显性效应对苏淮猪肉色性状遗传评估和基因组选择的影响

刘航，侯黎明，王彬彬，刘晨曦，陶伟，张总平，牛培培，李强，李平华,4,5*，黄瑞华,4*

(1. 南京农业大学养猪研究所，江苏 南京 210095；2. 南京农业大学淮安研究院，江苏 淮安 225001；3. 淮安市淮阴新淮种猪场，江苏 淮安 223322；4. 江苏现代农业(生猪)产业体系集成创新中心，江苏 南京 210095；5. 淮安沐林新农村发展研究有限公司，江苏 淮安 225001)

从传统的表型选育，到最佳线性无偏预测(best linear unbiased prediction, BLUP)，再到标记辅助选择(marker assisted selection, MAS)，育种技术得到了快速的发展，极大地促进了生猪品种的遗传改良[1-2]。随着Meuwiseen等[3]提出基因组选择(genomic selection, GS)，遗传育种技术得到进一步的发展。基因组选择将基因组信息考虑进估计育种值(estimated breeding values, EBVs)的BLUP方法中，即基因组最佳线性无偏预测(genomic best linear unbiased prediction, GBLUP)[4]。目前许多育种跨国企业如种猪改良公司(pig improvement company, PIC)、丹育、海波尔育种有限公司(Hypor)等已将GS应用于猪的育种中，国内以温氏为代表的大型育种公司也纷纷开启猪GS育种工作[5]。近年来肉质性状开始被各大育种公司纳入育种目标。肉色性状是肉质性状中最影响消费者购买欲的指标。肉色性状作为微效多基因控制的数量性状，其遗传力属于中或低等，且表型测定需要通过屠宰才准确，因此基于系谱和常规选择方法遗传参数预测的准确性仍达不到理想程度，需要采用基因组选择方法进行遗传参数估计和高效育种[6]。

决定数量性状的多基因效应分为加性效应、显性效应和上位效应，其中加性效应值为估计育种值，反映了目标动物在育种上贡献的大小。复杂性状的遗传结构中主要包括基因的数量和效应大小、基因间的互作、基因与环境间的互作等。以肉色为代表的肉质性状的遗传结构复杂，然而目前常用的GS方法只将加性效应加入模型中。显性效应为非加性效应，是同一位点上2个等位基因之间的相互作用[7]。Su等[7]利用4种不同遗传效应组合的模型估计杜洛克猪平均日增重(30～100 kg)的遗传力为0.357～0.397，该性状的显性遗传方差占总表型方差的5.6%。研究发现当显性遗传方差和总表型方差的比率达到0.2时，估计模型中加入显性效应时，其准确性会明显提高[8]。王延晖等[9]利用模拟数据比较了不同模型下基因组估计育种值(genomic estimated breeding value, GEBV)估计的准确性，结果表明当显性遗传方差在遗传方差中的比重越高，显性效应对GEBV估计的准确性影响越大。有研究表明显性效应不仅能提升复杂性状GEBV预测的准确性，同时可用于指导个体间的交配计划来提高后代的总遗传价值[10]。苏淮猪含有75%大白猪和25%淮猪的血统，其作为国内优良的杂交品种猪，具有生长发育快、繁殖率高、肉质鲜美等特点[11]。目前尚未有团队分析显性效应对猪肉色性状的影响，因此本研究以苏淮猪为试验动物，利用DMU软件的单性状模型和平均信息约束最大似然(average information restricted maximum likelihood, AI-REML)算法，比较包含和不包含显性效应的模型下，GBLUP方法估计猪肉色性状加性遗传方差和显性遗传方差的变化，并评估GEBV预测的准确性。

1 材料与方法

1.1 试验动物

本研究从江苏省淮安市淮阴种猪场选取487头苏淮猪，其中291头阉公猪和196头母猪，分为4个批次在相同饲养条件下饲养后屠宰。屠宰前禁食24 h，自由饮水，于淮安市金源肉品中心进行屠宰。屠宰日龄为(239.4±2.2)d，胴体重为(61.25±0.46)kg，并依据屠宰时的气候状况分为4个季节(3、4、5月为春季，6、7、8月为夏季，9、10、11月为秋季，12、1、2月为冬季)。

