畜禽基因组选择育种技术规程征求意见稿编制说明.doc

1国家标准畜禽基因组选择育种技术规程编 制 说 明（征求意见稿）一、 任务来源本国家标准的制定任务列入国家标准化管理委员会国家标准委关于下达2018 年第四批国家标准制修订计划的通知 （国标委综合201883 号 ，项目编号“20184554-T-424”。本项任务由中国标准化研究院提出并归口，定于 2020年完成。本标准起草工作组由中国农业科学院北京畜牧兽医研究所等单位共同组成。二、目的及意义本研究旨在建立重要畜禽（猪、牛、羊、鸡等动物)的标准化基因组选择技术流程，为基因组选择育种技术的实施提供操作规程。基因组选择技术已成为动物育种的关键前沿技术，它突破了对候选种畜禽从表型选择到基因组选择的难题，解决了畜禽肉质和抗性等性状难以选育的障碍，提高了遗传评定的准确性和预见性，实现了低成本早期选择。目前我国重要畜禽的基因组选择技术研究已越来越成熟，但尚未制定相应的技术规程，限制了该技术在育种实践中的推广应用。本规程的制定，将有效规范基因组选择技术操作，并建立标准化的基因组选择技术的流程。对加快基因组选择技术在畜禽育种中的应用，推进我国畜牧业的可持续发展和实现良种国产化具有重要意义。三、标准制定原则1.本规程在制定中遵循以下基本原则：a) 本规程编写格式应符合标准化工作导则第 1 部分：标准的结构和编写规则GB/T1.1-2009 的要求；b) 本规程规定的技术内容及要求应科学、合理，具有适用性和可操作性；c) 本标准的水平应达到国内领先水平。2.本规程编写的依据：本规程主要依据目前基因组选择最新研究进展以及相关技术标准。24、标准主要内容重要畜禽基因组选择育种技术规程标准内容包括术语与定义以及基因组选择育种流程等内容。基因组选择育种分为：1）参考群建立，表型性状测定和基因型测定；2）候选个体遗传评估及选留两个主要部分。在每一个部分中，具体规定了基因组选择育种技术的基本要求和实施操作的管理准则。5、主要工作过程1. 接到任务后，对标准内容进行细分，明确每部分内容、目标、责任人、撰写计划及完成时间。2. 查阅关于动物基因组选择育种相关方法、法律法规和标准等文献专著，进行归纳整理。3. 依据 GB/T 1.1标准化工作导则 第 1 部分：标准的结构和编写规则 、GB/T 1.2标准化工作导则 第 2 部分：标准中规范性技术要素内容的确定方法等标准编制要求，对本标准开展了研制工作，通过系统整理相关调研资料，于 2018 年 7 月完成了畜禽基因组选择育种技术规程标准起草稿。在此基础上，2018 年 7 月编制小组将标准起草稿发送给 20 多位专家征求修改意见，征求意见的单位涉及教学、科研、育种等单位，反馈期为二十天，共收到 9 位专家的返回意见。针对专家返回意见中的共性问题，我们又组织了中国农业大学、农业农村部科技发展中心、中国农业出版社、河北省畜牧局等单位的 6 位专家讨论了修改意见中的共性问题，并制定了相应的修改方案。2019 年 2 月 25 日，我们再次邀请华中农业大学、中国农业大学、农业农村部科技发展中心、中国农业出版社、北京畜牧兽医研究所等单位的 10 位专家进行讨论，对修改完成的标准起草稿进行了补充、修订，形成了本次的征求意见稿。6、国内外研究概况自 2001 年 Meuwissen 提出全基因组选择的概念和方法后，基因组选择广受动植物育种界的关注，它是利用高密度 SNP 芯片获取基因组范围内的标记信息，对目标性状进行遗传评估并进行选择的策略(Meuwissen et al., 2001)。此概念一经提出立刻得到遗传育种学家的积极响应，各国的科学家们围绕 GS 的算法(Brondum et al., 2012; de los Campos et al., 2009; Habier et al., 2011; Meuwissen et 3al., 2009; Verbyla et al., 2009; Wang et al., 2013; Xu, 2003, 2010; Yi and Xu, 2008)，如何提高 GEBV 的估计准确度(Hayashi and Iwata, 2010; Sun et al., 2010)以及如何将其应用到具体的育种实践(Goddard and Hayes, 2009; Shepherd et al., 2010; Taylor et al., 2016a)中展开了多方面的探讨和研究，使 GS 选择理论和技术体系日趋完善。在对基因组选择理论研究的同时，一些国家努力将基因组选择应用于育种实践(Goddard et al., 2016)。