多品种基因组评估中SNP效应间接预测对印度瘤牛品种选育的优化研究

这篇综述探讨了利用多品种基因组评估（ssGBLUP）结合元祖（MF）模型，对印度瘤牛品种（如Nelore、Brahman等）进行间接基因组预测（IP）的优化策略。研究通过比较单品种与多品种模型，证实多品种联合分析能显著提高小规模品种的预测准确性（W210/W450/SC365性状），尤其当采用MF校正品种间遗传差异时，可降低偏差（bias≤0.55）并改善离散度（b1≈1）。该成果为缺乏表型数据的青年牛和商业牛群提供了高效基因组选择方案。

　　

ABSTRACT

研究针对缺乏表型数据的青年基因型牛群，提出基于多品种基因组评估的间接预测（IP）方法。通过整合Nelore、Brahman等四种印度瘤牛品种的32.9万表型与6.3万基因型数据，比较单品种、多品种（含/不含MF）模型的预测效果。结果显示，MF模型能有效校正品种间遗传差异，使IP准确率提升至0.71-0.90，尤其对小规模品种（如Tabapua）改善显著。

1 Introduction

基因组评估常因青年牛缺乏表型数据而受限，直接纳入这类个体会导致育种值（GEBV）膨胀。IP通过SNP效应加权求和实现快速预测，但小品种（如Brahman）参考群体规模不足制约其精度。元祖（MF）作为虚拟祖先节点，可量化品种间遗传差异，兼容基因组（G）与系谱（A）矩阵，为多品种评估提供理论基础。

2 Material and Methods

数据来自巴西ANCP协会，涵盖4个品种的体重（W210/W450）和阴囊周长（SC365）性状。采用四种分析场景：

1. 多品种无MF（默认等位基因频率）

2. 多品种含MF（4个品种特异性元祖）

3. 单品种Nelore参考

4. 品种内评估

   通过线性回归（LR）法验证IP的准确性、偏差和离散度，并利用奇异值分解（SVD）确定最小基因型样本量。

3 Results and Discussion

SNP效应：多品种与Nelore单品种SNP效应相关性达0.91，但与小品种（如Guzerat）仅0.03，反映遗传结构差异。MF通过调整系谱基差（Γ矩阵）显著提升效应估计一致性。

IP性能：MF模型使小品种准确率提高30%，其中Tabapua的SC365性状偏差从0.28降至0.13。SVD分析表明，需17k基因型（解释99%G变异）才能达到50k样本的SNP效应精度。

模型对比：多品种MF在W450预测中表现最优（准确率0.82），而单品种因样本不足导致离散度异常（b1=1.35）。

4 Conclusions

多品种联合评估结合MF模型可有效提升小规模瘤牛品种的IP质量，为商业化牛群早期选育提供可靠工具。未来需优化区域特异性SNP效应建模，以应对品种间LD结构差异。