动物分子遗传育种学第5章

动物分子遗传育种学第5章遗传模型——从表型变异到遗传参数的解析Contents本章内容结构遗传学核心概念与模型解析01表型与环境：遗传模型的观测基础02遗传变异机制：从单基因到多基因03方差组分与遗传力：核心遗传参数04遗传模型的简化与代际传递应用CHAPTER01表型与环境：遗传模型的观测基础理解表型变异的来源，是构建遗传模型的第一步GENETICMODEL为什么需要遗传模型？即使全基因组测序技术已经成熟，我们仍无法直接从DNA序列判断一个动物群体中哪些个体在遗传上更优秀。因此需要通过遗传模型，将可观测的表型数据转化为可比较的遗传评价指标，为选种决策提供科学依据。奶牛产奶性能测定——表型数据的获取场景表型≠遗传优势：表型是基因型与环境共同作用的产物，高产奶牛的表型优势可能来自更好的饲养管理而非遗传优势。基因型×环境互作：同一基因型在不同环境下表现差异显著，优秀猎犬的全同胞姐妹在相同驯犬师手下未必表现同等水平。模型核心功能：将表型测量值转化为可排序的遗传评价标准，支撑育种方案中的选种决策。育种循环第4阶段：将已收集的表型、基因型和系谱数据转化为选择标准，驱动下一轮遗传改良。Phenotype&Environment表型与生命历程中的环境动物的表型在生命历程中持续受到环境因素的动态影响，不同阶段的非遗传因素会以不同方式塑造最终的表型表现。01胚胎期环境母体营养、子宫内环境和应激反应直接编程胎儿的基因表达模式与发育轨迹，奠定后续生长的基础框架胚胎编程02生长发育期营养水平、疾病暴露和群体社会结构持续影响生长速度与体型发育，此阶段的环境效应具有累积性和可塑性特征持续塑造03生产期表现管理水平、气候条件和泌乳阶段导致同一基因型的表型读数随时间波动，环境方差在此阶段达到峰值时序波动04测量的本质表型测量是特定环境条件下的瞬时快照，遗传模型须纳入时间维度的环境变异，否则估计将产生系统性偏差瞬时快照GENETICMODEL表型的数学模型表达遗传模型的基础表达式P=G+E将表型值分解为基因型值和环境偏差两个核心组分，其中基因型值是育种者希望估计的目标参数，而环境偏差涵盖了所有非遗传因素的累积效应。01基础表达式P=G+E是遗传模型的基础表达式：表型值(P)由基因型值(G)和环境偏差(E)两部分组成，E的期望值在群体中为零P=G+E02基因型值G个体所有基因对其目标性状表型的综合加性和非加性效应之和，无法直接测量只能通过统计方法估计G03环境偏差E涵盖营养、管理、气候、疾病等非遗传因素以及测量误差，是造成同基因型个体表型差异的主要原因E04核心假设基因效应和环境效应相互独立且可加，这一假设为后续方差剖分提供了数学基础独立可加CHAPTER02遗传变异机制：从单基因到多基因解析基因效应的两种基本模式及其对表型变异的贡献方式MONOGENICINHERITANCE单基因遗传变异的特征与实例单基因遗传变异由单一基因座的等位基因控制，表型呈现离散分布而非连续变化。其遗传模式包括完全显性、不完全显性和共显性三种基本类型，在家畜中广泛存在且可通过分子标记技术直接鉴定基因型。安格斯牛——无角品种代表，受单基因显性控制01完全显性模式：牛的无角基因(P)对有角基因(p)为显性，PP和Pp均表现无角，仅pp基因型表现有角表型02从性遗传现象：绵羊有角基因H在杂合状态(Hh)下公羊表现有角而母羊无角，体现了激素环境对基因表达的调控03共显性遗传：牛的血红蛋白型和血型系统中，杂合子同时表达双亲的蛋白质产物，可直接从表型推断基因型04分子检测手段：PCR-RFLP、SSCP和DNA测序技术可直接鉴定单基因座基因型，为标记辅助选择提供精确依据QUANTITATIVEGENETICS多基因假说与数量性状大多数重要的家畜经济性状受大量微效基因共同控制，每个基因座单独效应微小，但累积加性效应构成遗传价值主体多基因假说核心数量性状受大量微效基因控制，每个基因座效应微小且等效，基因间效应可加性累积，形成连续的表型变异谱系Polygenes表型连续分布多基因控制下性状在群体中呈正态分布，表型值由基因型与环境共同决定，只能用均值和方差进行统计学描述正态分布经济重要性状产奶量、日增重、饲料转化率、产蛋数、胴体瘦肉率等核心育种目标均属多基因性状，遗传改良需借助数量遗传学方法育种目标统计学方法论无法追踪单个基因分离，必须借助群体统计量来推断遗传规律，通过方差组分分析剖分表型变异来源均值·方差GENETICDECOMPOSITION基因型值的效应分解基因型值G可分解为加性效应(A)、显性效应(D)和上位效应(I)。