在鱼类育种计划中控制近亲繁殖的战略； 使用最佳遗传贡献（OC）程序的应用方法

阅读者：王靖文

摘要：本文的目的是开发和测试不同的应用最佳遗传贡献（OC）来控制各种实际鱼类育种计划中近交率的方法，这些方法对可管理的全同胞家系数量有限制。使用无限遗传模型进行的模拟研究用于比较四种不同的实施OC的方法的性能，以及现在通常用于控制鱼类种群近交的方法。研究了不同规模的育种计划，家系数量从40到200不等，每个家系的后代数量从8到200不等。假设遗传力分别为0.1、0.25和0.5，并且每代的近交率（ ΔF）限制为0.005。使用第5至15代的平均遗传增益（ΔG）来比较不同方案。用OC方法获得的遗传增益比当今常用的方法高出13％。结果表明，尽管传统的近交控制方法可能在许多情况下都可行，但OC程序是有益的，并且实际上可以实施。因此可以得出结论，在水产养殖育种计划中应执行OC程序。

前言

在过去的几十年中，选择性育种已被用于改善水产养殖中各种鱼类的生产性能。这些育种计划的主要目标通常是使特定性状组合的遗传增益最大化，并且确实已经报道了许多不同性状的遗传改良。在大多数鱼类中，高繁殖力有助于很高的选择强度和准确性，与其他家畜相比，每年的遗传增益较高。但这也可能导致很少的家系控制着对下一代的遗传贡献，并因此支配着未来的基因库，因此近交率（ΔF）很容易提高到不良水平。这对育种计划是有风险的，因为高近交率会导致有害等位基因频率的快速变化，与育种目标有关或与适应性有关的重要性状的近交衰退，较少的遗传变异，降低了未来的遗传进展或产生遗传侵蚀（Gjerde等，1983； Wang等，2001； Fessehaye等，2007）。因此，必须控制近交，一般通过测量每代的ΔF来完成。对于可接受的ΔF没有最终的通用答案，但根据经验，在育种方案中，每代ΔF≤0.01通常被认为是可持续的（Goddard，1992； Meuwissen和Woolliams，1994； FAO 1997）。

因此需要开发控制ΔF的程序。在过去的几十年中，已经开发出了有效的数据程序来最大化遗传进程，同时将ΔF限制在预定值（Brisbane和Gibson，1995； Meuwissen，1997；Grundy等，1998； Grundy等，2000）。因此，与传统的最佳线性无偏预测（BLUP） 截断选择相比，Meuwissen和Sonesson（1998）的研究表明，在某些情况下，与相同的近亲繁殖率进行比较，使用这些程序可以改善高达 22% 的基因增益方法。

在本研究中，我们将进一步研究Meuwissen（1997）在鱼类育种计划中的最佳贡献（OC）程序。该方法最大程度地提高了下一代的遗传水平，同时将近交限制在与所需ΔF一致的预设水平。遗传水平可以用‘定义，其中是遗传贡献的向量，是t代选择候选者的估计育种值的向量。该方法已在家畜育种计划中得到了一定程度的实施（Weigel和Lin，2002； Avendano等，2003；Kearney等，2004），但迄今为止，仅报道了这种方法仅用于极少数鱼类繁殖计划。鱼中的一个例子是芬兰虹鳟鱼繁殖计划（Kause等人，2005）。已经进行了与鱼类育种相关的模拟研究，以评估使用OC的不同育种和交配方案：例如Sonesson和Meuwissen（2000）研究了不同非随机交配策略的影响，Sonesson（2005）研究了鱼类育种的性能使用基因分型和后退选择的方案，而Holtsmark等。 （2008a；2008b）在研究育种程序的不同启动策略的影响时，应用了OC选择。但是，这些模拟研究都没有将OC的使用与实践中使用的其他近交控制措施（例如，限制每个家系选择的数量）进行比较，也没有考虑直接使用OC的实际限制。

