基因組選擇和選配技術在豬育種中的應用

摘 要：選種和選配是豬育種工作的核心內容，科學合理的選種選配是加快遺傳改良的重要手段。隨著生物育種技術的快速發展，基因組選擇（genomic selection，GS）和基因組選配（genomic mating，GM）技術在豬遺傳改良中發揮了巨大作用。GS是利用覆蓋全基因組的分子標記對育種目標個體進行遺傳潛能評估和預測的方法，其通過構建模型預測個體基因組育種值實現早期選種。GM則是通過優化交配組合產生更加優秀的后代實現優良性能的快速傳遞。本文綜述了全基因組選擇選配技術的發展、在豬育種中的應用研究進展及未來展望，旨在為基因組選擇選配技術在我國豬育種的應用提供參考。

關鍵詞：基因組預測；選配；分子育種；豬

中圖分類號：S828.2

文獻標志碼：A

文章編號：0366-6964（2024）07-2795-14

收稿日期：2024-01-12

基金項目：國家重點研發計劃（2021YFD13011201）; 國家自然科學基金青年基金（31902138）；河南省高等學校重點科研項目（23A230012）

作者簡介：竇騰飛（2000-），男，河南南陽人，碩士生，主要從事豬遺傳育種與繁殖研究，E-mail：tengfeidou@stu.henau.edu.cn

*通信作者：李秀領，主要從事豬遺傳育種與繁殖研究，E-mail：xiulingli@henau.edu.cn

Application Progress of Genomic Selection and Mating Allocation Techniques in

Pig Breeding

DOUTengfei，WUJiahao，WUZiyi，BAILiyao，LIXinjian，HANXuelei，QIAORuimin，

WANGKejun，YANGFeng，WANGYining，LIXiuling^*

（College of Animal Science and Technology，Henan Agricultural University，

Zhengzhou450046，China）

Abstract：Selection and mating are the core contents of pig breeding work，and scientific and rational selection and mating are important means to accelerate genetic improvement.With the rapid development of biological breeding technology，genomic selection（GS）and genomic mating（GM）techniques have played significant roles in the genetic improvement of pigs.GS is amethod that uses molecular markers covering the entire genome to evaluate and predict the genetic potential of breeding target individuals，which achieves early selection by constructing models to predict individual genomic breeding values.GM，on the other hand，is about optimizing mating combinations to produce superior offspring for the rapid transmission of excellent traits.This article reviews the development，application progress and future prospects of GS and GM techniques in pig breeding，aiming to provide areference in pig breeding in China.

Key words：genomic prediction; genomic mating; molecular breeding; pig

*Corresponding author：LI Xiuling，E-mail：xiulingli@henau.edu.cn

養豬業是關乎國計民生的重要產業，良種則是保障生豬產業健康發展的重要基礎，是提升生豬產業核心競爭力的關鍵^[1]。種豬位于豬生產繁育體系的塔尖，其通過基因的結構性傳遞與級聯放大效應，進而影響生豬產業的整體效益，所以豬育種是生豬產業可持續發展的根本。

種豬選育經歷了表型選擇、選擇指數法、結合表型和系譜信息的最佳線性無偏估計（best linear unbiased prediction，BLUP）選擇法以及分子育種選育等幾個主要階段。分子育種技術主要包括分子標記輔助選擇、全基因組選擇育種技術、基因編輯以及轉基因技術等^[2]。當前基因組選擇育種是效率較高的育種技術，它利用覆蓋全基因組的高密度分子標記，通過構建模型預測個體的基因組估計育種值（genomic estimated breeding value，GEBV），對種豬遺傳性能進行準確評估，實現個體的早期選擇，加快遺傳進展，提高經濟效益^[3]。世界著名豬育種公司DanBred、PIC、TOPICS、Hypor、Genesus等均在2010年左右開始將基因組選擇應用于實際育種中，并取得了顯著成效^[4]。我國于2017年啟動了國家豬基因組選擇計劃^[5]，并在《全國生豬遺傳改良計劃（2021—2035）》中將全基因組選擇技術列為補齊我國生豬種業發展短板的關鍵技術^[6]。

基因組選擇技術重在選種，可較準確地選出性能優良的個體，但其未考慮優良個體的選配問題。在實際生產中，更多利用同質選配或異質選配方法進行遺傳改良。近年來，一些研究者利用系譜關系提出了實施優化選配的方法^[7]。但系譜資料只能提供其雜交后代的期望值或概率平均值，而不能估計親本實際交配產生的孟德爾抽樣誤差^[8-10]。隨著基因組分子標記的廣泛應用，基因組選配技術應運而生，它可以利用基因組信息追蹤染色體片段的遺傳，從而提高對親本孟德爾抽樣估計的準確性及其與親本遺傳貢獻的關系^[11-12]。基因組選配以期在動物選育中控制近交系數增長時獲得最大化遺傳進展或找到兩者間的平衡點，同時增加或維持遺傳多樣性，達到高效育種的目標。因此，基因組選配技術預測了選配組合后代的遺傳進展，完善了全基因組選育流程，進一步加快了育種效率^[13-14]。

雖然基因組選擇和基因組選配技術在豬育種中有良好的應用，但仍面臨諸多方面的問題，如基因分型芯片成本高、預測準確性低等。此外，基因組選擇雖然能在短期內提高遺傳進展，但在多世代選擇后會導致近交水平上升，遺傳方差迅速降低，直至產生近交衰退^[15]。另外，如何有效的將基因組選配技術應用于遺傳改良仍然是一個需要繼續探討的問題。因此，本文主要從基因組選擇選配技術在豬育種中應用的原理方法、研究進展及未來發展方向等方面進行綜述，以期為我國在豬育種行業中廣泛應用基因組選擇選配技術提供參考。

1 全基因組選擇發展現狀

Meuwissen等^[16]在2001年開創性地提出全基因組選擇方法，該方法假定覆蓋全基因組的標記與控制性狀的基因處于連鎖狀態，因此可以利用標記效應來解釋遺傳方差。相比于標記輔助選擇，基因組選擇覆蓋了全基因組的分子標記，能夠更好的解釋表型變異，突破了標記輔助選擇的技術壁壘；與BLUP方法相比，克服了基于系譜模型下子代全同胞育種值相同的問題，有效降低了因為孟德爾隨機抽樣現象引起的誤差。

與傳統育種方法相比，基因組選擇具有明顯的優勢：1）利用覆蓋全基因組的分子標記，契合了復雜經濟性狀由多基因控制的特點，獲得較高的選擇準確性^[17-18]；2）對低遺傳力性狀（產仔性狀）、難以測定性狀（肉質性狀、屠宰性狀、飼料轉化率等）及特定性狀（公豬精液活力、抗病能力等）的準確性預測更為準確^[19-20]；3）不依賴個體表型實現早期選擇，基因分型技術可早期對仔豬的基因數據進行分析，準確估計育種值，加快遺傳進展，降低育種成本^[21-22]。

