Zur Startseite
Д-р. Анна Вольк

e-mail: awolc@iastate.edu

Д-р. Анна Вольк и её коллеги с Университета штата Айова в США работают в тесном контакте с мировыми птицеводами и развивают примнение геномной селекции в разведении несушки. В этой статье описаны принципы и применение геномной селекции.

 
 

 

Геномная селекция в разведении несушек и бройлеров

A. Wolc*,†, A. Kranis‡,§, J. Arango† , P. Settar†, J.E. Fulton†, N. O’Sullivan†, S. Avendaño‡, K.A. Watson‡, R. Preisinger#, D. Habier*, S.J. Lamont*, R. Fernando*, D.J. Garrick*, J.C.M. Dekkers* (*Department of Animal Science, Iowa State University, Ames, USA, †Hy-Line International, Dallas Center, USA, ‡Aviagen Limited, Newbridge, UK, § The Roslin Institute, R(D)SVS, University of Edinburgh, Scotland, #Lohmann Tierzucht GmbH, Cuxhaven, Germany)

25.03.2015

Введение

Развитие технологий позволяет более точно селекционировать животных. Это особенно важно для домашней птицы, так как общее поголовье несушек в мире и быстрая смена их поколений способны привести к быстрому генетическому прогрессу. За последние десятилетия мы наблюдали внедрение все более сложных и - в вычислительном отношении - требовательных статистических подходов, чтобы оценить генетическую ценность отдельно взятой особи и получить информацию о её родословной. С доступностью секвенции (расшифровки) генома и распознования однонуклеотидного полиморфизма (SNP) ДНК-маркеров, может быть достигнуто дальнейшее совершенствование. Эта схема показывает, как, с исторической точки зрения, геномная селекция стала естественным расширением ранее развитых методов и какую роль она может сыграть в увеличении генетического потенциала домашней птицы.

Селекция в птицеводстве

За последние 50 лет селекция домашней птицы, как выяснилось, была чрезвычайно успешной и привела к созданию специализированных гибридов несушек и скороспелых кроссов бройлеров, продуктивность которых сильно превышает показатели их диких предков (см. рисунок 1 - несушки).

Рисунок 1. Повышение средней яйценоскости кур коричневых кроссов
Рисунок 1. Повышение средней яйценоскости кур коричневых кроссов

Этот прогресс был достигнут благодаря отбору нестандартных, на первый взгляд, птиц, который привел к увеличению частоты благоприятных аллелей в следующем поколении. Цифровые технологии развивались и позволили определить - какие птицы обладают превосходящими аллелями (или максимальными племенными ценностями, представленными суммой эффектов всех аллелей). Ранее бонитировка и стратегия селекции кур базировались на показателях продуктивности птицы и процессы эти известны под общим термином массовый фенотипический отбор. Этот метод эффективен для признаков с высокой наследуемостью, которые оценивались у всех кандидатов (например, масса тела). Однако этот метод не применим к признакам, ограниченным полом (таким как яйценоскость и качество яйца - петушков в этом случае отбирали наугад), и еще менее эффективен для признаков с низкой степенью наследуемости (например, резистентность к заболеваниям).

Хейзел (1943) предложил метод, названный “Индекс Отбора”. Этот индекс объединяет информацию о индивидуальной продуктивности птицы с показателями родственных особей (например, матери, сестёр или потомства). В те времена практичным было собирать информацию только от нескольких близких родственников. Хендерсон (1950) развил этот метод благодаря смешанным модельным уравнениям, которые позволили включать в оценку негенетические факторы (например, время вывода или влияние условий содержания), но это все еще оставалось актуальным только для оценки близких родственников. Прогнозы племенных ценностей от этого подхода объединяются под общим термином Best Linear Unbiased Predictions (BLUP) - "Наилучший линейный объективный прогноз". Хендерсон (1976) и Кваас (1976) опубликовали алгоритмы формирования матрицы зависимостей и отношений непосредственно к происхождению, и это впервые позволило включить в оценочный индекс информацию обо всех родственниках. Таким образом, увеличилась точность оценки племенной ценности индивида. Кваас и Поллак (1980) описали больше деталей вычислительного подхода, который позволил использовать BLUP для нескольких признаков в больших популяциях.
Некоторые селекционеры признали пользу Индекса отбора в 1950-х гг., большинство же начали его использовать в 1960 - 1970-хх гг. Модель прогнозирования BLUP стала применяться лишь в 1990-х годах. Эти методы генетического анализа собирали информацию не напрямую с генотипа, а лишь оценивали фенотип и анализировали родословную.

