Геномная селекция как основа племенной работы (обзор)
Автор: Александр Евгеньевич Калашников, Анатолий Иванович Голубков, Виктор Григорьевич Труфанов, Екатерина Ряшитовна Гостева, Владимир Леонтьевич Ялуга, Валентин Петрович Прожерин
Журнал: Вестник Красноярского государственного аграрного университета @vestnik-kgau
Рубрика: Ветеринария и зоотехния
Статья в выпуске: 7, 2021 года.
Бесплатный доступ
Приведенные в настоящем обзоре принципы геномного прогноза племенной ценности основаны на применении линейных моделей по мировым стандартам и общепринятых алгоритмов. Перечислены основные программные средства для проведения генетических расчетов. Рассмотрены принципы селекционных программ относительно мировой практики и приведена функциональная схема геномной селекции, основанной на анализе фенотипов предыдущих поколений животных. Метод BLUP приведен как способ упорядочивания и гармонизации данных, а также как способ разделения факторов производственной среды и генотипической составляющей. Рассмотрена значимость отбора животных и оценки их наследуемости по REML. Для прогнозирования племенной ценности животных метод генетического прогноза должен быть приближен по своим результатам к оценке племенной ценности животных по данным их собственной продуктивности, продуктивности потомства. Алгоритм геномной оценки настроен на BLUP и ставит своей целью расчет величин племенной (генетической) ценности с учетом передачи генетических признаков по наследству. Метод геномной оценки невозможен без оценки фенотипа. Формирование математической среды для геномной оценки учитывает применение данных генотипирования племенных животных по SNP (генетические чипы Illumina и Affimetrix, США) и использование данных маркерной и геномной селекции для молодых животных и производителей, а также генетической идентификации животных по SNP. Геномная селекция напрямую основана на BLUP, и использование генетических чипов требуется лишь для оценки молодых племенных животных сразу после их рождения или теоретически народившихся животных при математическом моделировании. Для зрелых производителей оценка генетической племенной ценности и индексной оценки осуществляется по классическим канонам по данным их собственной продуктивности или продуктивности потомства, которые ежегодно переоцениваются при помощи регрессного анализа BLUP.
Геномная селекция, BLUP, матрица родства, племенная ценность, количественные признаки, матричные уравнения, линейные уравнения.
Короткий адрес: https://sciup.org/140254571
IDR: 140254571 | DOI: 10.36718/1819-4036-2021-7-163-170
Список литературы Геномная селекция как основа племенной работы (обзор)
- Басовский Н.З., Кузнецов В.М. Методиче-ские рекомендации по разработке и опти-мизации программ селекции в молочном животноводстве. Л.: ВНИИРГЖ, 1977. 87 с.
- Кузнецов В.М. Методы племенной оценки животных с введением в теорию BLUP. Ки-ров. Зональный НИИСХ Северо-Востока. 2003. 358 с.
- Guo G., Lund M.S., Zhang Y., Su G. Compari-son between genomic predictions using daughter yield deviation and conventional esti-mated breeding value as response variables // J. Anim Breed Genetics. 2010. V.127(6). P. 423–432.
- Henderson C.R. Best Linear Unbiased Estima-tion and Prediction under a Selection Model // Biometrics. 1975. V. 31 (2). P. 423–447.
- Kaas E.R., Raftery A.E. Bayes factors // Jour-nal Americs State Association. 1995. V. 90. P. 773–795.
- Pocrnic I., Lourenco D.A., Masuda Y., Legarra A., Misztal I. The Dimensionality of Genomic Information and Its Effect on Genomic Predic-tion // Genetics. 2016. V. 203 (1). P. 573–581.
- Robinson G.K. That BLUP is a Good Thing: The Estimation of Random Effects // Statistical Science. 1991. V. 6 (1). P. 15–32.
- Schaeffer L.R., Reents R., Jambrozik J. Fac-tors Influencing International Comparison of Dairy Sires // J. Dairy Science. 1996. V. 79. P. 1108–1116.
- Sorensen D., Waagepetersen R. Model selec-tion for prediction of breeding values // Pro-ceedings of the 7th World Congress of Genetics Applied to Livestock Production. 2002, 19–23 August. V. 32. P. 513–520.
- VanRaden P.M. Efficient Methods to Compute Genomic Predictions // J. Dairy Science. 2008. V. 91. P. 4414–4423.