1.1 全基因組選擇方法

統計模型是基因組選擇的核心，對基因組選擇的準確性和效率有很大影響。根據模型算法的不同，基因組選擇方法可以分為直接法、間接法和機器學習方法^[23-24]。

1.1.1 直接法

直接法是將參考群體和候選群體的遺傳標記進行親緣關系矩陣構建，估計方差組分進而求解候選個體的基因組估計育種值。其預測模型為：

y=Xb+Zu+e（1）

其中，y為表型觀測值，b為固定效應，u為加性遺傳效應，u～N（0，Gσ²_a），G為基因組關系矩陣。X和Z分別為b和u的相關矩陣。該方法為基因組BLUP（genomic BLUP，GBLUP）。G矩陣的構建方法有很多，目前常用的是VanRaden^[25]提出的方法，計算公式如下：

G_A=MM′2∑p_i（1-p_i）（2）

其中，M為m×n的遺傳標記矩陣（1和-1表示兩種純合子模型，0表示雜合子基因型），m為遺傳標記數量（SNP個數），n為個體數量，p_i為第i個標記的最小等位基因頻率。通過限制性最大似然法（restricted maximum likelihood，REML）估計方差組分，然后進行育種值的計算。

GBLUP利用個體的基因組信息進行矩陣構建，這就使得那些未進行基因分型的個體無法被預測。在實際應用過程中，僅部分個體參與基因型測定，為了充分運用表型信息，Legarra等^[26]和Aguilar等^[27]提出了新的矩陣構建策略，將基于系譜的親緣關系矩陣和基于基因組信息的關系矩陣相結合，獲得新的矩陣H。這種方法稱為一步法GBLUP（single-step GBLUP，ssGBLUP），H的逆矩陣（H^-1）的計算方法是^[26]：

H^-1=A^-1+00

0G^-1-A^-1₂₂（3）

其中，A是基于所有動物系譜的親緣關系矩陣，A₂₂是基因分型個體的分子關系矩陣的子集，G是基因組關系矩陣。ssGBLUP既可以估計有基因型個體的育種值，又可以估計沒有基因型個體的育種值，并且還利用了個體的系譜信息，理論上來說ssGBLUP比GBLUP具有更高的準確性^[28]。

1.1.2 間接法

間接法是先在參考群體中估計標記的效應值，再結合候選群體的基因型信息將標記效應累加，最后求得候選群體的基因組估計育種值。模型為：

y=Xb+∑mi=1Z_ig_i+e（4）

其中，y為表型觀測值，b是固定效應，X為b的相關矩陣，m為SNP的數量，g_i為第i個標記的效應值，Z_i是第i個位點的基因型向量，e為殘差效應向量。對標記效應值g_i及其方差σ²_gi分布進行合理假設又將間接法分為不同的類型。

rrBLUP（ride regression BLUP，rrBLUP）模型認為σ²_gi相等，且基于GBLUP模型發展而來^[29]。假設理論的不同，分為了各種貝葉斯方法（BayesA、BayesB、BayesC、BayesCπ、BayesDπ、BayesLASSO、BayesR等^[16，30-33]），各種貝葉斯方法的標記效應及其方差分布如表1所示。

1.1.3 機器學習方法

近年來的一些研究表明機器學習方法在基因組選擇預測準確性方面有著一定的優勢。機器學習方法與傳統方法的主要區別在于，它們是非參數模型，為適應數據和輸出之間的復雜關聯提供了巨大的靈活性^[34]。機器學習中最廣泛使用的3種學習方式分別是：監督學習（supervised learning）、無監督學習（unsupervised learning）和強化學習（reinforcement learning）^[35]。機器學習方法在基因組選擇研究中異常出色，常見的方法如核嶺回歸（kernel ridge regression，KRR）、決策樹（decision trees，DT）、Boosting集成算法、隨機森林（random forests，RF）、支持向量回歸（support vector regression，SVR）和卷積神經網絡（convolutional neural network，CNN）等，部分用于基因組預測的機器學習方法的模型如下：

KRR是一種非線性回歸方法，可利用技巧來定義高維的特征空間，然后在特征空間中間構建嶺回歸模型^[36]，其預測模型可以表示為：

f（x）=k′K+λI^-1y（5）

其中，K為矩陣K_ij=?（x_i）.?（x_j），k是一個向量，i是樣本個數，I為單位矩陣，λ為嶺回歸參數。

SVR是支持向量機（support vector machine，SVM）的拓展^[37]，應用于回歸問題，可通過構建非線性模型處理問題，其模型可以表示為：

f（x）=∑mi=1a_i-a_ik（x，x_i）+b（6）

其中，k（x，x_i）是核函數，核函數的引入使SVR方法不僅可以減少計算量，也可以減少內存使用量。常見的核函數有線性核（linear kernel）、多項式核（polynomial kernel）、高斯RBF核（gaussian RBF kernel）和S型核（sigmoid kernel）。

RF是一種高度靈活的機器學習算法，將Bagging（bootstrap aggregating）算法和決策樹結合起來，在森林產生之后，該模型利用投票的方法組合預測結果^[38]，其回歸可以表示為：

y=1mM∑Mm=1t_m（ψ_m（y：X））（7）

其中，y是RF回歸預測值，預測變量t_m（ψ_m（y：X））是決策樹，M是包含決策樹的數量。

Adaboost.RT算法是Boosting集成算法中常用于回歸問題處理的機器學習算法^[39]，其回歸模型可以寫作：

y=∑^M_t=1log1ε_tf_t（x）∑^M_t=1log1ε_t（8）

y為最終預測的GEBV值，f_t（x）為第t個弱學習器的預測值；ε_t是f_t（x）的錯誤率。

1.2 全基因組選擇在豬中的應用

近年來，多種基因組選擇技術在豬育種上得到廣泛應用，且提高了豬生長、繁殖、肉質等重要經濟性狀的準確性，加快了遺傳進展（表2）。當前，我國基本建成了較完善的全國種豬遺傳評估系統，北京市、廣東省、河北省、安徽省等省市均建立了省級基因組遺傳評估平臺。平臺通過國家級或省級生豬核心育種場上傳數據，建立育種核心群參考群體，場間聯系穩步提升，初步實現了聯合育種，種豬群體質量得到顯著提升^[40-44]。