Открытие ДНК как молекулы, несущей генетическую информацию,вызвало у исследователей и селекционеров коллосальный интерес к методам определения измнений в структуре ДНК и изучению их влияний на фенотипические признаки (физические черты). Такие исследования, именуемые «QTL searches" ("поиск локализации количественных признаков"), привели к открытию нескольких участков в геноме, которые отвечают за конкретные фенотипические признаки. Намерение разработок как раз и состояло в том, чтобы определить важнейшие геномные участки, влияющие на фенотип. Эта информация была использована для Маркерной селекции(MAS), которая могла бы привести к значительному генетическому прогрессу. Разработки были успешными только для признаков с простым генетическим контролем (например, аллель В21 группы крови B передает устойчивость к вирусным заболеваниям,- Бриллес и др., 1977). За большинство количественных признаков отвечают сразу нескольких участков генома, каждый из которых вносит свой маленький вклад в финальную вариацию. Кроме того, невозможно было точно определить местоположение этих QTL, в первую очередь из-за недостаточного количества доступных маркеров, малого количества животных с эталонным генотипом и, как следствие, ограниченной популяции (www.animalgenome.org см. широту Доверительных интервалов на базе данных для QTL из исследований с использованием небольшого количества маркеров и малого количества животных).

Геномная селекция

При расшифровке генома обнаружилось множество участков, в которых особи отличаются друг от друга лишь одним нуклеотидом (однонуклеотидный полиморфизм, SNP). Это открытие развило методы одноременного генотипирования тысяч локусов. Цена исследования одного генотипа снизилась. Вскоре после расшифровки последовательности генома цыпленка (Хиллер и др., 2004), EW Group начала разрабатывать свою первую группу SNP. Благодаря быстрым техническим достижениям плотность чипа увеличилась от 6,000 (Андрээску и др., 2007), к 12,000 (Пауэлл и др., 2011), к 42,000 (Ван и др., 2013) и недавно к 600,000 SNPs (Кранис и др., 2013). Точно так же увеличилось число доступных генотипов для анализа - от нескольких сотен индивидов за линию до десятков тысяч. Огромный объем данных потребовал новых методов анализа. Мойвиссен и его коллеги (2001) сделали предложение одновременно использовать всю информацию от целого генома, вместо того, чтобы оценивать племенные качества только от нескольких крупных QTL. Этот подход, известный как геномный отбор или геномное предсказание, положил начало революции в животноводстве, поскольку появились высокоплотные чипы SNP. Преимущества геномной селекции обусловлены увеличенной точностью оценки племенных качеств, более медленным увеличением гомозиготности (т.е. уменьшаются риски близкородственного скрещивания), возможностью отбора трудноизмеримых качеств и признаков, ограниченных полом, работать с быстросменяемыми поколениями.

Условное начисление

Геномная селекция требует огромных усилий по вычислениям и анализам, но помимо этого её главной проблемой остается высокая стоимость генотипирования. Инвестиции могут себя окупить только при селекции ограниченных популяций прародителей или чистых линий, которые потом произведут финальный генетический материал. От чистых линий генетический потенциал движется к другим уровням увеличиваясь в геометрической прогрессии, что хорошо можно изобразить в форме пирамиды (Рисунок 2.). Таким образом, даже небольшие улучшения чистых линий ведут к огромному генетичекому прогрессу потомков.

Рисунок 2. Структура программы селекции птицы. Генерация поколений усиливает прогресс, достигнутый в чистых линиях.
Рисунок 2. Структура программы селекции птицы. Генерация поколений усиливает прогресс, достигнутый в чистых линиях.