1.2 样品采集及表型测定

采集试验动物的耳组织样，用于基因组DNA提取[12]。采集胸腰结合处背最长肌组织样品，用于测定肉色性状。在屠宰后45 min，随机选择背最长肌横截面的3块区域，使用HunterLab MiniScan EZ (New York, USA)仪器测定肉色，通过国际照明委员会(International Commission on Illumination, CIELAB)色度坐标(亮度L*、红度a*和黄度b*)参数表示，并记为L*45 min、a*45 min和b*45 min，求其平均值。置于4 ℃下保存24 h，再次测定背最长肌的3个随机区域的肉色参数，并记为L*24 h、a*24 h和b*24 h，求其平均值。

1.3 基因组DNA提取、分型及质控

利用DNA提取试剂盒(天根生化科技有限公司，北京)提取耳组织样DNA，通过NanoDrop 2000分光光度计测量DNA原液浓度，DNA原液纯度指标(OD260 nm/OD280 nm)值在1.8～2.1之间。利用GGP Porcine 80K SNP 芯片(纽勤生物科技有限公司，中国上海)对合格的DNA原液进行SNP分型，共获得68 516个SNP。

通过PLINK(V1.07)软件对SNP分型结果进行质控，并去除位于性染色体和未知染色体上的SNP，质控条件如下：1)最小等位基因(minor allele frequency, MAF)大于 1%；2)SNP检出率大于95%；个体检出率大于90%。质控后，保留487个个体和55 035个SNPs，用于后续的分析。

1.4 统计模型及分析方法

本试验先通过SAS 9.2软件的一般线性模型(general linear model, GLM)分析每个肉色性状的影响因素，将显著影响肉色性状的因素(P<0.05)考虑进后续分析对应模型中。一般线性模型如下：

y=μ+S+B+E+A+C+e。

模型中y代表肉色性状表型值；μ代表群体均值；S代表性别；B代表屠宰批次；E代表屠宰季节；A代表日龄；C代表胴体重；e代表随机残差。

基于DMU软件的单性状模型和AI-REML算法，通过GBLUP方法估计苏淮猪群体中肉色性状的遗传方差和GEBV。本试验使用的遗传力为狭义遗传力，即加性遗传方差与表型方差的比值。GBLUP统计模型如下：

GBLUP-A：y=Xb+Maqa+e，

GBLUP-AD：y=Xb+Maqa+Mdqd+e。

GBLUP-A为只考虑加性效应的统计模型，GBLUP-AD为同时考虑加性效应和显性效应的统计模型。模型中y表示肉色性状表型向量；b表示固定效应向量(L*值考虑屠宰批次、屠宰季节和胴体重；a*值和b*值考虑屠宰批次、屠宰季节和日龄)，X表示与固定效应的关联矩阵；qa和qd分别为加性效应向量和显性效应向量，Ma和Md分别为加性向量和显性向量的关联矩阵；e为随机残差效应。

本试验使用R3.6.3软件循环进行5重交叉验证用于检测模型预测的准确性，共循环20次。5重交叉验证先将试验群体随机等分为5份，依次将1份群体作为验证群体，4份作为参考群体，将验证群体预测的GEBV和矫正表型间的相关系数除以遗传力的平方根作为预测准确性[13]。

数据以“平均值±标准误”表示，P<0.01为差异极显著，P<0.05为差异显著。

2 结果与分析

2.1 苏淮猪肉色性状描述统计及影响因素

487头苏淮猪肉色性状如表1所示，a*值的变异系数最大，L*值和b*值变异系数也较大。

表1 苏淮猪肉色性状的描述统计(n=487)

表2为GLM模型对肉色性状影响因素显著性检验的结果。在该苏淮猪试验群体内，屠宰批次和屠宰季节对肉色性状均有显著影响(P<0.05)。L*值在夏季时最高，春季时最低；而a*值和b*值在春季时最高，夏季时最低。随着日龄增加，a*值极显著上升(P<0.01)，而b*值则显著下降(P<0.05)。L*45 min和L*24 h随着胴体重增加而显著下降(P<0.05)。因此在估算肉色GEBV的GBLUP-A模型和GBLUP-AD模型中，屠宰批次和屠宰季节作为固定效应，日龄作为a*值和b*值的协变量，胴体重作为L*值的协变量。