2 全基因組選配發展現狀

基因組選擇雖然有著諸多優點，但基因組選擇依據GEBV淘汰低于閾值的個體，選擇高于閾值的個體繁殖后代，屬于截斷式選擇^[61-63]。然而，一個群體中性能優秀的個體，其遺傳信息往往都來自群體中的一個或幾個共同的祖先，隨著選育強度的逐代增強，選留群體中大部分個體的遺傳信息也逐漸趨于一致，容易導致群體遺傳多樣性降低，群體近交水平的不斷提高。當設立育種目標時，應考慮長期可持續的遺傳收益并將群體中的近交水平和遺傳多樣性控制在一定水平，還應考慮避免一些稀有基因丟失和有害基因的純和^[64]。

2.1 全基因組選配方法

很早就有一些學者對選配方法進行過研究，1996年，Caballero等^[65]提出最小共祖選配（minimum-coancestry mating，MC）和最小化祖先間遺傳貢獻的協方差（minimizing the covariance Wang等SVR、KRR、RF、Adaboost.RT在大白豬繁殖性狀中，BayesHE方法較GBLUP方法預測準確性提高了3.8%～20.8%[56]An等KcRR、SVR在生豬測試數據集中，KcRR較GBLUP預測準確性平均提高4.82%[57]Wang等DNNGP在模擬數據中，DNNGP較GBLUP預測準確性提高61.5～164.2%[58]Yin等KAML在測試數據中，KAML計算效率，準確性更高[59]Piles等SVM、Gradient Boosting在豬剩余采食量性狀中，SVR較GBLUP相比，預測模型穩定性和準確性更好[60]RKHS.再生希爾伯特空間；SVR.支持向量回歸；KRR.核嶺回歸；RF.隨機森林；BRANN.貝葉斯神經網絡；Gradient Boosting.梯度提升法；KcRR.余弦核嶺回歸；KMAL.親緣校正多位點；MLP.多層感知機

RKHS.Reproducing kernel hilbert spaces；SVR.Support vector regression；KRR.Kernel ridge regression；RF.Random forests；BRANN.Bayesian regularized neural networks；KcRR.Cosine kernel-based KRR；KMAL.Kinship adjusted multi-loc；MLP.Multilayer perceptron；MLP.Multilayer perceptron

between ancestral genetic contributions，MCAC）兩種選配方法，這兩種方法只利用系譜信息，未利用基因型信息。1997年，Meuwissen^[66]提出了最佳遺傳貢獻選擇方法（optimal contribution selection，OCS），此方法利用系譜數據，在最大化遺傳價值的同時限制選擇個體之間的親緣關系，從而獲得長期可持續的遺傳進展^[67-68]。OCS方法可描述為：

Minimize（r）=12c′Ac（9）

約束條件c′b=ρ

c′1=1

其中，A為系譜構建的親緣關系矩陣，c為交配方案中個體對下一代的遺傳貢獻向量，b為候選個體EBV。

隨著覆蓋基因組的遺傳分子標記廣泛出現，Sonesson等^[12]在2012年提出基因組OCS（genomic OCS，GOCS）方法，利用親緣關系矩陣G陣替換基于系譜的親緣關系矩陣A陣，該方法使用基于基因組的遺傳標記信息從而提高了對孟德爾抽樣估計的準確性，但是GOCS不能直接控制與目標性狀相關的近交增量組分。GOCS方法可描述為：

Minimize（r）=12c′Gc（10）

約束條件c′g=ρ

c′1=1

其中，G為基因組信息構建的親緣關系矩陣，c為交配方案中個體對下一代的遺傳貢獻向量，g為候選個體GEBV。

隨著基因組選擇的提出，基因組信息的利用愈發重視，基因組選配的概念愈漸完善。基因組選配流程包括估計標記效應、預測預期子代價值、基因組交配三部分。

Akdemir等^[11]提出將GEBV、控制選配的風險指數及親本間的親緣關系綜合加權考慮，在一個三維有效面（efficient frontier surface，EFS）中確定選配出最佳的組合。函數二次優化后可描述為：

MinimizeInbreeding（P）=1′_Nc（PGP′+D）1_Nc（11）

約束條件RP，λ₁=ρ

其中，P為N_c×N的最小化交配矩陣，N為親本的數量，N_c為后代的數量，D為孟德爾抽樣離差，λ₁是控制等位基因雜合度的參數。

Toro和Varona^[69]在基因組選配的研究中指出子代預期總遺傳值（expected progeny value，EPV）為可表示為：

EPV_ij=∑mk=1[P_ijk（AA）a_k+P_ijk（Aa）d^_k+

P_ijk（aa）（-a_k）]（12）

其中，P_ijk（AA），P_ijk（Aa），P_ijk（aa）分別第i和第j個親代交配產生子代的第k個SNP基因型AA、Aa和aa的基因型頻率，a_k和d^_k分別為第k個SNP加性和顯性效應的估計值。

同樣交配方式下子代的育種值（u_ij）可表示為：

u_ij=∑mk=1[P_ijk（AA）（2-2p_k）a_k+P_ijk（Aa）（1-

2p_k）a_k+p_ijk（aa）（-2p_k）（a_k）]（13）

其中，p_k表示等位基因A在第k個基因座的基因頻率，q_k=1-p_k。其中，a_k為第k個SNP的基因替代效應，可根據a_k=a_k+d^_k（q_k-p_k）計算。

在實際育種過程中多利用雜交方式提高后代的各種性能，由于雜交優勢的存在，當基因組選配考慮顯性效應等非加性效應時，后代總遺傳值和總育種值會有所提高^[70]。

衡量基因組選配的優勢可以從遺傳優勢和育種值優勢兩方面來考慮，首先對基因組選配的方案進行線性規劃求解，線性規劃的求解子代總遺傳值（?_ij）的目標函數可描述為：

f_optim（?_ij）=∑ai=1∑bj=1?_ijx_ij（14）

其中，x_ij為公豬母豬配種的決策項，a和b分別公母豬的數量，計算選配策略下的最佳組合的總遺傳均值?或育種值均值?和所有組合的總遺傳均值?_all或育種值均值?_all，然后分別計算遺傳優勢（ΔG）和育種值優勢（ΔU），計算方法如下：

ΔG=?-?_all（15）

ΔU=?-?_all（16）

2.2 全基因組選配在豬中應用

基于遺傳貢獻選擇和基因組選配的理論，學者研發了Gencont+SPDA、EVA、TRGM、Gencont2和HiBLUP等多種軟件，Optisel、GenomingMating、lpsolve、AllocateMate、Trainsel和gmaR等多種R包用于選配研究^[71-74]。基因組選配策略是一種有效的可持續育種方法，在豬育種上開展十分有必要。表3列舉了部分基因組選配技術在豬育種中的應用研究。