鱼育种设计与其他动物育种设计之间的主要区别在于，出于设施考虑，通常每代生产的家系数量是预设的。同样，将每个同胞和半同胞组的大小预先设置为每个家系标鱼的标准化数量。通常情况下，当使用物理性的标签每个全同胞家系50-100人的标签。相比之下，当使用DNA分型构建家谱时，每个家系可以测试几千个生长性能，2000-5000最佳基因型作为候选。与开发OC的家畜环境相比，这些数字很大。直接应用可用的OC程序时，这会导致实际困难。 Amer和Symonds（2000）表明，通过优化族群的贡献可以实现OC算法的实际应用。总体而言，该策略与OC的关注点（个人关注）不一致。

因此，本文的目的是开发和测试在各种鱼类育种方案中应用OC的不同方法。即，在不牺牲最大化收益的前提下，寻求可行的OC实用实施方案。使用无穷小遗传模型进行的模拟研究将用于测试所应用的方法，并将其与理论上或更理想的OC方法以及当今用于控制近交的常用方法进行比较，该方法将设定允许从每个家系中使用的最大亲本数量。

2.方法

2.1.产生资料

通过随机模拟对人工选择下具有离散世代的种群进行建模。每一代由相同数量的个体N组成，雄性和雌性的数量相等。对单个性状进行选择，按性别进行测量，并计算BLUP估计的育种值（EBV）。 BLUP值是通过拟合模型y = g + e来获得的，其中假设g为N（0，A），其中A为赖特的分子关系矩阵，而e〜N（0， I ），I是单位矩阵。假定选择的性状是由无限数量的无连锁基因座决定的，每个基因座都具有极小的作用（Bulmer，1985）。

从分布N（0，）采样不相关的基本种群动物（第0代）的基因型gi，其中是第0代的遗传方差。然后从 = +，其中是从N（0，）中采样的环境效应，其中 = 1−。在基础代中，表型方差等于1，遗传力 =。后代的后代表型值生成为 = 0.5 + 0.5 + +，其中s和d表示后代i的父本和母本。 和是父系和母系的加性遗传值； 为孟德尔抽样效应，分布为N（0，0.5（1-（ +）/ 2）），其中和分别为父系和母系的近交系数；是从N（0，1−）中采样的环境效应。

模拟的每种场景都进行了15代，即14代选择。为了比较不同的方案，使用了5至15代的平均每代遗传增益（ΔG），因为到那时为止，已经达到了Bulmer平衡，并且稳定了每代的遗传增益（Bulmer，1985）。

2.2.选择和交配

使用了五种不同的交配方案，旨在以恒定的近交率产生遗传增益。在本研究中，整个目标ΔF为0.005，或Ne = 100。在所有模拟方案中，可以制作全同胞家系（nfam）的数量，以模拟实际限制。

2.2.1.  Current State

Current State（CS）是当今通常用于控制鱼类种群近交的一种方法。估计了所有个体的BLUP育种值，并选择了排名最高的作为下一代的父母，但对可以从同一家系中选择作为下一代父母的后代的最大数量进行了限制。在本研究中，进行了一些测试仿真，其中有所不同。使用给出ΔF<0.005的最大值，因此从使用40个全同胞家系时的2个到200个全同胞家系中的8个不等。选定的父本和母本随机交配，但限制条件是<0.25。这对应于最初避免全同胞和半同胞的交配。由于具有离散性，因此无法针对所有测试设计准确获得所需的近交率。