Например, увеличение на 1 грамм массы яйца приведёт к 29 дополнительным тоннам яицемассы на уровне несушек. Чтобы повысить рентабельность геномной селекции был разработан метод, названный "условное начисление". В этом методе отобранные кандидаты проходят генотипирование с малой плотностью панели SNP чипов - всего несколько тысяч, а не десятки или сотни тысяч SNP и “недостающие” генотипы заполняются в матрицу ("начисляются, внедряются") по информации, полученной от "высокоплотного" генотипирования родителей, основываясь на законах Менделя (рисунок 3). При сравнении результатов селекции на основе истинных и предполагаемых генотипов были выявлены лишь ограниченные значения потерь точности (Ванг и др., 2013). Таким образом, стратегическое сочетание высокой/низкой плотности генотипирования с геномными племенными ценностями, используемых в отборе молодых индивидов, вероятно будет большим прорывом в генетике.

Рисунок 3. Условное начисление. Все маркеры отца и матери расшифрованы. От каждой из хромосом родителей отделяется фрагмент и переходит к потомку. Эти фрагменты обнаруживаются при помощи низкоплотных маркеров и оставшиеся части хромосомы потомка расшифровываются по полученной расшифровке маркеров родителей.
Рисунок 3. Условное начисление. Все маркеры отца и матери расшифрованы. От каждой из хромосом родителей отделяется фрагмент и переходит к потомку. Эти фрагменты обнаруживаются при помощи низкоплотных маркеров и оставшиеся части хромосомы потомка расшифровываются по полученной расшифровке маркеров родителей.

Доказательство теории

Чтобы проверить, можно ли с помощью расшифровки генома увеличить генетический потенциал, Университетом штата Айова и фирмой Хай-Лайн Интернешнл был проведен эксперимент (Вольк и др., 2011). Одна из чистых линий кориневой несушки была разделена на 2 сублинии и в течении 3-х летнего периода одна сублиния подвергалась стандартным процессам бонитировки, а другая в раннем возрасте прошла процедуру геномного отбора. Индекс отбора содержал 16 признаков продуктивности и качества яйца и был использован при отборе. Информация о признаках была получена в первом случае с традционной фенотипической бонитировки/информации по родословной (индивидуальная/семейная оценка); во втором - с гено- фенотипических данных. Перед началом сравнения были разработаны критерии геномного отбора. (Рисунок 4.)

Рисунок 4. Пример программы селекции с использованием геномной информации.
Рисунок 4. Пример программы селекции с использованием геномной информации.

Информация о генотипах от 42,000 SNP-чипов была собрана с относительно большого количества фенотипиов индивидов. Чтобы определить эффект каждого маркера, который был расшифрован по каждому из 16 признаков, использовалась начальная группа птиц (учебный, экспериментальный набор).
При отборе кур с линии геномной селекции, использовались прогнозы, основанные на генотипах и предполагаемых эффектах маркера (оценка учебного набора), как только генотипы были определены на следующем поколении, т.е. вскоре после вывода. Это привело к сокращению интервала смены поколений - приблизительно в 2 раза. Базируясь на геномных племенных ценностях, лучшие птицы были отобраны как родители следующего поколения, не ожидая того момента, когда племенные ценности можно было бы определить по их фенотипу. Когда этот момент настал, информация по фенотипам была добавлена к учебному набору, и полученные данные были повторно проанализированы для использования в следующем поколении.

Птицы линии геномной селекции производили новое поколение кур каждые 7 месяцев. Чтобы уменьшить стоимость генотипирования без увеличения степени инбридинга, размер родительского поголовья активной популяции сократили до 50 петухов и 50 куриц с курицами, скрещиваемыми с "многократными родителями". От линия традиционно-фенотипической селекции каждые 13 месяцев отбирались 60 петухов и 360 курочек, которые далее производили следующие поколения.

По истечению 3 лет последние поколения несушек от обеих линий были размещены вместе в одном птичнике и оценены для нормального производственного цикла, чтобы позволить справедливое сравнение прогресса из двух стратегий выбора. Из-за более короткого интервала между поколениями у Геномной линии Выбора было 4 поколения выбора, в то время как у Традиционной линии Фенотипа было только 2 поколения выбора.
Для 12 из 16 черт имел размеры, последнее поколение Геномных слоев Выбора выиграло у Традиционных слоев Выбора Фенотипа. Прогресс произошел и из лучшей точности племенных ценностей и из более быстрого товарооборота поколений. Анализ данных показал, что точность геномных племенных ценностей была самой высокой в близких родственниках людей в учебном наборе, таким образом фенотипирование продолжает играть важную роль. Таким образом этот проект продемонстрировал, что Геномный Выбор мог быть успешно применен у домашней птицы, размножающейся, чтобы увеличить генетическую выгоду.