3 全基因組選擇選配技術在豬育種領域應用前景分析

隨著各種基因分型技術^[82-83]、高密度測序數據填充低密度芯片數據技術^[84-86]、精準表型測定技術^[87]以及大數據新算法新模型的更新迭代，全基因組選擇選配技術的應用愈發廣泛和深入。

3.1 基因組選擇技術整合生物學先驗信息應用前景分析

大多數已建立的基因組選擇方法都是基于純粹的統計學考慮而忽視了現有的生物學知識，描述表型的統計模型與表型表達背后的生物過程的復雜性之間存在顯著差異。近年來，研究人員才開始致力于彌合數學模型和潛在生物機制之間的差距，以期提高基因組選擇準確性同時獲得額外遺傳進展，整合生物學先驗信息的全基因選擇方法由此而來^[88]。適當的整合生物學先驗信息的基因組選擇方法能夠提高日增重，眼肌深度，瘦肉率及繁殖性狀等性狀的預測準確性^[89-91]。生物學先驗信息包括基因組、表觀組、轉錄組、蛋白組、代謝組、微生物組及已知的基因注釋信息，正確處理組學數據以及專業的組學知識是充分利用組學數據用于動物改良的先決條件^[92-94]。Zhang等^[88]將Animal QTLdb中前人研究報道的QTL信息整合到基因組選擇模型中，在一定程度上提高基因組選擇準確性。Gao等^[95]將公共數據庫的基因注釋信息和KEGG（kyoto encyclopedia of genes and genomes）通路信息整合到基因組預測模型中，在小鼠、果蠅、水稻等數據集中驗證可以提高基因組預測的準確性。Déru等^[96]將微生物組數據整合在基因組選擇模型中研究其預測精度。Edward等^[97]將來自基因本體（gene ontology，GO）數據庫的基因集合分類加入基因組預測模型中并在果蠅數據集上驗證可以提高預測的準確性。Abdollahi-Arpanahi等^[98]研究了不同基因組區域對基因組選擇預測準確性的影響，較常規相比準確性有所提高。

此外，基因編輯技術也是加速遺傳進展的有效工具，可以確定重要性狀的偏好等位基因，應用基因編輯改善數量性狀核苷酸又需要更大的數據集^[99]。基因編輯技術與基因組選擇結合進行育種，對經過基因編輯的動物進行基因組選擇可以進一步提高選擇的準確性并加速遺傳進展。Jenko等^[100]對荷斯坦牛的研究表明，基因編輯和基因組選擇技術結合育種可以使遺傳增益率翻倍。Tu等^[101]指出基因編輯已應用于生豬育種中，實現豬抗病性的顯著提高。

3.2 基因組選擇選配技術在雜交育種中應用前景分析

雜交育種是豬育種的重要方法，可結合多品種雜交的優勢，基因組選擇選配技術在純繁育種中廣泛應用，在雜交育種中的應用基因組選擇選配技術是一個值得深入研究的問題。

雜交育種廣泛應用于培育新品種和生產商品豬的過程中，由于雜交優勢的存在，考慮非加性遺傳效應會產生更好的結果^[102]。Wu等^[103]在對豫農黑豬的基因組選擇研究中指出，考慮顯性效應時基因組預測準確度平均提高了5%。基因組選配未來將會是地方豬雜交育種的主要方法，是地方品種遺傳改良的可持續策略。Gonzlez-Diéguez等^[104]在長白豬群體中開展基因組選配的研究，在考慮非加性效應時，100 kg日齡降低0.79d，背膘厚度降低0.04mm，仔豬平均出生重提高11.3g。Aliloo等^[105]在研究中指出考慮非加性效應的交配方案優于僅使用加性效應的方案，在生產性狀上采用非加性效應模型使后代的近交幅度降低0.64%～1.57%。此外，在商品豬的育種過程中，由于純種核心群與商品豬的遺傳背景、所處環境、測定選育標準大不相同，研究指出，兩者的性狀遺傳相關性處于0.4～0.7的范圍內^[106]，以間接方式選育商品豬難以取得有效的成果。研究指出應當把商品豬群體加入純種豬的參考群中，充分考慮環境互作，遺傳背景等因素，提高商品豬繁育選擇的準確性。Liu等^[107]研究發現，商品豬參考群體規模足夠大時，選擇準確性高于以純種豬作為參考群，構建適宜商品豬群基因組選擇的參考群是能夠提高遺傳進展的重要發展方向。

4 展望

基因組選擇選配技術在豬育種上的應用越來越普遍，但是有諸多因素影響著基因組選擇選配技術的應用與普及。

隨著選擇群體的擴大、表型數據的豐富和標記數量的急劇增加，雖然帶來了更多信息，但同時也引入了許多冗余，這在一定程度上限制了基因估計育種值（GEBV）預測準確性的提升。標記數量的增加并未如預期那樣有效提高GBLUP/ssGBLUP的準確性，同時也讓Bayes方法的計算時間大幅增加。因此，預測模型的優化，包括最優化利用基因型信息，基因非加性效應的模型構建，以及基因與環境互作（G×E）效應模型建立等發展方向需要進一步的研究。此外，開發新的算法程序，優化矩陣運算程序進而提高計算效率也是需要攻克的難題；機器學習在基因組預測中能夠提供更加準確的預測結果，但是數據的偏差導致機器學習表現不穩定，過擬合和超參數的調試也是需要考慮的問題。參考機器學習的運算，開發新的運算方法，進一步整合多組學的先驗信息，提高預測準確性將會極大地推動育種工作的發展。

未來基因組選配將側重于構建包含多性狀的綜合選配指數模型來指導親本配對。通過對不同基因標記位點賦予適當的權重和考慮非加性效應影響可以顯著提升選配的準確性和效果。此外，開發高效算法以預測雜交后代的遺傳方差，作為改進方法加入選配過程可以提高運算效率和準確度。基因組選配將在加進遺傳進展的同時保持遺傳多樣性，最大化利用優良基因效應，從而提高養殖效益。

總而言之，生豬育種已經進入基因組育種時代，基因組選擇和選配技術已在生產中得到廣泛應用。制定針對生豬的精準選種配種策略，實現育種資源的整合與系統化便捷式操作，將顯著提高生產效率，推動我國生豬育種事業蓬勃發展。

參考文獻（References）：

[1]農業農村部關于印發新一輪全國畜禽遺傳改良計劃的通知（農種發[2021]2號）[J].中華人民共和國農業農村部公報，2021（6）：20-43.

