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 | УДК: 636.082.2 | DOI: 10.36718/1819-4036-2021-7-163-170
Genomic selection as a basis of breeding (review)
The principles of genomic breeding value prediction are based on the employ of linear models according to world standards and commonly accepted algorithms were presented in this review. The basic soft-ware tools for carrying out genetic calculations are displayed. The principles of breeding programs in relation to world practice are considered and the functional scheme of genomic selection based on the analy-sis of the phenotypes of previous generations of animals were presented. The BLUP algorithm is presented as a way to organize and harmonize data, as well as a way to separate the effects of the working environment and the genotypic component of breeding value. The significance of animal selection and assessment of their heritability by REML was considered. To predict the breeding value of animals, the method of genetic estimating should be close in its results to assessing the EBV of animals according to their own productivity and the progeny productivity. The genomic evaluation algorithm is built on BLUP algorythm and aims to calculate the values of the breeding (genetic) value, taking into account the trans-mission of genetic traits by inheritance. The genomic evaluation method is impossible without phenotype estimate. The generation of a mathematical environment for genomic estimation takes into account the utilization of genotyping data for breeding animals by SNP (genetic chips of Illumina and Affimetrix, USA) and the enjoy of data from genetic markers for young animals. The genomic selection is directly based on BLUP and the use of genetic chips is required only for evaluating young animals immediately after their birth or theoretical born animals in mathematical modeling. For mature sires, the evaluation of the genetic breeding value and index calculations is carried out according to the classical canons according to their own productivity or the progeny productivity, which are reevaluated annually using BLUP regression analysis.
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.