2.2.2.OC Direct

OC Direct（OCD）是直接使用OC程序，即，每个父母的后代数量与估计的贡献系数成比例地变化。因此，这是理论上最佳或最佳的解决方案。该方法意味着假定所有个体都适合作为下一代的父系或母系，并且可以实现所有可能的交配组合。计算了每一代所有个体的BLUP育种值以及遗传关系矩阵，并将其输入到OC程序中（Meuwissen，1997年），以向量的形式产生了对下一代的遗传贡献，c 。 c是通过在两个限制条件下最大化c'EBV来获得的。第一个是所需的ΔF，它是通过限制生成t，½c'Ac≤1-的选择候选的平均余弦而获得的。第二个限制是，每个性别的贡献都应相等，即c' = c'= 1/2，其中是一个矢量，其中雄性为1，雌性为0，是矢量，雄性为0，而1对于雌性。然后对所得方程进行数值求解以获得c。对于后代中的每一个，随机分配一个父本和一个母本，其概率与c中找到的相应OC系数成正比。即使这种方法可以很好地估计出估计的贡献，但在实际的育种方案中还是很难应用的。半同胞和全同胞家系的数量将非常大，因为根据所涉父母的贡献系数，所有可能的交配组合都会产生许多后代。不可能单独饲养这么多的家系，其中许多家系只能由一个或几个个体组成。与其他方法不同，OCD的交配关系不受限制。这样做的原因是，OCD并非实际适用。相反，它应该尽可能接近最佳解决方案，并为其他方法提供参考。

2.2.3. OCAmer

OC Amer（OCA）基于Amer和Symonds（2000）开发的方案，该方案使用家系平均育种值作为估算OC系数的基础。计算所有个体的BLUP育种值，然后将每个性别的每个全同胞平均。然后将OC算法应用于这些家系EBV，给出cm和cf，其中包含每个性别和每个家系的最佳遗传贡献。结果，每个家系将贡献与其OC系数成比例的一些父本和母本。例如，如果一个家系要在一个有50个同胞家系的计划中贡献10％的父本，那么将选择该家系中排名前5位的雄性。应用该算法所需的贡献将是分数，例如，一个家系应贡献4.6个父本，但实际贡献必须为整数。因此，一些低OC系数的家系根本不会贡献，因为需要一定的最低OC系数才有资格获得一个父本或母本的贡献。在给定交配中的个体相关性应小于预设限制<0.25的限制下，每个选定的公虾随机交配到一个可选母虾。

2.2.4. OC Family

OC Family（OCF）是OCA的修改版本，它仅使用每个家系中最优秀的雄性和最优秀的雌性中的EBV。这样做的理由是，群体中任何给定的“超个体”或离群个体都可以相对为其家系平均贡献更多。进行了一些特定的模拟来评估nsel的影响，结果显示少量nsel的遗传增益急剧增加，但似乎将nsel值设置为8左右达到了最高水平，较高的值则没有进一步的增益（结果未显示）。 根据这些结果，选择nsel值为10进行比较研究。 计算了所有个体的BLUP育种值，但仅使用每个家系中nsel最佳雄性和nsel最佳雌性的EBV作为OC算法的输入。通过对每个家系的系数求和来计算家系贡献，从而形成代表每个家系的两个遗传贡献向量，每个性别一个。 根据这些家系贡献因素，根据其EBV选择每个家系中排名最高的雄性和雌性的相应个体数量。 然后以与OCA方法相同的方式将这些父系和母系配对。

2.2.5. OC Individual

最后一种方法，OC Individual（OCI），基于每个个体的育种价值估算贡献。贡献系数的计算方法与OCF中相同，但未在家系中求和。取而代之的是，选择候选个体被用作与它们自己的个人贡献系数成比例的一些家系的父本或母本。因此，没有足够高的OC系数的个体根本不会对任何家系有贡献，而其他个体可以用于一个以上的家系。雄性和雌性半同胞都是可能的，因此将不再是纯粹的1：1交配方案。配合比率将根据贡献系数而变化。贡献低的个体只能在一次交配中使用，而较高的系数会导致更多的交配，最好的公虾和母虾最多交配10–15个。选定的父本和母本随机交配，但又受到<0.25的限制。