其中仅加性效应能稳定遗传，构成育种值的本质。加性效应(A)每个等位基因独立贡献的效应之和，不受基因重组影响，可稳定传递给后代育种值=2倍加性效应，是亲本传递给子代的遗传贡献期望值，为选种核心指标育种值显性效应(D)同一基因座内等位基因的互作偏离加性预期的部分，如杂合子超出双亲均值在配子形成时因等位基因分离而瓦解，不能稳定遗传，对长期选择贡献有限杂合子偏离上位效应(I)不同基因座之间的非加性互作，涉及多基因组合效应偏离各自独立贡献之和在减数分裂中因基因重组而被打破，遗传规律极其复杂，常规育种中通常忽略基因互作CHAPTER03方差组分与遗传力核心遗传参数量化表型变异的来源，建立从表型到遗传价值估计的桥梁QuantitativeGenetics表型方差的剖分基于P=G+E模型，表型方差(VP)可剖分为遗传方差(VG)和环境方差(VE)两大组分。加性方差是决定选择响应的关键参数。VARIANCEPARTITION基础方差剖分VP=VG+VE，表型总方差由遗传方差和环境方差两部分组成，假设G与E相互独立且协方差为零VP=VG+VEGENETICCOMPONENTS遗传方差细分VG=VA+VD+VI，加性方差(VA)通常占遗传方差的主体，是育种选择能够利用的有效遗传变异VG=VA+VD+VISELECTIONRESPONSE加性方差的核心地位VA反映群体中等位基因加性效应的离散程度，VA越大意味着选择能产生的遗传进展越快核心参数VAENVIRONMENTALEFFECTS环境方差的来源VE包含永久环境效应(VPE)和暂时环境效应(VTE)，前者影响个体终生，后者仅影响单次测量VPE·VTEGenetics·Heritability遗传力的定义与计算遗传力是群体水平的参数，定义为遗传方差占表型方差的比例。广义遗传力(H²=VG/VP)衡量基因型对表型的总体决定程度，狭义遗传力(h²=VA/VP)则聚焦可稳定遗传的加性效应占比。BROAD-SENSE广义遗传力(H²)H²=VG/VP，涵盖加性、显性和上位效应的全部遗传变异，反映表型被基因型决定的总体程度理论意义大于实践价值，因其包含不可遗传的显性和上位组分，会高估选择的实际效果H²=VG/VPNARROW-SENSE狭义遗传力(h²)h²=VA/VP，仅计算可稳定遗传的加性方差占比，是预测选择响应(R=h²×S)的直接输入参数值域0~1：高遗传力(h²>0.4)意味着表型选择效果好；低遗传力(h²<0.2)则需借助亲属信息提高准确性h²=VA/VPGenetics·Heritability主要家畜性状的遗传力范围不同类别的家畜性状遗传力差异显著：形态性状遗传力高(0.4-0.6)，生产性状中等(0.2-0.4)，繁殖和健康性状低(0.05-0.15)。主要家畜经济性状的遗传力参考值性状类别代表性状h²范围推荐选择策略形态性状体高、体长、管围0.40~0.60个体表型选择即可获得良好遗传进展生长性状日增重、饲料转化率0.25~0.45个体性能测定结合系谱信息效果最佳产奶性状305天产奶量、乳脂率0.20~0.40女儿性能测定与BLUP法相结合胴体性状背膘厚、眼肌面积、瘦肉率0.30~0.55活体超声波测定或同胞屠宰测定繁殖性状产仔数、受胎率、产犊间隔0.05~0.15需大量亲属记录，适合动物模型BLUP健康性状体细胞数、乳房炎发病率0.03~0.12间接指标选择结合基因组信息形态性状遗传力最高适合直接选择，繁殖和健康性状遗传力低需借助BLUP和基因组选择方法。