GBLUP和ssGBLUP)計算效率比間接法(BayesB等)高, 但是計算準確性略差; 間接法計算準確性較高, 由于計算量大, 無法做到高效指導育種實踐。因此, 有學者認為如何優化模型, 與機器學習方法有效結合進行模型優化, 在保證準確性的同時, 又能提高計算效率, 是未來全基因組選擇模型優化的方向(尹立林等, 2019)。

有研究表明, 為了獲得持續、穩定的遺傳進展, 需要嚴格控制繁育群體近交系數的升高、防止遺傳變異的快速丟失(Sonesson, 2012)。邵學芬等(2021)在短角牛繁殖中應用選配分群技術, 不僅將群體近交系數降到了較低的水平, 還杜絕了極端近交現象的發生。近交系數高容易導致近交衰退, 因此在本平臺開發過程中, 選擇EBV或GEBV高的個體作為親本, 同時將親緣系數作為配種的重要指標控制近交系數, 以實現遺傳育種的可持續性。本平臺系統與“水產動物育種分析與管理的系統”、“貝類遺傳育種分析評估系統”、“貝類全基因組遺傳育種評估與分析系統”相比, 首次在棘皮動物中進行育種數據和育種分析, 而且能同時實現表型數據、系譜數據和基因組數據的管理與分析。系統采用B/S架構, 軟件安裝在服務器端, 網絡管理人員只需要管理服務器(數據訪問層), 而用戶通過瀏覽器即可訪問平臺進行功能操作(表示層), 業務邏輯層用來鏈接表示層和數據訪問層, 實現用戶操作具體功能后端響應請求, 處理業務邏輯。這樣形成數據訪問層、業務邏輯層和表示層組成的三層結構, 大大減少客戶端電腦負荷, 減輕了系統維護、升級的支出成本。只要有網絡和瀏覽器, 可以隨時隨地進行數據上傳、育種分析、選種選配等育種業務的操作。本系統使用GBLUP、ssGBLUP和Bayes三種算法對基因組芯片文件進行分析, 可以較為高效、準確的計算育種值、遺傳力、遺傳相關等。

5 結論

本平臺通過將育種數據管理和分析系統與計算機語言相結合, 以ASReml軟件為遺傳評估核心, 將育種流程科學化、簡單化、快速化, 大大提高了育種效率。平臺數據庫的建立可以及時對數據進行平臺上傳, 實現數據的可追溯性, 并可對數據進行智能化管理和條件篩選。通過平臺管理與數據分析結合, 最大程度實現數據的自動化分析, 而且本平臺功能模塊按照需求定制, 靈活性與適應性強, 有效解決數據管理與數據分析的難題。該平臺的推廣和應用將提升棘皮動物育種效率, 將對我國棘皮動物育種工作的發展具有大的促進作用。

大連海洋大學校科研處, 2010. 大連海洋大學《“水院1號”刺參新品種》項目被評為第八屆中國·海峽項目成果交易會優秀參展項目二等獎[J]. 中國漁業經濟, 28(4): 177.

王印庚, 廖梅杰, 李彬, 等, 2018. 刺參“參優1號”[J]. 海洋與漁業(9): 70-71.

尹立林, 馬云龍, 項韜, 等, 2019. 全基因組選擇模型研究進展及展望[J]. 畜牧獸醫學報, 50(2): 233-242.

劉麗元, 周靖航, 葉東東, 等, 2015. 運用動物模型BLUP法估計荷斯坦牛育種值及制定總性能指數[J]. 新疆農業科學, 52(4): 747-753.

李成林, 2019. 刺參“魯海1號”長速快成活率高[J]. 海洋與漁業(10): 56-57.

楊紅生, 劉石林, 張思聰, 等, 2018. 刺參“東科1號”[J]. 海洋與漁業(9): 68-69.

李成林, 胡煒, 2017. 我國刺參產業發展狀況、趨勢與對策建議[J]. 中國海洋經濟(1): 3-20.

宋堅, 王增東, 2018. 刺參“安源1號”[J]. 海洋與漁業(9): 66-67.

邵學芬, 董正勖, 向必勇, 等, 2021. 短角牛選配分群技術及其應用效果[J]. 云南畜牧獸醫(5): 19-22.

楊建敏, 宋志樂, 王衛軍, 等, 2015. 刺參“崆峒島1號”[J]. 中國水產(12): 55-57.

李艷, 2010. 貝類遺傳評估體系的建立研究[D]. 青島: 中國海洋大學: 9-11.

蘇海林, 王揚帆, 胡曉麗, 等, 2016. 貝類全基因組遺傳育種評估與分析系統的開發[J]. 中國海洋大學學報, 46(10): 65-72.

李曉強, 張元, 高騰云, 2001. 種豬遺傳育種分析系統的設計[J]. 河南農業大學學報, 35(1): 18-21.

陸雪林, 周洪鈞, 高楊, 等, 2015. 基于BLUP計算的山雞育種分析管理軟件開發[J]. 特產研究, 37(4): 5-10.

陸維, 2011. 貝類遺傳育種分析評估系統的應用研究[D]. 青島: 中國海洋大學: 3-4.