由于表型测量方法、参考群体及畜禽育种方法的差异，导致不同畜禽品种应用基因组选择取得的育种成效也有所差别。基因组选择最先应用于奶牛和肉牛育种，随后逐渐在猪和羊的育种中应用。在奶牛上的应用效果明显，显著地缩短了世代间隔，使美国奶牛生产性状的遗传进展每年提高 50%-100%(Garcia-Ruiz et al., 2016a)。而对于肉牛基因组选择，也有部分国家正在积极研究与应用，例如，2011 年美国利用 3570 头安格斯牛的 16 个表型性状（7 个生长性状，5 个繁殖性状，4 个胴体性状）进行基因组选择研究，该群体中个体均利用 Illumina BovineSNP50 获得基因型，研究利用 K-means 进行交叉验证评估基因组育种值估计的准确性，该方法可以增加组内的遗传关系，同时缩小组间的遗传关系，结果表明准确性在 0.22-0.69 之间，平均基因组育种值估计的准确性为 0.44(Saatchi et al., 2011)。2012 年美国利用 2239 头利木赞和2703 头西门塔尔牛的 15 个性状（4 个生长性状，5 个繁殖性状和 6 个胴体和肉质性状）进行基因组选择研究，该群体大部分牛利用 Illumina BovineSNP50 获得基因型，仅有 264 头西门塔尔利用 Illumina BovineHD 获得基因型，同样利用K-means 方法评估基因组育种值的准确性，结果表明在利木赞群体中基因组育种值估计的准确性 0.39-0.76 之间，在西门塔尔群体中基因组育种值估计的准确性 0.29-0.65 之间 (Saatchi et al., 2012)。2015 年，美国利用多个商用肉牛群体进行基因组选择研究，其中包括安格斯 660 头，夏洛莱 702 头，海福特 1192 头，利木赞 285 头和西门塔尔 521 头，所有牛全部利用 Illumina BovineSNP50 获得基因型，研究用 6 个性状（剪切力，眼肌面积，大理石评分，背膘厚，胴体重和产肉等级）比较不同贝叶斯模型下基因组育种值估计的准确性，结果表明假设效应方差不同的混合 BayesB 和 BayesC 模型优于 BayesA 模型。但对于大部分性状来讲，三种贝叶斯模型估计的准确性相似，表明大部分性状是由微效多4基因进行控制(Rolf et al., 2015)。2014 年美国利用 772 头内洛尔牛和安格斯杂交牛的剪切力性状进行基因组选择研究，比较四种基因组预测模型的准确性，同时评估固定效应尤其是群体结构对估计准确性的影响，计算结果是 BayesC 模型的准确性最高，BayesB 模型的偏差最小，在模型中加入群体结构的固定效应可以降低基因组育种值估计的准确性同时增大预测偏差(Hulsman Hanna et al., 2014)。 2014 年，法国利用 2682 头夏洛莱的出生重、断奶重、肌肉发达度、产犊难易度和骨胳发育度进行基因组育种值估计，所有牛全部利用 Illumina BovineHD 获得基因型，研究比较不同统计方法、不同参考群体和不同芯片密度对基因组育种值评估准确性的影响，结果表明， ，BayesC 方法的准确性高于GBLUP 和传统 BLUP 方法；另外，当标记密度从 50K 增加至 770K 时，基因组育种值准确性并未提高，因此，对于法国夏洛莱群体来说，利用 BayesC 方法并利用逆回归育种值（DEBV, degressed estimated breeding value）当因变量可以获得更高的准确性(Gunia et al., 2014)。2014 年，澳大利亚利用 10181 头 Bos Taurus（1743 头安格斯牛，717 头短脚牛，613 头海福特牛，223 头默里牛）, Bos indicus（3384 头婆罗门牛）和杂交品种进行 19 个性状的多品种基因组选择研究，所有牛的基因型全部填充至770K 高密度芯片，结果表明，利用不同方法分别估计 19 个性状的基因组育种值准确性有所不同，其中遗传力较高的性状和表型数据完善的性状基因组育种值估计的准确性较高，利用 GBLUP 方法估计 19 个性状的育种值准确性的平均值为 0.27；另外，对于有显著 QTL 的性状，BayesR 方法比 GBLUP 方法高出 4个百分点；多品种的遗传评估相对于单品种的评估可以显著提高基因组育种值估计的准确性(Bolormaa et al., 2013)。