基因组选择中的参考群更新策略

大家好，我是邓飞。

基因组选择中，不同世代不断的进展，一般后代选择表现好的个体，测量表型数据后，将其添加到参考群中，这样有可能会失去遗传多样性，今天分享一篇文献，介绍一下这方面的研究。

1. 文献来源

Sonia E Eynard, Pascal Croiseau, Denis Laloë, Sebastien Fritz, Mario P L Calus, Gwendal Restoux, Which Individuals To Choose To Update the Reference Population? Minimizing the Loss of Genetic Diversity in Animal Genomic Selection Programs, G3 Genes|Genomes|Genetics, Volume 8, Issue 1, 1 January 2018, Pages 113–121, https://doi.org/10.1534/g3.117.1117

2. 摘要

基因组选择（GS）通常用于家畜，越来越多地用于植物育种。根据参考群体的表型和基因型，GS允许对只有基因型的年轻个体进行性能预测。这有望实现快速的高遗传增益，但可能会失去遗传多样性。现有的保护遗传多样性的方法主要取决于育种个体的选择。在本研究中，我们建议修改参考种群组成，以减轻多样性损失。由于表型的高成本是GS的限制因素，我们的发现具有重大的经济意义。这项研究旨在回答以下问题：关于参考种群的决定将如何影响繁殖种群，以及如何最佳选择个体以更新参考种群，并平衡最大化遗传增益和最小化遗传多样性损失？我们研究了参考群体的三种更新策略：随机、截断和最优贡献（OC）策略。OC最大化了遗传多样性的固定损失的遗传价值。使用具有50K SNP芯片基因型的法国Montbéliarde奶牛种群和10代以上的模拟，以产奶量作为感兴趣的特征，比较这些不同的策略。选择候选人更新参考人群。测量了预测偏差以及遗传价值和多样性。参考种群组成的变化对繁殖种群略有影响。最佳贡献策略似乎是一种可接受的折衷方案，以维持参考种群和繁殖种群的遗传增益和多样性。

问题：
GS中，只对后代的基因型GEBV高的个体，进行性能测定，然后补充到参考群中，这样能快速实现遗传进展，但是丧失遗传多样性。最大化遗传进展和最大化遗传多样性是矛盾的，如何权衡？

三种策略：

• 1，随机选择个体进入参考群
• 2，截断，基于最高GEBV进行截断选择
• 3，最有贡献（OC）策略

评价指标：

• 预测偏差
• 群体多样性

3. GS的特点

如Meuwissen等人（2001）所述，基因组选择（GS）的发展是动物育种中最重要的最新创新。在家畜育种中，GS包括对基因组估计育种值（GEBV）的估计，以及基于这些GEBV对仅有可用基因型的个体（例如，作为选择候选的年轻个体）的实际选择（补充材料，图S1）。参考群体由具有已知表型和基因型的个体组成，基于基因组中的许多标记，用于建立预测方程和推断选择候选的GEBV。与基于表型和谱系的传统方法相比，GS的主要优势在于，由于不再需要成熟后代的表型来进行遗传评估，因此世代间隔缩短。其次，选择仍然可以以与经典选择相同的精度进行。最后，它允许选择难以记录且成本高昂的新性状（Meuwissen等人，2001；Calus和Veerkamp 2011）。尽管证实了这些优势，但关于GS长期影响的大部分知识都是基于模拟研究[例如，Colleau等人（2009）、Jannink（2010）、Bastiaansen等人（2012）和Clark等人（2013）]，关于其使用仍存在许多问题。特别是关于参考群体的设计：需要多少个体（Pszczola等人，2011年；Khatkar等人，2012年；Pryce和Daetwyler 2012年），应多久重新评估一次标记效应（Calus 2010年；Heslot等人，2013年），参考群体中的个体应与选择候选人有多密切的关系，以及应该使用哪些个体来更新参考人群（Rincent等人，2012；Isidro等人，2015）？