吳常信, 2021. 動物比較育種學[M]. 北京: 中國農業大學出版社: 105.

楊瑞飛, 張凱, 汪平, 等, 2014. 獺兔育種與生產信息管理系統的研發[J]. 四川農業大學學報, 32(1): 82-86.

林元震, 張衛華,郭海, 2017. R與ASReml-R統計學[M]. 北京: 中國林業出版社: 1-2.

孟瑞強, 張燕軍, 王瑞軍, 等, 2012. 絨山羊育種信息管理系統的設計與實現[J]. 中國草食動物科學(S1): 132-134.

孟瑞強, 劉慧, 高關嶺, 等, 2014. 絨山羊育種信息管理系統的開發與應用[J]. 中國畜牧雜志, 50(10): 31-35.

欒生, 孔杰, 王清印, 等, 2008. 水產動物育種分析與管理系統的開發和應用[J]. 海洋水產研究, 29(3): 92-100.

徐東升, 屈雷, 2009. 基于Web的陜北白絨山羊輔助育種管理系統的設計與實現[J]. 家畜生態學報, 30(4): 57-60.

黃冬維, 張元躍, 譚偉明, 2008. BLUP法在畜禽育種中的應用[J]. 中國畜禽種業, 4(8): 66-68.

常亞青, 田燚, 張偉杰, 2013. 我國海洋水產生物遺傳育種技術進展[J]. 中國農業科技導報(6): 8-15.

常亞青, 張偉杰, 冷曉飛, 等, 2015. 中間球海膽“大金”[J]. 中國水產(12): 58-59.

GILMOUR A R, THOMPSON R, CULLIS B R, 1995. Average information REML: an efficient algorithm for variance parameter estimation in linear mixed models [J]. Biometrics, 51(4): 1440-1450.

NIELSEN H M, SONESSON A K, YAZDI H,, 2009. Comparison of accuracy of genome-wide and BLUP breeding value estimates in sib based aquaculture breeding schemes [J]. Aquaculture, 289(3/4): 259-264.

PODLICH D W, COOPER M, 1998. QU-GENE: a simulation platform for quantitative analysis of genetic models [J]. Bioinformatics, 14(7): 632-653.

PURCELL S, NEALE B, TODD-BROWN K,, 2007. PLINK: a tool set for whole-genome association and population-based linkage analyses [J]. The American Journal of Human Genetics, 81(3): 559-575.

SONESSON A K, WOOLLIAMS J A, MEUWISSEN T H E,, 2012. Genomic selection requires genomic control of inbreeding [J]. Genetics Selection Evolution, 44(1): 27.

DEVELOPMENT AND APPLICATION OF DATA MANAGEMENT AND ANALYSIS PLATFORM FOR ECHINODERM BREEDING

LI Bin1, 2, WANG Wei-Jun1, 2, WANG Yang-Fan3, SUN Guo-Hua1, 2, 4, XU Xiao-Hui1, 2, FENG Yan-Wei1, 2, LI Zan1, 2, CUI Cui-Ju1, YANG Jian-Min1, 2, 4

(1. School of Agriculture, Ludong University, Yantai 264025, China; 2. Yantai Haiyu Marine Science and Technology Co., Ltd., Yantai 264004, China; 3. Ocean University of China, Qingdao 266003, China; 4. Shandong Huachun Fisheries Co., Ltd., Dongying 257200, China)

Echinoderms, represented especially by sea cucumbers as high-value aquatic animals, of which the farming area and profuction has been increasing in scale in China. However, the system for data management and analysis of echinoderms breeding remains blank. ASReml software was used to evaluate genetic parameters. MySQL database and java, R language were used under Linux environment, and the maven and myeclipse2017 tools were used to develop a set of breeding data management and analysis system in Browser/Server framework. The platform contains 6 main functional modules: system management, germplasm information, phenotype database, phenotype data analysis, genomic data, and genomic data analysis. With the platform, we could manage echinoderms phenotype data, pedigree data, and genome data; analyze breeding values; calculate heritability, inbreeding and kinship coefficients; and recommend schedule of genetic breeding mating. The platform was tested with simulated data of sea cucumber, on which heritability was analyzed, and expected breeding value (EBV) and genomic expected breeding value (GEBV) were calculated with simulated phenotype and genome data. Mating schedules were made based on total EBVs and kinship coefficients. The application of the platform will improve the technical level of echinoderms breeding and promote the development of echinoderms breeding in China.

echinoderm; breeding data; information management; genetic parameters; platform development

Q789

10.11693/hyhz20211200323

* 國家重點研發計劃, 2018YFD0901601號, 2018YFD0901602號; 山東省泰山產業領軍人才, TSCY20190114號; 山東省現代農業產業技術體系刺參創新團隊, SDAIT-22-02號。李 彬, 碩士研究生, E-mail: ytlb1222@163.com

王衛軍, 碩士生導師, 副教授, E-mail: wwj2530616@163.com; 楊建敏, 碩士生導師, 教授, E-mail: ladderup@ 126.com

2021-12-11,

2021-12-30