2015 年，澳大利亚利用 10191 头 Bos Taurus, Bos indicus 和杂交品种进行基因组选择中的非加性效应研究，所有牛全部填充至 770K 的高密度芯片，显性方差是由 729068 个 SNPs 构建的显性方差矩阵，结果表明，各性状间的 SNP 显性方差变化很大，16 个性状间的平均显性方差占表型方差的 5%，模型中加入显性效应不能显著提高基因组育种值估计的准确性，但显性效应模型可能是未来研究的一个方向(Bolormaa et al., 2015)。2014 年，加拿大利用 2900 多头多个品种肉牛群体进行 5 个胴体性状和 3 个肉质性状的基因组选择研究，分析不同标记密度（384，3K ，7K 和 50K）是否可5以引起育种值估计准确性较大差异，结果证明，低密度芯片可以获得较高的准确性，并可应用于肉牛基因组选择(Akanno et al., 2014)。2014 年，加拿大利用543 头安格斯和 400 头夏洛莱进行胴体性状的基因组育种值估计，结果表明利用年龄划分参考群体和验证群体比利用亲缘关系进行分组可以获得更高的育种值估计准确性，说明参考群体和验证群体的划分方法比使用芯片的标记密度更重要(Chen et al., 2015)。2014 年，巴西利用 685 头内洛尔牛的 15 个生长和胴体性状进行基因组育种值预测，这些牛全部利用 Illumina BovineHD 获得基因型，研究利用三种方法（GBLUP，BayesLasso 和 BayesC）进行基因组育种值估计准确性的评估，结果表明基因组育种值估计的准确性最小值是 0.17，最大值是0.74，对于这些性状的平均基因组育种值准确性，BayesC 方法和 BayesLasso 方法均高于 GBLUP 方法，但是这两种贝叶斯方法估计的基因组育种值偏低（基因组育种值和育种值的回归系数大于 1）(Neves et al., 2014)。2016 年，巴西利用来自于 294 头种公牛的 1756 头内洛尔牛进行胴体性状的基因组育种值估计，所有内洛尔牛全部利用 Illumina BovineHD 获得基因型，利用 5 倍交叉验证评估三种贝叶斯方法的基因组育种值估计的准确性，包括贝叶斯岭回归，BayesLasso 和 BayesC，结果表明， BayesC 和 BayesLasso 方法评估的准确性相同，并且随着遗传力的增加，基因组育种值估计的准确性增大，贝叶斯岭回归估计三个性状背膘厚，胴体重和眼肌面积的准确性分别为 0.25，0.33 和0.36(Fernandes Junior et al., 2016)。我国肉牛基因组选择已初步建立了肉牛全基因组选择技术体系，在内蒙古自治区锡林郭勒盟乌拉盖管理区建立肉牛遗传资源群体，到 2017 年初，基础母牛 2030 头，记录了体尺性状、生长性状、肉质性状等 80 多个，并获得了每一个体的进行 800K SNP 基因型数据；建立了和牛资源群体，群体规模 483 头。针对肉牛重要经济性状（日增重、断奶重、宰前活重、胴体重、零售肉重、屠宰率和净肉率性状） ，进行基因组选择 5 倍交叉验证和 10 倍交叉验证对比研究，10 倍交叉验证要优于 5 倍交叉验证，育种值估计的准确性在 0.38-0.64 之间，同时编制了肉牛基因组选择及多品种评估计算机程序，现正在逐步运用到肉牛新品系的选育上。2008 年，美国率先开展了奶牛的基因组遗传评估，其后，各国逐渐在奶牛6的遗传评估中实施基因组选择，如加拿大、新西兰、澳大利亚、丹麦、荷兰、瑞典、德国、法国等。下面以美国和加拿大为例进行介绍。美国农业部于 2008 年第一次公布了奶牛非官方基因组遗传评估结果，并于2009 年官方公布了荷斯坦牛、娟姗牛和瑞士褐牛的基因组遗传评估结果(Wiggans et al., 2011)。随后，基因组选择迅速在产业中开始应用。目前，美国已有 120 万个体用芯片进行了基因型测定，相应的投入至少为 5 千万美元(Taylor et al., 2016b)。美国用于人工授精的公牛中一半以上为经过基因组遗传评估的青年公牛(Hutchison et al., 2014)。基因组选择在美国实施 7 年以来，对于美国荷斯坦牛，产量性状（产奶量、乳脂量和乳蛋白量）的年遗传进展提高了 50%-100%，女儿妊娠率、生产寿命和体细胞评分的年遗传进展提高了 300%-400%(Garcia-Ruiz et al., 2016b)。2009 年起，加拿大奶业网（Canadian Dairy Network, CDN）开始公布荷斯坦牛基因组遗传评估结果。截止至 2015 年，包括四个品种（荷斯坦牛、娟姗牛、瑞士褐牛和爱尔夏牛）的公母牛在内，CDN 数据库中有基因型的个体数已达一百万。