2.3.研究参数

研究了不同规模的繁殖计划；测试的家系数量（）为40、60、80、100、120、150和200，所有全同胞群体规模（）为50。对于100个家系的设计，值为8、10、20分别测试了30、50、80、100和200。对于OCD方案，家系的数量和规模将有所不同，这些数字仅对基础代有效。由于非常耗时的计算，OCD的后代数量限制为100个，而且趋势已经很清楚了（请参阅第3节）。研究了低，中或高的遗传力（ = 0.1、0.25和0.5），并针对每种遗传力重复了所有方案。每代的ΔF被限制为0.005。该值对应于有效群体数量100，该数量应在避免体能丧失所需的建议数量之内（Meuwissen和Woolliams，1994）。所有结果均基于50次重复的平均值，因为这足以使结果清晰。

3.结果

3.1.育种设计的大小和遗传力的影响

育种设计规模和遗传力的影响各种方法的平均遗传增益；在图1和图2中，针对不同数量的后代和对象给出了CS，OCI，OCF，OCA和OCD。 1和2。OCD方法总体上优越。对于家系众多且遗传力中等至较高的设计，OCI方法优于（P<0.01）CS，OCA和OCF方法（图1）。当 = 0.1的家系数低于100， = 0.25的家系数低于120， = 0.5的家系数低于80时，CS方法的设计表现较其他设计差（P <0.01）。

当将遗传力设置为0.5时，使用OCI方法获得的遗传增益比使用OCD降低2％至8％。少数家系发生的差异最大，而CS方法则高出9-25％。对于家系数量最少的计划，OCI比CS好25％，CS的近交率要低得多，为0.0031。如此低的ΔF是由于选择了，较高的值并未达到对ΔF的限制，从而使CS的增益较低。除此特定情况外，CS比其他“可行或实际” OC方法差14％。

图1还显示了其他两个遗传力的结果。 = 0.1和0.25。较低的遗传力显示相同的模式，但差异较小。对于 = 0.1和大量的家系，所有实际方法之间的差异消失了。但是，对于数量最少的家系，CS的表现要差一些，因为与其他方法相比，的可能选择导致近交率低得多。在 = 0.25，家系数为80或以上， = 0.5，家系数为60或以上的情况下，OCI优于其他“应用”的方法（P <0.01）。对于 = 0.1，没有显著差异。

在图2中，显示了10-200个不同家系规模的结果。方法的总体排名显示，理论上最好的方法OCD给出了最高的ΔG，其次是OCI，OCF，OCA和最后的CS。这些方法之间的差异，甚至是方法的等级，都随每个家系的后代数量而变化。随着的增加，OCD仍然明显优于OCI和其他方案，而CS仍然是最差的。对于所有OC方案，每代ΔF的预设限值均相等，但由于各种方法和交配策略的实际调整所导致的近似值，因此并非总是以预设速率精确得出（表1）

图3显示了近交是如何通过各种测试方法发展的。 对于所有方法，实现的ΔF都接近预设速率。由于OCA、OCF、OCI和CS对近亲交配的限制，与OCD相比，这些方法的近亲繁殖增加使得延迟了一代。对于CS方法，必须确定每个家系选择的合适数目，并且此固定数目的分类性质使得难以在各个世代中将近交水平管理到精确水平。

4.讨论与结论

在大多数商业鱼类育种计划中，由于设施限制，每代生产的家系数量是预先设置的，例如在标记之前可用来盛装卵和鱼苗的全同胞家系水箱的数量，以及每个同胞组的大小也由于标记成本而受到限制。这导致了直接使用OC程序的实际限制，这意味着每个个体都需要贡献与他们的贡献系数成正比的多个后代。在Sonesson（2005）的模拟研究中，他研究了鱼类育种程序中最佳贡献选择的使用，每个后代都随机分配了一个父本和一个母本，其概率与贡献系数成正比。这与本研究中的OCD方法类似，它允许接近最佳派生贡献。虽然这项研究显示了OC在控制近交中的潜力，但它遗漏了许多实际问题或考虑因素，但是目前的结果表明在实际的鱼类育种计划中可以实施OC，这将导致更高的遗传增益，对比当今常用的方法CS；特别是针对少数家系。