Parent–OffspringRegression亲子回归法估计遗传力基于亲子表型回归系数估计遗传力，子代对单亲b=½h²，对双亲均值b=h²，是理解遗传力的经典入门方法。SingleParent单亲回归子代均值对单一亲本回归系数b=½h²，狭义遗传力h²=2b，回归越陡遗传力越高Mid-Parent双亲均值回归对双亲均值回归系数b=h²，精度优于单亲但需双侧亲本数据Assumptions关键假设条件环境无系统关联、随机交配、无G×E互作、性状正态分布Limitations方法局限性仅利用单代亲属信息、精度有限，已被REML/BLUP方法取代种公牛在育种站进行性能测定，为亲子回归提供亲本表型数据QUANTITATIVEGENETICS遗传力的常见误解遗传力是最容易被误解的遗传参数之一。它是群体特异性参数而非个体属性，会随群体遗传结构和环境条件变化，高遗传力不等于环境不重要，且遗传力本身会因选择而改变。01群体参数而非个体属性遗传力描述的是群体中表型变异的来源比例，不能用于判断单一个体的表型受遗传影响的程度。群体特异性02环境依赖性同一性状在不同饲养管理条件下的遗传力可能差异显著，改善环境可降低VE从而提高h²的估计值。VE↓→h²↑03高遗传力≠环境不重要h²=0.5意味着环境仍贡献50%的表型变异，通过改善管理获得的表型提升同样具有经济价值。50%04动态可变性持续选择会降低加性方差VA，导致遗传力逐代下降；近交和遗传漂变也会改变群体的遗传力水平。VA↓CHAPTER04遗传模型的简化与代际传递应用从理论模型到育种实践的转化：简化假设、共同环境与世代传递QuantitativeGenetics共同环境效应(CommonEnvironment)共同环境效应是导致亲属间表型相似性被误判为遗传相似性的重要混杂因素。同窝效应、母体效应和群饲养效应等共同环境变异如不在模型中加以控制，将系统性地高估遗传力和育种值，导致选择决策的偏差。主要来源01同窝效应：同窝仔畜共享母猪哺乳能力、子宫环境和早期护理条件，导致窝内个体表型高度相似02母体效应：母本的基因型和表型通过哺乳、护理等途径影响子代表型，与子代自身基因型效应混杂对估计的影响01忽略共同环境效应时，全同胞组内相似性被全部归因于遗传因素，导致遗传力估计值系统性偏高02窝效应方差c²的引入可将模型扩展为P=G+E+C，有效分离遗传与环境效应控制方法01试验设计中随机分配同窝个体到不同环境组，打破共同环境与遗传的系统性关联02统计模型中加入窝效应随机项，利用REML方法同时估计σ²A和σ²C，获得无偏遗传力估计Assumptions遗传模型的简化假设标准遗传模型的有效运行依赖于加性基因效应、基因-环境独立性、随机交配和无连锁不平衡等核心假设。合理的简化使得模型在信息不完备条件下提供足够精确的遗传评估。加性效应主导假设上位效应可忽略，显性效应归入环境残差，仅加性效应构成可遗传的育种值组分。加性效应基因-环境独立不同基因型对环境变化的响应模式相同，无G×E互作，但高产基因型往往对管理条件更敏感。G×E随机交配群体中配子随机结合，无选型交配和近交；违反此假设将导致方差组分估计的偏差。方差偏差无限基因座性状受无穷多微效基因控制且各基因效应等效，使得性状在群体中近似正态分布。正态分布QuantitativeGenetics·Transmission代际传递模型(TransmissionModel)在减数分裂中亲本将一半基因组随机传递给子代，子代的期望育种值等于双亲育种值的算术平均值。这一传递规律构成了选择指数、BLUP评估和交配方案设计的理论基础，也是预测遗传进展和规划育种方案的核心数学工具。