各品种青年公牛的市场占有率均达到 50%以上，其中荷斯坦牛和娟姗牛超过了 60%（ https:/www.cdn.ca/document.php?id=440） 。终生效益指数（Lifetime Profit Index， LPI）是加拿大在奶牛遗传评估中使用的综合指标。对于后裔测定的公牛，基因组遗传评估对将 LPI 的可靠性提高了 0.02-0.09；对于青年公牛，可靠性的提高为 0.09-0.31。基因组遗传评估对可靠性的提高程度因参考群的大小而异。CDN 对 2013 年出生、且进行了基因型检测的公牛的父母年龄进行统计，结果表明，基因组选择实施后，其父亲和母亲的平均年龄均为3 岁，分别减少了 55%和 25%。中国奶牛基因组选择技术体系由中国农业大学承担研发工作，已建立中国自主的参考群体。参考群体采用验证公牛与母牛构成的模式(Ding et al., 2013)，目前参考群包含母牛 8174 头，验证公牛 1050 头。自 2012 年开始，每年对全国所有公牛站的青年公牛进行基因组遗传评估，选出 930 头优秀青年公牛（占全国种公牛的 40%）在全国推广应用，至少获得了 348.75 万头优良后代母牛。7、关键试验内容和技术指标说明 1. 关于参考群群体规模的说明7参考群体大小需达一定规模后（通常千头以上）才建议实施基因组选择。基因组选择的准确性受到多种因素影响，其中参考群体规模大小是重要的影响因素。通常而言，参考群体规模越大，基因组选择准确性越高(Daetwyler et al., 2013)。当参考群规模较小时，无法提供足够多的不同类型的单倍型，从而使得估计的遗传标记效应不适用候选群体（Hayes et al., 2009） ，进而降低基因组选择的准确性。2. 关于参考群群体结构的说明参考群宜选择遗传背景相近的个体进行构建。基因组选择准确性高度依赖于遗传标记和数量遗传位点间连锁关系。遗传标记效应在不同遗传背景群体中存在显著差异(Xiang et al., 2015; Wang et al., 2013)。已有研究表明，使用与候选群体相同遗传背景个体组成参考群体进行基因组选择的准确性比使用不同遗传背景的个体组成的参考群体要显著提高(de Roos et al., 2008; Hidalgo et al., 2015)。因而，本标准建议猪参考群宜选择遗传背景相近的个体进行构建。 3. 基因组育种值宜选择一步法模型进行评估基因组选择一步法目前是全球各大种猪企业进行基因组遗传评估的标准方法。通常基因组选择技术要求所有候选后代家畜都必须被基因型测定(Henderson et al., 1975)。然而，受基因型测定价格昂贵的制约和部分个体采样困难等实际限制，在目前阶段基因型测定工作还不能在畜群中全面开展(Chritensen et al., 2010)。 2010 年底，基因组选择一步法被提出，该方法可以应用于只有部分个体被基因型测定的育种项目中，开创性地将家畜系谱信息和基因型信息结合到了一起，同步应用到家畜育种工作所使用的线性混合模型中(Chritensen et al., 2010; Legarra et al., 2009)。在猪的育种中已经被证明，一步法对于已被基因型测定的后代，能产生出至少和基因组最佳线性无偏估计法(GBLUP)具有相同准确性的育种值；而对于未被基因型测定的后代，能产生出准确性高于依赖于系谱的 BLUP 方法育种值(Christensen et al., 2010)。 4. 种用个体的选留需根据生理健康状况，综合选择指数排序，近交系数大小，体型等因素综合考虑确定。选种选留决策的制定与实施直接影响基因组选择技术的效果评价。理论上，基因组选择技术通过估计各经济性状的育种值并结合市场，赋予各性状不同的8经济加权值，产生综合选择指数。但选种选留的决策不应该仅仅依赖于综合选择指数的高低来做出，需结合个体的生理健康状况，控制下一代近交程度的增长，以及考虑个体体型等因素共同决定。不够理想的健康状况，过高的近交程度和因不适宜的体型影响配种等情况均会影响基因组选择技术的实施效果。八、与有关的现行法律、法规和强制性国家标准的关系本标准符合国家现行法律、法规、规章和强制性国家标准的要求，本标准的实施不涉及对现行标准的废止情况。九、标准属性建议建议将本标准属性定义为推荐性标准。畜禽全基因组选择育种技术规程为首次制定和颁布，建议列为推荐性标准较为适宜，今后根据实际需要，进行不断的修订和完善。待本标准实施后，再根据需要做适当的修订和强制条款的增加。本标准所附录均为推荐性的标准，不排除更先进和更科学准确方法的采用。