Внедрение геномной селекции в разведение несушек

Based on the promising results from the selection experiment, genomic selection was implemented by Hy-Line International in other lines of layers using the newly developed 600000 SNP chip (Kranis et al., 2013) and custom designed low- and moderate-density SNP sets. With as few as 1,000 high quality SNPs and strategic high-density genotyping, high accuracy of imputation using pedigree-based methods was achieved. Genomic selection models showed improvements in accuracy over pedigree-based analysis, particularly in traits with moderate to high heritabilities. Thus, routine non-research application of genomic selection was started in 2013, and the first genomic selected birds will generate descendants that will enter the market as commercial birds in 2015.

Опыт геномной селекции бройлеров

Successful validation with real data was followed by rapid development of analytical tools and incorporation of genomic approaches in the broiler breeding industry (Avendaño et al., 2010; Avendaño et al., 2012). Implementation of genomic selection in pedigree Aviagen broiler lines started in 2012 (Aviagen, 2012).

Imputation

Imputation from low-density to high-density genotypes, as described above, has allowed cost-effective implementation of genomics in broiler breeding. Routine implementation of large-scale and robust imputation approaches provides high accuracies of imputation of around 0.97 in immediate offspring. Thus, genotyping costs are reduced without compromising the accuracy of Genomic Breeding Values (Wang et al., 2013).

Точность

One of the main promises of incorporating genomic information is the improved prediction accuracy for traits for which phenotypes are not available on selection candidates. For such traits, all full-sibs (sisters and brothers) get the same estimated breeding values when using pedigree based methods (equal to the average estimated breeding value of parents), unless selection is delayed until progeny records become available. However, with genomics used in prediction it is possible to effectively select within families without waiting for additional phenotypic records. This is illustrated in Figure 5, where parental averages (PA) are plotted against genomic breeding values (GEBVs).

Figure 5. Relationship between genomic breeding values (red triangles: GEBVs, green hexagons: adjusted progeny means) and parental average (PA) from a pedigree-based BLUP. Two families are shown (one with low PA on the left and one with high PA on the right). All sibs have the same PA, however there is significant variation in GEBVs, suggesting some sibs rank highly in the cohort. This observation was validated using adjusted progeny means for the full sibs of the two families.
Figure 5. Relationship between genomic breeding values (red triangles: GEBVs, green hexagons: adjusted progeny means) and parental average (PA) from a pedigree-based BLUP. Two families are shown (one with low PA on the left and one with high PA on the right). All sibs have the same PA, however there is significant variation in GEBVs, suggesting some sibs rank highly in the cohort. This observation was validated using adjusted progeny means for the full sibs of the two families.

Two families are highlighted in the graph. Family 1 had below average PA values and thus would not be selected. Nevertheless, if the GEBVs are considered (red upper triangles in the graph), individual birds in this family rank from well below to well above average. So, using genomic prediction those full-sibs that rank high may now be selected. The opposite applies to Family 2 for which, although the PA is very high, some of the individuals rank quite low for GEBVs. As all of these candidates had at least 25 offspring with records, it was possible to accurately estimate the true breeding values, and these estimates confirm superiority of the genomic approach to prediction. Further illustration of the relative advantage in prediction accuracy of genomic selection over a traditional pedigree-based approach is shown in Figure 6. The comparison included pedigree-based estimates and GEBVs for reproductive traits and breeder livability. The relative improvement from implementation of genomic selection in terms of selection accuracy, measured as the correlation between phenotype adjusted for fixed effects and pedigree/genomic EBV at the point of selection, when animals had no phenotypic records, ranges between 20% and 70% (Figure 6). These are significant improvements in accuracies which will translate into benefits to the broiler industry.

Figure 6. Relative improvement in prediction accuracy of genomic selection (GS) over pedigree-based (Ped) EBVs, measured as the correlation of EBVs with adjusted phenotype for 5 traits: fertility % (FERT), laying mortality (MORT), hen-housed egg production (HHP), hatchability % (HOF) and feed intake (FI).
Figure 6. Relative improvement in prediction accuracy of genomic selection (GS) over pedigree-based (Ped) EBVs, measured as the correlation of EBVs with adjusted phenotype for 5 traits: fertility % (FERT), laying mortality (MORT), hen-housed egg production (HHP), hatchability % (HOF) and feed intake (FI).