一些问题：

• GS需要多大的参考群
• GS的评估多长时间进行评估一次（方差组分、SNP效应值）
• 参考群和候选群的关系
• 哪些个体用于更新参考群？

4. 常见的更新参考群策略

由于密集选择，许多家畜品种的近亲繁殖率高，遗传多样性低（Leroy等人，2011）。有限的遗传多样性限制了种群的潜在长期遗传增益（Li et al.2008；Goddard 2009；Jannink 2010；Engelsma et al.2012；Liu 2013；Henryon et al.2014），并降低了它们应对新挑战的能力（Toro et al.2009；Allendorf et al.2010；Stock and Reents 2013；Bruford et al.2015）。为了长期保持，需要使用代表总体种群多样性的个体进行繁殖（Rincent等人，2012；Heslot等人，2013；Isidro等人，2015）。先前已经提出了不同的策略：（1）限制每只雄性的后代数量，以避免公猪的“星系”（Danchin-Burge等人，2012；Boichard等人，2015），或（3）选择代表最高总体种群多样性的个体（Meuwissen 1997；Rincent等人2012；Heslot等人2013）。为此目标开发的可用方法之一是最佳贡献（OC）策略，如Meuwissen（1997）所定义。OC策略可用于通过最小化个体之间的关系来同时保护遗传多样性和实现遗传增益（Engelsma等人，2011；Sonesson等人，2012；Clark等人，2013；de Cara等人，2013年；Eynard等人，2016年）。这些方法的有效性取决于繁殖个体的最终选择。就奶牛而言，在促进使用精英繁殖者的竞争性经济市场中，这种保护总体种群遗传多样性的策略可能使用不足。隐式驱动选择同时获得遗传增益和保持遗传多样性的方法可能是另一种选择。通过参考群体的设计，有可能通过改变遗传评估来修改育种群体。

为何要考虑更新参考群测策略？

因为，GS中品系是优中选优，近亲交配近交系数高，遗传多样性降低。遗传多样性降低就会限制种群的潜在的长期遗传增益。

常见的策略：

• 1，限制每个雄性个体的后代数量，比如公猪，公牛的后代数，避免扎堆，多样性急剧下降
• 2，根据个体和标记的信息，对于低频率的位点赋予大的权重
• 3，选择的个体有很好的多样性

5. 测试数据

使用了牛的真实数据和模拟的数据，用三种策略更新参考群，考察GS预测的准确性、预测的偏差、近交系数和观察到的杂合率（多样性）。

6. 测试指标

• 选择响应（也可以看做是准确性）
• 无偏性
• 遗传多样性
• 群体有效种群规模

无偏性：

有效种群大小：

fi为群体某个世代的平均近交系数

7. 结论

真实数据测试结果：

1，遗传增益不显著，这三种方法没有达到显著性差异。整体而言，参考群增大，遗传增益进展加快。

2，群体多样性，没有显著性差异。

3，GEBV预测的准确性，没有显著性差异

模拟数据测试结果：

可以模拟多个世代的影响（比如大于10个世代）

无论使用哪个策略，近交系数总是不断增加。但是策略3（OC）近交系数增长相对于另外两种方法较慢

• 1，随机，截断两种方法，没有OC控制近交效果好
• 2，随机，截断两种方法，平均杂合度比OC下降快
• 3，对于预测准确性，相差不大

真实数据，显示三种方法没有差异，但是模拟数据显示，OC策略对于遗传多样性更好。另外，芯片50k，对于重测序，对于低频位点的挖掘不利，对于遗传多样性的评估也是一个制约。

飞哥笔记：

1，GS分析中，参考群的数量是最重要的，在达到一定规模，才有必要对群体的个体进行删减和候选群更新的筛选，前期增加绝对数据是最最重要的。

2，候选群加入参考群中，以及在选种时，要考虑到家系的分布，覆盖到全部家系，不能单存依据GEBV排名进行筛选和加入

3，GS分析，不是保种分析，随着性状的进展，遗传进展必然是先快后慢，多样性降低也是必然趋势。但是育种选择涉及多个性状，一个性状提升到了极限（或者进展变慢），可以换一个性状，继续改良，同时保证其它性状不下降。

选择必然都是多样性降低，必然导致整体平均数上升，GS不过是加快这种趋势，更快的达到这种效果！