表2 肉色性状影响因素的显著性检验

2.2 不同模型估计的遗传方差

由表3可见，a*45 min的遗传力在GBLUP-A模型和GBLUP-AD模型中都最高，分别为0.32和0.27，而b*24 h在GBLUP-AD模型中获得最低的遗传力，为0.13。L*、a*和b* 3个肉色性状受显性效应影响程度不一，b*值在GBLUP-AD模型中显性遗传方差与加性遗传方差的比率可以达到2.0，而L*24 h估计的显性遗传方差几乎为0。显性效应对于不同性状加性效应估计的影响也不同，b*45 min的显性遗传方差与加性遗传方差的比率最大，但其在GBLUP-A模型和GBLUP-AD模型的加性遗传方差基本上未发生改变，因此遗传力也未被影响。显性效应对b*24 h具有较大影响，其遗传力下降了0.06。a*值受显性效应的影响也较大，a*45 min和a*24 h的显性遗传方差与加性遗传方差的比率分别为0.53和1.40，其遗传力都下降了0.05。而L*值受显性效应的影响最小，L*24 h基本上不受影响，L*45 min的遗传力只下降了0.01。

表3 不同模型下估计肉色的遗传参数

2.3 GBLUP预测准确性比较

GBLUP预测不同性状的GEBV时，其准确性不同。由表4可见，b*值的预测准确性最高，其中b*24 h的GEBV预测准确性在GBLUP-AD模型中达到0.790 6。a*45 min的GEBV预测准确性在GBLUP-A模型中最低，为0.448 7。比较了显性效应对肉色性状GEBV预测准确性的影响，除了L*24 h和b*45 min在GBLUP-A模型和GBLUP-AD模型中的GEBV预测准确性没有明显差异，L*45 min、a*45 min、a*24 h和b*24 h在GBLUP-AD模型中的GEBV预测准确性分别高于GBLUP-A模型。b*24 h在GBLUP-A模型和GBLUP-AD模型中的预测准确性都高于b*45 min，而a*24 h与a*45 min也呈现相同的趋势。

表4 不同模型预测肉色GBEV的准确性

3 讨论

3.1 苏淮猪肉色性状的影响因素

苏淮猪群体内肉色性状存在较大的变异，其中a*45 min的变异系数达到32.22%，a*24 h的变异系数达29.33%，L*和b*也存在相对较大的变异，因此需对苏淮猪肉色性状开展选育工作。传统的肉色性状评定主要通过比色板进行，常用的有日本肉色比色板和美国肉色比色板，但这两种测定方法主观误差较大[14]。本试验采用CLELAB色度坐标(L*、a*和b*)对肉色性状进行评定，相比于比色板更加科学客观[15]。肉色参数L*值与肌纤维类型和肌肉中糖原含量相关，a*值与肌肉中肌红蛋白含量相关，而b*值与脂肪含量相关[16]。因此影响3个肉色参数的主要因素并不相同。屠宰批次和屠宰季节对肉色具有显著影响，表明肉色受环境影响较大。Simonetti等[17]比较了不同屠宰前环境温度对肉品质的影响，发现当屠宰前环境温度高时，猪肉在屠宰后24和48 h均呈现出明显较低的pH值和a*值，明显较高的滴水损失和L*值。因此在生产中应该控制屠宰环境的变化，降低对肉品质的损害。

3.2 遗传结构对苏淮猪肉色性状遗传力的影响

在苏淮猪群体中，肉色的遗传力在0.13～0.32之间，属于低至中等遗传力，其中a*45 min在GBLUP-A模型中估计的遗传力最高达到0.32，b*24 h在GBLUP-AD模型中估计的遗传力最低，为0.13。不同群体间的肉色遗传力略有差异，但都属于低至中等遗传力。Cabling等[18]计算690头杜洛克猪的肉色遗传力，L*、a*和b*的遗传力分别为0.44、0.68和0.64。而Miar等[19]利用杜洛克和大白猪杂交产生的2 075头后代测定的肉色遗传力略低，L*、a*和b*的遗传力分别为0.28、0.26和0.31。屠宰后45 min和24 h的分别代表着热鲜肉和冷鲜肉，具有不同的经济价值，其中a*值和b*值在2个时间点也体现出不同的遗传力。本文发现苏淮猪a*值在45 min的遗传力明显高于24 h的遗传力，b*24 h则高于b*45 min。这可能是由于肌红蛋白的氧化状态容易受保存环境的影响，而脂肪则在4 ℃环境下趋于稳定状态。