01传递规律：子代从每个亲本获得½的加性遗传效应，期望育种值EBVoffspring=½(EBVsire+EBVdam)02孟德尔抽样项：子代实际获得的基因组合与期望值的偏差称为孟德尔抽样，其方差为½VA，是BLUP估计中的重要参数03选择响应预测：R=h²×S，选择响应等于遗传力乘以选择差，遗传力越高或选择强度越大则遗传进展越快04世代间隔影响：年遗传进展ΔG=R/L，缩短世代间隔（如利用基因组选择）可显著加速育种改良速度猪育种中的亲子代际关系—代际传递模型的实际应用场景QuantitativeGenetics选择响应与遗传进展选择响应R=h²×S揭示了遗传进展的决定因素：遗传力决定了选择差转化为遗传改良的效率。年遗传进展ΔG=i×r×σA/L综合了选择强度、准确度和世代间隔三个要素，是育种方案优化的核心目标函数。Formula01选择响应公式R=h²×S选择响应=遗传力×选择差。S为被选亲本均值与群体均值之差。选择差S受选择比例影响：选留比例越小，选择强度i越大，但近交风险也增加。h²×SFormula02年遗传进展ΔG=i×r×σA/Li为选择强度、r为估计准确度、σA为加性标准差、L为世代间隔。基因组选择可将世代间隔L缩短40–60%，同时保持较高准确度，大幅提升年遗传进展。40–60%Practice实践优化提高选择强度：扩大候选群体规模，使用AI技术扩大优秀种公畜的配种数量。提高估计准确度：增加亲属信息量，采用BLUP方法整合多来源数据，引入基因组标记信息。BLUPGeneticEvaluationBLUP方法基本原理BLUP(最佳线性无偏预测)是现代遗传评估的标准统计方法，其核心优势在于能同时估计固定环境效应和随机遗传效应，利用所有可用的亲属信息和多世代数据进行联合分析。混合模型框架y=Xb+Zu+e，其中b为固定效应（场年季等环境因素），u为随机遗传效应即育种值，e为残差项。该模型将观测值分解为可解释的系统成分和随机变异成分。y=Xb+Zu+e分子亲缘关系矩阵A基于系谱构建的加性遗传关系矩阵，量化所有个体间的遗传相关程度。矩阵元素反映个体间的共祖系数，为联合评估提供完整的亲缘结构信息，实现多世代数据的整合利用。MatrixA—AdditiveGeneticRelationships混合模型方程组MME同时求解固定效应与随机效应的BLUE/BLUP估计，通过Henderson方法将复杂的混合模型转化为可高效求解的线性方程组，计算效率高且数学性质优良，广泛应用于大规模遗传评估。MME—MixedModelEquations动物模型优势以个体为分析单位，直接利用所有亲属信息（父母、后代、全同胞、半同胞），可校正选型交配和选择偏差的影响，提高育种值估计准确性，是现代畜禽遗传评估的主流方法。AnimalModel—IndividualasUnitGenomicSelection基因组选择与遗传模型的融合基因组选择通过高密度SNP标记直接测量个体间基因组实际相似性，替代传统系谱关系矩阵，能捕捉孟德尔抽样变异并在动物出生时提供高准确度遗传评估。技术原理利用50K–770KSNP芯片扫描全基因组标记，构建基因组关系矩阵G替代传统系谱矩阵A参考群体训练标记效应，候选群体直接预测基因组育种值GEBV50K–770K核心优势世代间隔缩短40–60%，无需等待后裔性能记录，出生时即可获得高准确度遗传评估捕捉系谱无法反映的孟德尔抽样变异，低遗传力性状选择准确性显著提升40–60%ssGBLUP统一框架将基因组关系矩阵G与系谱矩阵A融合为H矩阵，实现基因型和非基因型个体联合评估避免传统两步法偏差，已成为全球主要畜禽遗传评估系统的标准方法H矩阵FrontierTopics遗传模型的前沿议题(2024)当代遗传模型正从单性状加性模型向多性状、非加性和G×E互作方向演进。基因组数据的爆发式增长推动了计算方法的革新，使得更复杂但更真实的模型成为可能。这些进展正在重塑全球畜禽遗传评估的技术体系。多性状模型利用性状间遗传相关提高估计准确度，对低遗传力性状和难以直接测量的性状具有显著价值。通过联合分析多个相关性状，实现信息借用与精确度提升。肉质评估基因型×环境互作同一基因型在不同饲养条件下的表现排序可能发生改变，反应规范模型可量化基因与环境的互作效应。这对跨地域育种方案制定具有重要指导意义。G×E非加性效应评估高性能计算使显