《蝦夷扇貝溫度相關動態性狀的全基因組選擇分析》是依託中國海洋大學，由王揚帆擔任項目負責人的面上項目。
基本介紹
- 中文名：蝦夷扇貝溫度相關動態性狀的全基因組選擇分析
- 項目類別：面上項目
- 項目負責人：王揚帆
- 依託單位：中國海洋大學
中文摘要,結題摘要,
中文摘要
高溫被認為是引發蝦夷扇貝夏季大規模死亡的主要誘因。利用全基因組選擇方法進行尋找扇貝耐高溫、生長快優良性狀的QTL分子標記和育種值估計，是培育耐高溫優良性狀品種重要手段。 主要研究內容包括：1、利用微區探測雷射誘導擊穿光譜（micro-LIBS）與計算機成像分析技術，提取貝殼中元素Mg/Ca和生長精細紋路，根據Mg/ca與海水溫度定量關係，構建含有海水溫度和時間多變數的動態殼長Logistic生長函式； 2、把Logistic生長函式鑲嵌到 QTL 效應項,進行耐高溫度生長速率快的扇貝動態性狀QTL定位；3、構建貝葉斯深層神經網路計算方法，根據QTL定位先驗信息為先驗標記效應分布信息, 對標記相互作用效應值進行計算，並根據標記效應值估計個體育種值進行耐高溫、生長快優良性狀扇貝選育。本項目研究成果為分子育種領域提供新的研究思路，還將為海洋貝類乃至其它非模式生物的研究提供一個可借鑑的成功範例。
結題摘要
全基因組選擇（GS）是現代動物育種中加速遺傳進展的重要手段。全基因組選擇需要參考群體的表型，全基組水平上基因型大數據信息集，精確育種值預測模型。 本項目利用圖像分析方法，精確提取扇貝的生長信息。通過構建基於高斯核心匹配濾波器和偏微分方程（PDE）多尺度分層分解的多尺度圖像處理方法，對扇貝殼圖像中的小管狀和周期性結構進行分割提取。通過扇貝紋路分割提取信息，估計扇貝生長率。根據扇貝紋路周期性結構對應的由LIBS獲得Mg/Ca和Sr/Ca一些環境因素，構建含有環境因子扇貝生長模型。 本項目構建了基於稀疏深層神經網路（snnR）GS新模型，解決基因位點互作效應難以估計的問題。傳統的GS模型通常忽略與性狀相關基因複雜的非線性互作效應，為了在預測模型中考慮可能的非線性互作，開發了基於稀疏深層神經網路（snnR ）GS模型，該模型通過最小化在參數（權重和偏置）的 L-1 範數懲罰誤差平方，獲得 snnR 的最佳稀疏結構，解決因過度參數化的基因效應互作難以估計問題。 本項目利用全基因組複雜性狀分析（GCTA）方法，對扇貝進行分子水平遺傳力參數估計。 在 GS 中，一個重要遺傳參數是遺傳力。我們利用（GCTA） 方法，對扇貝生長相關表型（殼長、殼高、殼寬和重量）與2b-RAD 基因分型數據，進行扇貝分子水平的SNP-遺傳力估計，殼長的SNP-遺傳力為 0.42 （S.E. 0.09），殼高 0.47（S.E. 0.07），殼度0.54（S.E. 0.11），重量 0.28 （S.E. 0.03）。 對扇貝不同染色體的SNP-遺傳力估計表明，扇貝複雜生長性狀的基因作用為小效應分散在整個基因組中。 本項目利用snnR GS模型對扇貝生長相關的複雜性狀進行基因效應育種值估計。針對扇貝生長相關表型（殼長、殼高、殼寬和重量）與2b-RAD 基因分型數據，利用snnR GS模型對扇貝生長相關的複雜性狀進行基基因效應育種值估計，並與主流GS方法基因組最佳線性無偏預測 （GBLUP），逐步線性回歸混合模型（StepLMM）進行比較，結果優於參數線性方法GBLUP 與StepLMM，暗示扇貝生長相關性狀中含有大量基因互作非線性效應。此外，我們也驗證了GS預測準確性依賴訓練人群的大小和標記密度。 本項目研究對水產養殖育種方案策略具有一定價值。