Circular of the Ministry of Agriculture and Rural Affairs on printing and distributing the new national livestock and poultry genetic improvement plan[J].Gazette of the Ministry of Agriculture and Rural Affairs of the People’s Republic of China，2021（6）：20-43.（in Chinese）

[2]邢文凱，劉 建，劉 燊，等.豬基因組選擇育種研究進展[J].中國畜牧雜志，2021，57（7）：31-37.

XING WK，LIU J，LIU S，et al.Research progress on the genomic selection breeding in swine[J].Chinese Journal of Animal Science，2021，57（7）：31-37.（in Chinese）

[3]梅步俊，王志華.基于全基因組測序的畜禽基因組選擇方法[J].黑龍江畜牧獸醫，2015（17）：95-97.

MEI BJ，WANG ZH.Genomic selection methods in livestock and poultry based on the whole genome sequencing[J].Heilongjiang Animal Science and Veterinary Medicine，2015（17）：95-97.（in Chinese）

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

YIN LL，MA YL，XIANG T，et al.The progress and prospect of genomic selection models[J].Acta Veterinaria et Zootechnica Sinica，2019，50（2）：233-242.（in Chinese）

[5]周子文，付 璐，孟慶利，等.利用后裔測定驗證大白豬基因組選擇實施效果研究[J].畜牧獸醫學報，2020，51（10）：2367-2377.

ZHOU ZW，FU L，MENG QL，et al.Using progeny testing to evaluate the efficiency of genomic selection in large white pigs[J].Acta Veterinaria et Zootechnica Sinica，2020，51（10）：2367-2377.（in Chinese）

[6]張瑞鋒，黃 珍，謝水華，等.豬全基因組選擇技術發展現狀和應用前景[J].中國畜牧雜志，2023，59（10）：21-29.

ZHANG RF，HUANG Z，XIE SH，et al.The development status and application prospect of genomic selection for pigs[J].Chinese Journal of Animal Science，2023，59（10）：21-29.（in Chinese）

[7]PONG-WONG R，WOOLLIAMS JA.Optimisation of contribution of candidate parents to maximise genetic gain and restricting inbreeding using semidefinite programming（Open Access publication）[J].Genet Sel Evol，2007，39（1）：3.

[8]AVENDA?O S，WOOLLIAMS JA，VILLANUEVA B.Mendelian sampling terms as aselective advantage in optimum breeding schemes with restrictions on the rate of inbreeding[J].Genet Res，2004，83（1）：55-64.

[9]HENRYON M，BERG P，S?RENSEN AC.Animal-breeding schemes using genomic information need breeding plans designed to maximise long-term genetic gains[J].Livest Sci，2014，166：38-47.

[10]DAETWYLER HD，VILLANUEVA B，BIJMA P，et al.Inbreeding in genome-wide selection[J].J Anim Breed Genet，2007，124（6）：369-376.

[11]AKDEMIR D，SáNCHEZ JI.Efficient breeding by genomic mating[J].Front Genet，2016，7：210.

[12]SONESSON AK，WOOLLIAMS JA，MEUWISSEN TH.Genomic selection requires genomic control of inbreeding[J].Genet Sel Evol，2012，44（1）：27.

[13]高振東，何 俊.基因組選配：基因組時代的高效育種[J].黑龍江畜牧獸醫，2020（24）：61-64，175.

GAO ZD，HE J.Genome matching：Efficient breeding in the genome era[J].Heilongjiang Animal Science and Veterinary Medicine，2020（24）：61-64，175.（in Chinese）

[14]何 俊，LOPES FB，吳曉林.動物基因組選配方法與應用[J].遺傳，2019，41（6）：486-493.

HE J，LOPES FB，WU XL.Methods and applications of animal genomic mating[J].Hereditas，2019，41（6）：486-493.（in Chinese）

[15]JANNINK JL.Dynamics of long-term genomic selection[J].Genet Sel Evol，2010，42（1）：35.

[16]MEUWISSEN TH E，HAYES BJ，GODDARD ME.Prediction of total genetic value using genome-wide dense marker maps[J].Genetics，2001，157（4）：1819-1829.

[17]丁向東，王楚端，張 勤.基于液相芯片的豬基因組選擇實施新策略[J].中國畜牧雜志，2022，58（4）：65-69.

DING XD，WANG CD，ZHANG Q.New strategy for implementation of pig genome selection based on liquid phase chip[J].Chinese Journal of Animal Science，2022，58（4）：65-69.（in Chinese）

[18]孫東曉，張勝利，張 勤，等.我國奶牛基因組選擇技術應用進展[J].畜牧獸醫學報，2023，54（10）：4028-4039.

SUN DX，ZHANG SL，ZHANG Q，et al.Application progress on genomic selection technology for dairy cattle in China[J].Acta Veterinaria et Zootechnica Sinica，2023，54（10）：4028-4039.（in Chinese）

[19]GARCíA-RUIZ A，COLE JB，VANRADEN PM，et al.Changes in genetic selection differentials and generation intervals in US Holstein dairy cattle as aresult of genomic selection[J].Proc Natl Acad Sci US A，2016，113（28）：E3995-E4004.

[20]SAMORèA B，FONTANESI L.Genomic selection in pigs：state of the art and perspectives[J].Ital JAnim Sci，2016，15（2）：211-232.

[21]JIBRILA I，VANDENPLAS J，TEN NAPEL J，et al.Impact of genomic preselection on subsequent genetic evaluations with ssGBLUP using real data from pigs[J].Genet Sel Evol，2022，54（1）：48.

[22]葉 健，鄭恩琴，胡曉湘，等.基因組選擇技術及其在豬育種中的應用探討[J].中國畜牧雜志，2017，53（11）：5-10.

YE J，ZHENG EQ，HU XX，et al.The genomic selection and its application in pig breeding[J].Chinese Journal of Animal Science，2017，53（11）：5-10.（in Chinese）

[23]張 哲，張 勤，丁向東.畜禽基因組選擇研究進展[J].科學通報，2011，56（26）：2212-2222.

ZHANG Z，ZHANG Q，DING XD.Advances in genomic selection in domestic animals[J].Chinese Science Bulletin，2011，56（25）：2655-2663.

[24]SONG HL，DONG T，YAN XY，et al.Genomic selection and its research progress in aquaculture breeding[J].Rev Aquacult，2023，15（1）：274-291.

[25]VANRADEN PM.Efficient methods to compute genomic predictions[J].J Dairy Sci，2008，91（11）：4414-4423.

[26]LEGARRA A，AGUILAR I，MISZTAL I.A relationship matrix including full pedigree and genomic information[J].J Dairy Sci，2009，92（9）：4656-4663.