With the rapid accumulation of genotypes in a commercial breeding program, poultry improvement has already entered “big data” territory, and thus more sophisticated tools and computational resources are required to cope with breeding value predictions. One of the factors increasing computational requirements is the number of markers considered in the analysis. As SNP panels with higher density and DNA sequence data become more widely available, and with continuous development of analytical tools and methods, the accuracy of selection is expected to further increase.

Прогноз

We have successfully implemented, and demonstrated a significant advantage for, genomic selection in broiler selections using imputation from low- and medium-density SNP chips. However, reducing the cost of genotyping remains a challenge. Very low coverage sequencing offers the potential to exploit the dramatic reduction in sequencing costs, because it uses low density sequence coverage to identify SNPs in selection candidates. The SNP data are then used for two benefits: first, as a low-cost genotyping method to enable imputation and, second, to identify rare polymorphisms/causative mutations from large scale QTL mapping studies, which have the potential to improve training and therefore the accuracy of genomic evaluation. The utility for low coverage sequencing in broiler breeding remains unproven; however there is significant excitement for this methodology in the plant breeding world to warrant further evaluation.
Because genomic selection is now part of routine evaluations for broilers and layers, a natural progression is to expand into other poultry species. Recent advances in sequencing the turkey genome (Dalloul, 2010) offer the necessary foundation to implement genomic selection to achieve faster genetic progress in that species.

Резюме

Genomic selection is a recent paradigm shift for animal and plant breeding. The availability of hundreds of thousands of markers covering the entire genome has provided an opportunity to increase the accuracy of estimated breeding values, better manage genetic variation and shorten generation intervals. This paper summarizes how these new techologies are being applied to layer and broiler breeding programs to enhance genetic improvement. Results indicate that genomic information applied to layer and broiler breeding contributes extra selection accuracy in traits of economic importance.

Ссылки

Parts of the paper were originally published in
WOLC, A., DEKKERS, J., SZWACZKOWSKI, T. (2013): Nowe perspektywy genetycznego doskonalenia drobiu. Polskie Drobiarstwo 8:8-10.

WOLC, A., KRANIS, A., ARANGO, J., et al. (2014): Applications of Genomic Selection in Poultry. In: Proceedings of 10th World Congress on Genetics Applied to Livestock Production. 17-22 Aug 2014. Vancouver, Canada.

WOLC, A. (2014): Understanding Genomic Selection in Poultry Breeding. World’s Poultry Science Journal 70:309-313.

ANDREESCU, C., AVENDAÑO, S., BROWN, S.R. et al. (2007): Linkage disequilibrium in related breeding lines of chickens. Genetics 177:2161-2169.

AVENDAÑO, S., WATSON, K. A., KRANIS, A. (2010): Genomics in poultry breeding: from Utopia to deliverables. In: Proceedings of the 9th World Congress on Genetics Applied to Livestock Production: 1-6 August 2010. Leipzig, Germany. Session 07-01. http://www.kongressband.de/wcgalp2010/assets/pdf/0049.pdf Accessed on 16.05.2014.

AVENDAÑO, S., WATSON, K.A., KRANIS, A. (2012): Genomics in poultry breeding – Into consolidation phases. In: Proceedings of the 24th World Poultry Congress: 5 - 9 August 2012. Salvador, Brazil. P.36. http://www.facta.org.br/wpc2012-cd/pdfs/plenary/Santiago_Avendano.pdf Accessed on 16.05.2014.

AVIAGEN (2012): Aviagen includes genomics information for the on-going improvement of its broiler products. http://en.aviagen.com/aviagen-includes-genomics-information-for-the-on-going-improvement-of-its-broiler-products Accessed on 07.10.2013.

BRILES, W.E., STONE, H.A., COLE, R.K. (1977): Marek's disease: effects of B histocompatibility alloalleles in resistant and susceptible chicken lines. Science 195:193-195.