鱼类育种程序的优化先前也已通过随机模拟和分析进行了研究，而CS方法的当前结果通常与先前的发现相符。 Gjerde等 （1996）发现遗传增益为0.20和0.22，总群体为5000和10000，=0.1，而Villanueva等（1996）发现相同的群体规模和 = 0.5的遗传增益分别为0.81和0.90。在这项研究中，对于 = 0.1，相应的数字分别为0.22和0.25，对于 =0.5，相应的数字为0.80和0.85。 OCD优于CS的优势介于9％和17％之间，这可以与OC程序优于传统BLUP截断选择方法的22％优势相比较，后者不受限制（Meuwissen和Sonesson，1998）。

对于所有测试的交配方案，除了OCD外，对交配中所用个体之间的关系都有限制，即<0.25。这样做是为了避免交配关系太近的个体（全/半同胞），这是现实育种计划中的常见做法。对于模拟的后代，随着个体之间平均关系的增加，它也可能导致相关性较低的动物不被交配，例如第一表亲。在CS，OCA，OCI和OCF程序中避免近亲交配会促进配偶的消极分类。通常证明这对遗传增益具有积极作用（Sonesson和Meuwissen，2000年）。由于对的限制未应用于OCD方法，因此OCD与其他方法之间的实际差异可能会比本研究结果表明的要大一些。但是，避免全同胞交配并进行负性交配是有益的，因为它避免了更极端的近交系数，并且如Sonesson（2005）所示，它很容易与OC程序结合。

本研究中更令人惊讶的发现之一是，在某些特殊情况下，CS方法优于某些OC方法，即，对于20以下规模的家系（图2）。对此的一种解释可能是，对于OCA和OCF方法，如果家系规模很小，那么极端家系会严重影响一个家系的贡献系数。例如，普通家庭或贫困家庭中的上级个人可能足以为家庭做出贡献。但是，在分配家庭供款时，将由许多家庭成员共享，而不仅仅是上级个人。这种“夸大”的配额可能会导致选择该家庭的下等成员，而在最佳情况下则不应如此。随着家系规模的扩大，这种影响将减弱，因为每个人对家系总贡献的影响将减小。 OCI不会以相同的方式受到此影响，并且无论每个家系的规模大小，估计的父本和母本贡献都将相同。

另一方面，此处报告的CS结果可能比实际情况要好一些。通过首先进行一些初始模拟，我们在这里对方法进行了校准，以使其能够尽可能精确地提供预设的近交。就我们所知，这种方法的校准不是通常的做法，因此，在实际情况下获得的实际近亲繁殖相对于近亲繁殖的最佳水平而言通常可能太大或太小。

这项研究不包括常见的家系环境影响，但是预计不会影响结论。由于OCI是唯一没有1：1交配的适用方法，因此，它最适合估算常见的家系效应。因此，当引入共同效果时，与其他方法相比，预计OCI的性能会更好。

本研究表明，在OC方法的理想主义应用中，可以获得的遗传增益与这里测试的鱼类养殖计划中任何更现实或适用的方法之间存在一定的差异。这主要是由于需要管理大型同胞家系。但是，在本研究中，OCD方法相对于更实用的OCI的优越性从未超过6％，涉及的家系数量和规模范围很大。然而，在比较适用的方法时，新方法建议，OCI，在测试 = 0.25和200个家系时，遗传增益比其它可用方法多6%，这将是当代鱼类中典型或合理数量的家系育种计划。

这项研究表明，OC可以以实用的方式应用于鱼类育种计划中的近交控制，其效果与常用方法CS更好或相等，这意味着每个家系的繁殖者都有固定的配额。此外，OC方法还将对近交管理进行明确控制。在实际可行的方法中，OCI的综合性能最佳。因此，我们强烈建议在水产养殖育种计划中以OCI的形式实施OC。

英文原文doi:10.1016/j.aquaculture.2010.11.023

https://sci-hub.shop/10.1016/j.aquaculture.2010.11.023