[27]AGUILAR I，MISZTAL I，JOHNSON DL，et al.Hot topic：a unified approach to utilize phenotypic，full pedigree，and genomic information for genetic evaluation of Holstein final score[J].J Dairy Sci，2010，93（2）：743-752.

[28]GAO HD，CHRISTENSEN OF，MADSEN P，et al.Comparison on genomic predictions using three GBLUP methods and two single-step blending methods in the Nordic Holstein population[J].Genet Sel Evol，2012，44（1）：8.

[29]HABIER D，TETENS J，SEEFRIED FR，et al.The impact of genetic relationship information on genomic breeding values in German Holstein cattle[J].Genet Sel Evol，2010，42（1）：5.

[30]HAYES BJ，BOWMAN PJ，CHAMBERLAIN AJ，et al.Invited review：Genomic selection in dairy cattle：progress and challenges[J].J Dairy Sci，2009，92（2）：433-443.

[31]MEUWISSEN TH.Accuracy of breeding values of‘unrelated’individuals predicted by dense SNP genotyping[J].Genet Sel Evol，2009，41（1）：35.

[32]MOSER G，LEE SH，HAYES BJ，et al.Simultaneous discovery，estimation and prediction analysis of complex traits using abayesian mixture model[J].PLoS Genet，2015，11（4）：e1004969.

[33]USAI MG，GODDARD ME，HAYES BJ.LASSO with cross-validation for genomic selection[J].Genet Res（Camb），2009，91（6）：427-436.

[34]李棉燕，王立賢，趙福平.機器學習在動物基因組選擇中的研究進展[J].中國農業科學，2023，56（18）：3682-3692.

LI MY，WANG LX，ZHAO FP.Research progress on machine learning for genomic selection in animals[J].Scientia Agricultura Sinica，2023，56（18）：3682-3692.（in Chinese）

[35]JORDAN MI，MITCHELL TM.Machine learning：Trends，perspectives，and prospects[J].Science，2015，349（6245）：255-260.

[36]DOUAK F，MELGANI F，BENOUDJIT N.Kernel ridge regression with active learning for wind speed prediction[J].Appl Energy，2013，103：328-340.

[37]AWAD M，KHANNA R.Support vector regression[M]//AWAD M，KHANNA R.Efficient Learning Machines：Theories，Concepts，and Applications for Engineers and System Designers.Berkeley，CA; Apress，2015：67-80.

[38]GONZáLEZ-RECIO O，ROSA GJ M，GIANOLA D.Machine learning methods and predictive ability metrics for genome-wide prediction of complex traits[J].Livest Sci，2014，166：217-231.

[39]SHRESTHA DL，SOLOMATINE DP.Experiments with AdaBoost.RT，an improved boosting scheme for regression[J].Neural Comput，2006，18（7）：1678-1710.

[40]高 寧，黃 珍，謝水華，等.集團化種豬企業基因組選育方案制定與基因組早期選擇[J].中國畜牧雜志，2022，58（8）：209-214.

GAO N，HUANG Z，XIE SH，et al.Formulation of genomic breeding plans and early genome selection for group pig breeding enterprises[J].Chinese Journal of Animal Science，2022，58（8）：209-214.（in Chinese）

[41]羅文學，段曉紅，張軍輝，等.河北開展豬基因組聯合育種初探[J].今日畜牧獸醫，2021，37（8）：68-69.

LUO WX，DUAN XH，ZHANG JH，et al.A preliminary study on pig genome joint breeding in Hebei[J].Today Animal Husbandry and Veterinary Medicine，2021，37（8）：68-69.（in Chinese）

[42]唐韶青，肖 煒，楊宇澤，等.北京市種豬基因組選擇育種平臺的構建與應用[J].中國畜牧雜志，2022，58（8）：79-82.

TANG SQ，XIAO W，YANG YZ，et al.Construction and application of Beijing pig genome selective breeding platform[J].Chinese Journal of Animal Science，2022，58（8）：79-82.（in Chinese）

[43]張金鑫，唐韶青，宋海亮，等.北京地區大白豬基因組聯合育種研究[J].中國農業科學，2019，52（12）：2161-2170.

ZHANG JX，TANG SQ，SONG HL，et al.Joint genomic selection of yorkshire in Beijing[J].Scientia Agricultura Sinica，2019，52（12）：2161-2170.（in Chinese）

[44]丁向東，邱小田，王志剛，等.全國生豬遺傳改良計劃（2009—2020）給我國生豬種業帶來的變化和未來工作建議[J].中國畜牧雜志，2020，56（6）：169-174.

DING XD，QIU XT，WANG ZG.Changes and future work suggestions brought by the National Pig Genetic Improvement Plan（2009-2020）to my country’s pig breeding industry[J].Chinese Journal of Animal Science，2020，56（6）：169-174.（in Chinese）

[45]LOPEZ BI，VITERBO V，SONG CW，et al.Estimation of genetic parameters and accuracy of genomic prediction for production traits in Duroc pigs[J].Czech JAnim Sci，2019，64（4）：160-165.

[46]SONG HL，ZHANG JX，ZHANG Q，et al.Using different single-step strategies to improve the efficiency of genomic prediction on body measurement traits in pig[J].Front Genet，2019，9：730.

[47]周 雋，林 清，邵寶全，等.豬群體一步法基因組選擇應用效果評估[J].中國農業科學，2022，55（15）：3042-3049.

ZHOU J，LIN Q，SHAO BQ，et al.Evaluating the application effect of single-step genomic selection in pig populations[J].Scientia Agricultura Sinica，2022，55（15）：3042-3049.（in Chinese）

[48]GAO HD，SU GS，JENSEN J，et al.Genetic parameters and genomic prediction for feed intake recorded at the group and individual level in different production systems for growing pigs[J].Genet Sel Evol，2021，53（1）：33.

[49]張錫飛，張 興，閆之春，等.大白、長白和杜洛克豬多品種多性狀一步法基因組選擇準確性分析[J].中國畜牧雜志，2023，59（8）：152-159.

ZAHNG XF，ZHANG X，YAN ZC，et al.Accuracy analysis of one-step genomic selection for multiple traits in multiple breeds of Large White，Long White and Duroc pigs[J].Chinese Journal of Animal Science，2023，59（8）：152-159.（in Chinese）

[50]KJETS ?M V，GJUVSLAND AB，NORDB??，et al.Accuracy of genomic prediction of maternal traits in pigs using Bayesian variable selection methods[J].J Anim Breed Genet，2022，139（6）：654-665.

[51]LEE J，LEE S，PARK JE，et al.Genome-wide association study and genomic predictions for exterior traits in Yorkshire pigs[J].J Anim Sci，2019，97（7）：2793-2802.