DALLOUL, R.A., LONG, J.A., ZIMIN, A.V., et al. (2010): Multi-platform next generation sequencing of the domestic turkey (Meleagris gallopavo): genome assembly and analysis. PLOS Biology 8:e1000475. 

HAZEL, L.N. (1943): The genetic basis for constructing selection indexes. Genetics 28:476-490.

HENDERSON, C.R. (1950): Estimation of genetic parameters. Biometrics 6:186. 

HENDERSON, C.R. (1976): A simple method for computing the inverse of a numerator relationship matrix used in prediction of breeding values. Biometrics 32:69-83.

HY-LINE INTERNATIONAL (2013): Hy-Line International invests in multi-year expansion program. http://www.worldpoultry.net/Breeders/Markets-Trade/2013/7/Hy-Line-Int-invests-in-multi-year-expansion-program-1317128W/ Accessed on 07.10.2013

MEUWISSEN, T.H.E., HAYES, B.J., GODDARD, M.E. (2001): Prediction of total genetic value using genome-wide dense marker maps. Genetics 157:1819-1829.

MOROTA, G., ABDOLLAHI-ARPANAHI, R., KRANIS, A., et al. (2014): Genome-enabled prediction of broiler traits in chickens using genomic annotation. BMC Genomics 15:109.

NEETESON-VAN NIEUWENHOVEN, A.M., KNAP, P., AVENDAÑO, S. (2013): The role of sustainable commercial pig and poultry breeding for food security. Animal Frontiers 3:52-57.

POWELL, J.E., KRANIS, A., FLOYD, J., et al. (2012): Optimal use of regression models in genome-wide association studies. Animal Genetics 43:133-143.

QUAAS, R.L. (1976): Computing the diagonal elements and inverse of a large numerator relationship matrix. Biometrics 32:949-953.

QUAAS, R.L., POLLAK, E.J. (1980) Mixed model methodology for farm and ranch beef cattle testing programs. Journal of Animal Science 51:1277-1287. 

WANG, C., HABIER, D., PEIRIS, B.L. et al. (2013): Accuracy of genomic prediction using an evenly spaced, low-density single nucleotide polymorphism panel in broiler chickens. Poultry Science 92:1712-1723.

WOLC, A., STRICKER, C., ARANGO, J., et al. (2011): Breeding value prediction for production traits in layers using pedigree and marker based methods. Genetics Selection Evolution 43:5.

Литература

Allele – an alternative form of a gene; for example white vs. brown allele in eggshell color gene

Breeding value (BV) – sum of allele effects of an individual or twice the expected value of progeny of a given individual if it was mated to random individuals from the same population

DNA - molecule that encodes the genetic instructions as a sequence of nucleotides

Genome - genetic material of an organism encoded in DNA as genes or non-coding sequences of DNA or RNA

Genomic Selection – selection of animals using multitudes of marker genotypes covering the whole genome

Genotype – complete genetic information of an individual

Heritability – proportion of variation for a trait which can be attributed to genetic differences between individuals

Imputation – adding information on multitudes of markers to data for an animal that was genotyped with a limited number of markers

Marker-assisted selection (MAS) – selection of animals using information from a limited number of markers associated with the trait of interest

Mixed model equations (MME) – a set of equations which enable estimates of breeding values for animals from different contemporary groups 

Phenotype - physical trait information; for example, body weight, eggshell colour, egg production, etc.

Pure line – a closed population of birds with specific characteristics that is used to make crosses to produce hybrids

Quantitative trait locus (QTL) – a position in the genome that is associated with the trait of interest

Selection – determining which birds of a current generation have the best combination of traits and are used to produce a subsequent generation with improved traits

Single nucleotide polymorphism (SNP) - change in DNA molecule at a single position. For example, ATTGCT→ATCGCT, which creates two alternative alleles

SNP chip (or microarray) – technology platform that allows rapid and relatively inexpensive simultaneous genotyping at many positions in the genome

 

Адреса

LOHMANN TIERZUCHT GmbH
Am Seedeich 9–11
27472 Cuxhaven
Германия

Контакты

Тел.:  + 49 (0) 47 21 505-0
Факс:  + 49 (0) 47 21 505-222
E-mail:  info@ltz.de
Контактные лица

 
 

BREEDING FOR SUCCESS ... TOGETHER