不同性状的加性遗传方差与非加性遗传方差的比例不同，一般来说，低遗传力的性状相比于高遗传力的性状更容易受到非加性效应的影响。Tusell等[20]通过在纯合群体和杂合群体中对猪的6类性状进行遗传贡献的估计，发现不同性状其遗传表达模型不同，其中生长性状受显性效应影响较小，而肉质和行为性状则受显性效应影响较大。Liu等[21]对杜洛克猪和皮特兰猪杂交的品系进行35个表型的数量性状遗传位点(quantitative trait locus, QTL)定位，共鉴定到71个QTL，其中40个QTL加性效应较强，31个显性效应较强，值得注意的是与肉质性状相关的11个QTL的显性效应值与加性效应值的比率在0.3～3.0之间，这与本研究结果一致，表明肉质性状受显性效应影响较大。Stratz等[22]也对梅山猪、欧洲野猪和皮特兰形成的杂交系进行与肉质相关QTL的鉴定，鉴定到10个同时具有加性效应和显性效应的QTL，3个只具有显性效应的QTL，5个只具有加性效应的QTL。本次试验中，显性遗传方差与加性遗传方差的比率在b*值上表现最高，在L*值上表现最低，表明b*值受显性效应影响较大，而L*值则较小。b*45 min在GBLUP-A模型和GBLUP-AD模型中的遗传力并未太大变化，而b*24 h在GBLUP-AD模型中的遗传力下降了0.06，这可能是由于影响b*45 min和b*24 h的基因存在差异，b*24 h受环境影响更大。a*45 min和a*24 h受到显性效应不同程度的影响，但其遗传力都下降了0.05，且a*24 h的遗传力更低，即显性效应对a*24 h遗传力估计有更大的影响，而显性效应对于L*值的影响较小。肉色受到微效多基因控制，其遗传结构复杂，在估计肉色遗传力的模型中考虑不同的遗传效应有助于提高估计的准确性。

3.3 不同遗传结构对GEBV预测准确性的影响

随着测序成本的下降，基因组数据可以加入育种值估计的模型中，这大幅度提升了模型的准确性。GBLUP的模型可分为直接法和间接法，直接法利用基因组数据构建的亲缘关系矩阵代替了系谱构建的亲缘关系矩阵考虑进动物模型中；间接法则通过参考群体来估计各个SNP的效应值，将验证群体的各SNP效应值相加为GEBV[23]。为提高动物模型预测的准确性，多种模型被开发，如一步法(single-step, SSBLUP)、性状特异关系矩阵(trait-specific relationship matrix, TABLUP)、岭回归最佳线性无偏预测法(ridge regression best liner unbiased prediction, RRBLUP)和贝叶斯方法(如BayesA、BayesB、BayesC、BayesCπ和BayesLASSO)等[24]。本试验采用GBLUP的直接法，当性状遗传力低且受到多个微效QTL控制时，该方法预测准确性与贝叶斯方法、SSBLUP等模型相近[25]。在预测肉色性状GEBV的模型中，性状遗传力越高，其模型预测准确性也就越高，但同时也存在多种因素影响，如性状遗传结构、相关QTL数量、芯片SNP的分布及数量、有效群体数量等[26]。

本次试验中L*24 h的显性遗传方差接近为0，而其余5个性状都受到显性效应的影响，可能是由于环境对L*24 h产生较大的影响。结果表明L*24 h和b*45 min在GBLUP-A模型和GBLUP-AD模型中的准确性并未有明显差异，其余性状在GBLUP-AD模型中的准确性均有所提高，其中b*24 h的预测准确性在GBLUP-AD模型中比在GBLUP-A模型中约高了0.12。对于存在显性效应影响的性状，模型中考虑显性效应会增加模型的预测准确性。Nishio等[27]通过模拟数据来评估显性效应对于猪GEBV预测准确性的影响，结果表明当显性效应方差较大时，模型中加入显性效应，其准确性相比于常规模型提高了1.2%。Da等[28]基于1 654个荷斯坦奶牛的基因组数据，比较了GBLUP和GREML方法在不同模型下的预测准确性，发现同时包含加性效应和显性效应的GBLUP和GREML相比于只含单一遗传效应的模型具有高的预测准确性。因此在动物模型中考虑显性效应，可提高复杂性状GEBV预测的准确性，提升育种效率。

综上所述，本研究通过研究显性效应对肉色GBLUP预测准确性的影响，在肉色6个性状中L*24 h受显性效应影响小，而L*45 min、a*45 min、a*24 h、b*45 min和b*24 h受显性效应影响大。考虑显性效应的模型在预测L*45 min、a*45 min、a*24 h和b*24 h的GEBV时展现出更高的准确性，这为苏淮猪肉质性状遗传改良提供了更加合适的模型。