[52]DO DN，JANSS LL G，JENSEN J，et al.SNP annotation-based whole genomic prediction and selection：an application to feed efficiency and its component traits in pigs[J].J Anim Sci，2015，93（5）：2056-2063.

[53]彭 瀟，尹立林，梅全順，等.豬主要經濟性狀的基因組選擇研究[J].畜牧獸醫學報，2019，50（2）：439-445.

PENG X，YIN LL，MEI QS，et al.A Study of genome selection based on the porcine major economic traits[J].Acta Veterinaria et Zootechnica Sinica，2019，50（2）：439-445.（in Chinese）

[54]BUDHLAKOTI N，KUSHWAHA AK，RAI A，et al.Genomic selection：a tool for accelerating the efficiency of molecular breeding for development of climate-resilient crops[J].Front Genet，2022，13：832153.

[55]ALVES AA C，ESPIGOLAN R，BRESOLIN T，et al.Genome-enabled prediction of reproductive traits in Nellore cattle using parametric models and machine learning methods[J].Anim Genet，2021，52（1）：32-46.

[56]WANG X，SHI SL，WANG GJ，et al.Using machine learning to improve the accuracy of genomic prediction of reproduction traits in pigs[J].J Anim Sci Biotechnol，2022，13（1）：60.

[57]AN BX，LIANG M，CHANG TP，et al.KCRR：a nonlinear machine learning with amodified genomic similarity matrix improved the genomic prediction efficiency[J].Brief Bioinform，2021，22（6）：bbab132.

[58]WANG KL，ABID MA，RASHEED A，et al.DNNGP，a deep neural network-based method for genomic prediction using multi-omics data in plants[J].Mol Plant，2023，16（1）：279-293.

[59]YIN LL，ZHANG HH，ZHOU X，et al.KAML：improving genomic prediction accuracy of complex traits using machine learning determined parameters[J].Genome Biol，2020，21（1）：146.

[60]PILES M，BERGSMA R，GIANOLA D，et al.Feature selection stability and accuracy of prediction models for genomic prediction of residual feed intake in pigs using machine learning[J].Front Genet，2021，12：611506.

[61]MEUWISSEN T，HAYES B，GODDARD M.Accelerating improvement of livestock with genomic selection[J].Annu Rev Anim Biosci，2013，1（1）：221-237.

[62]DE LOS CAMPOS G，HICKEY JM，PONG-WONG R，et al.Whole-genome regression and prediction methods applied to plant and animal breeding[J].Genetics，2013，193（2）：327-345.

[63]LOURENCO DA L，TSURUTA S，FRAGOMENI BO，et al.Genetic evaluation using single-step genomic best linear unbiased predictor in American Angus[J].J Anim Sci，2015，93（6）：2653-2662.

[64]AKDEMIR D，BEAVIS W，FRITSCHE-NETO R，et al.Multi-objective optimized genomic breeding strategies for sustainable food improvement[J].Heredity（Edinb），2019，122（5）：672-683.

[65]CABALLERO A，SANTIAGO E，TORO MA.Systems of mating to reduce inbreeding in selected populations[J].Anim Sci，1996，62（3）：431-442.

[66]MEUWISSEN TH.Maximizing the response of selection with apredefined rate of inbreeding[J].J Anim Sci，1997，75（4）：934-940.

[67]SUN C，VANRADEN PM，O’CONNELL JR，et al.Mating programs including genomic relationships and dominance effects[J].J Dairy Sci，2013，96（12）：8014-8023.

[68]WOOLLIAMS JA，BERG P，DAGNACHEW BS，et al.Genetic contributions and their optimization[J].J Anim Breed Genet，2015，132（2）：89-99.

[69]TORO MA，VARONA L.A note on mate allocation for dominance handling in genomic selection[J].Genet Sel Evol，2010，42（1）：33.

[70]XIANG T，CHRISTENSEN OF，VITEZICA ZG，et al.Genomic evaluation by including dominance effects and inbreeding depression for purebred and crossbred performance with an application in pigs[J].Genet Sel Evol，2016，48（1）：92.

[71]DAGNACHEW BS，MEUWISSEN TH E.A fast Newton-Raphson based iterative algorithm for large scale optimal contribution selection[J].Genet Sel Evol，2016，48（1）：70.

[72]WELLMANN R.Optimum contribution selection for animal breeding and conservation：the Rpackage optiSel[J].BMC Bioinformatics，2019，20（1）：25.

[73]AKDEMIR D，RIO S，ISIDRO YSáNCHEZ J.Trainsel：an rpackage for selection of training populations[J].Front Genet，2021，12：655287.

[74]YIN LL，ZHANG HH，TANG ZS，et al.HIBLUP：an integration of statistical models on the BLUP framework for efficient genetic evaluation using big genomic data[J].Nucleic Acids Res，2023，51（8）：3501-3512.

[75]ZHAO QB，LIU HM，QADRI QR，et al.Long-term impact of conventional and optimal contribution conservation methods on genetic diversity and genetic gain in local pig breeds[J].Heredity（Edinb），2021，127（6）：546-553.

[76]TANG ZS，YIN LL，YIN D，et al.Development and application of an efficient genomic mating method to maximize the production performances of three-way crossbred pigs[J].Brief Bioinform，2023，24（1）：bbac587.

[77]ZHAO FP，ZHANG PF，WANG XQ，et al.Genetic gain and inbreeding from simulation of different genomic mating schemes for pig improvement[J].J Anim Sci Biotechnol，2023，14（1）：87.

[78]PRYCE JE，HAYES BJ，GODDARD ME.Novel strategies to minimize progeny inbreeding while maximizing genetic gain using genomic information[J].J Dairy Sci，2012，95（1）：377-388.

[79]LIU H，HENRYON M，S?RENSEN AC.Mating strategies with genomic information reduce rates of inbreeding in animal breeding schemes without compromising genetic gain[J].Animal，2017，11（4）：547-555.

[80]張鵬飛，何 俊，王立賢，等.基于基因組和系譜信息的不同選配方案效果模擬研究[J].畜牧獸醫學報，2022，53（10）：3448-3458.

ZHANG PF，HE J，WANG LX，et al.Simulation study on the effects of different mating schemes based on genomic and pedigree information[J].Acta Veterinaria et Zootechnica Sinica，2022，53（10）：3448-3458.（in Chinese）

[81]HE J，WU XL，ZENG QH，et al.Genomic mating as sustainable breeding for Chinese indigenous Ningxiang pigs[J].PLoS One，2020，15（8）：e0236629.

[82]王亦秋，姜自琴，王宇哲，等.全基因組SNP分型策略及基因組選擇在畜禽中的應用[J].廣東畜牧獸醫科技，2023，48（5）：1-6.

WANG YQ，JIANG ZQ，WANG YZ，et al.Genomic-wide SNP genotyping methods and the application of genomic selection in livestock and poultry[J].Guangdong Journal of Animal and Veterinary Science，2023，48（5）：1-6.（in Chinese）

[83]徐云碧，楊泉女，鄭洪建，等.靶向測序基因型檢測（GBTS）技術及其應用[J].中國農業科學，2020，53（15）：2983-3004.

XU YB，YANG QN，ZHENG HJ，et al.Genotyping by Target Sequencing（GBTS）and its applications[J].Scientia Agricultura Sinica，2020，53（15）：2983-3004.（in Chinese）

[84]林雨濃，王澤昭，陳 燕，等.不同篩選方法的低密度SNP集合填充準確性比較[J].中國農業科學，2023，56（8）：1585-1593.

LIN YN，WANG ZZ，CHEN Y，et al.Comparison of imputation accuracy for different low-density SNP selection strategies[J].Scientia Agricultura Sinica，2023，56（8）：1585-1593.（in Chinese）

[85]陽文攀，葉紹潘，葉浩強，等.參考群篩選方法及規模對基因型填充準確性的影響[J].畜牧獸醫學報，2021，52（12）：3357-3365.

YANG WP，YE SP，YE HQ，et al.Effect of reference population selection method and size on genotype imputation accuracy[J].Acta Veterinaria et Zootechnica Sinica，2021，52（12）：3357-3365.（in Chinese）

[86]鄧天宇，杜立新，王立賢，等.基因型填充策略研究[J].畜牧獸醫學報，2020，51（9）：2068-2078.

DENG TY，DU LX，WANG LX，et al.Study on the strategies of genotype lmputation[J].Acta Veterinaria et Zootechnica Sinica，2020，51（9）：2068-2078.（in Chinese）

[87]GORSSEN W，WINTERS C，MEYERMANS R，et al.Estimating genetics of body dimensions and activity levels in pigs using automated pose estimation[J].Sci Rep，2022，12（1）：15384.

[88]ZHANG Z，OBER U，ERBE M，et al.Improving the accuracy of whole genome prediction for complex traits using the results of genome wide association studies[J].PLoS One，2014，9（3）：e93017.

[89]ZHANG CY，KEMP RA，STOTHARD P，et al.Genomic evaluation of feed efficiency component traits in Duroc pigs using80K，650K and whole-genome sequence variants[J].Genet Sel Evol，2018，50（1）：14.

[90]SARUP P，JENSEN J，OSTERSEN T，et al.Increased prediction accuracy using agenomic feature model including prior information on quantitative trait locus regions in purebred Danish Duroc pigs[J].BMC Genet，2016，17：11.

[91]SONG HL，YE SP，JIANG YF，et al.Using imputation-based whole-genome sequencing data to improve the accuracy of genomic prediction for combined populations in pigs[J].Genet Sel Evol，2019，51（1）：58.

[92]袁澤湖，葛 玲，李發弟，等.整合生物學先驗信息的全基因組選擇方法及其在家畜育種中的應用進展[J].畜牧獸醫學報，2021，52（12）：3323-3334.

YUAN ZH，GE L，LI FD，et al.The method of genomic selection by integrating biological prior information and its application in livestock breeding[J].Acta Veterinaria et Zootechnica Sinica，2021，52（12）：3323-3334.（in Chinese）

[93]CHAKRABORTY D，SHARMA N，KOUR S，et al.Applications of omics technology for livestock selection and improvement[J].Front Genet，2022，13：774113.

[94]GAO N，TENG JY，YE SP，et al.Genomic prediction of complex phenotypes using genic similarity based relatedness matrix[J].Front Genet，2018，9：364.

[95]GAO N，MARTINI JW R，ZHANG Z，et al.Incorporating gene annotation into genomic prediction of complex phenotypes[J].Genetics，2017，207（2）：489-501.

[96]DéRU V，TIEZZI F，CARILLIER-JACQUIN C，et al.The potential of microbiota information to better predict efficiency traits in growing pigs fed aconventional and ahigh-fiber diet[J].Genet Sel Evol，2024，56：8.

[97]EDWARDS SM，S?RENSEN IF，SARUP P，et al.Genomic prediction for quantitative traits is improved by mapping variants to gene ontology categories in Drosophila melanogaster[J].Genetics，2016，203（4）：1871-1883.

[98]ABDOLLAHI-ARPANAHI R，MOROTA G，VALENTE BD，et al.Differential contribution of genomic regions to marked genetic variation and prediction of quantitative traits in broiler chickens[J].Genet Sel Evol，2016，48：10.

[99]BHAT SA，MALIK AA，AHMAD SM，et al.Advances in genome editing for improved animal breeding：A review[J].Vet World，2017，10（11）：1361-1366.

[100]JENKO J，GORJANC G，CLEVELAND MA，et al.Potential of promotion of alleles by genome editing to improve quantitative traits in livestock breeding programs[J].Genet Sel Evol，2015，47（1）：55.

[101]TU CF，CHUANG CK，YANG TS.The application of new breeding technology based on gene editing in pig industry—A review[J].Anim Biosci，2022，35（6）：791-803.

[102]SU GS，CHRISTENSEN OF，OSTERSEN T，et al.Estimating additive and non-additive genetic variances and predicting genetic merits using genome-wide dense single nucleotide polymorphism markers[J].PLoS One，2012，7（9）：e45293.

[103]WU ZY，DOU TF，BAI LY，et al.Genomic prediction and genome-wide association studies for additive and dominance effects for body composition traits using50K and imputed high-density SNP genotypes in Yunong-black pigs[J].J Anim Breed Genet，2024，141（2）：124-137.

[104]GONZáLEZ-DIéGUEZ D，TUSELL L，CARILLIER-JACQUIN C，et al.SNP-based mate allocation strategies to maximize total genetic value in pigs[J].Genet Sel Evol，2019，51（1）：55.

[105]ALILOO H，PRYCE JE，GONZáLEZ-RECIO O，et al.Including nonadditive genetic effects in mating programs to maximize dairy farm profitability[J].J Dairy Sci，2017，100（2）：1203-1222.

[106]WIENTJES YC J，CALUS MP L.BOARD INVITED REVIEW：The purebred-crossbred correlation in pigs：A review of theory，estimates，and implications[J].J Anim Sci，2017，95（8）：3467-3478.

[107]LIU SY，YAO TX，CHEN D，et al.Genomic prediction in pigs using data from acommercial crossbred population：insights from the Duroc x（Landrace xYorkshire）three-way crossbreeding system[J].Genet Sel Evol，2023，55（1）：21.

（編輯 郭云雁）