虾夷扇贝温度相关动态性状的全基因组选择分析

Temperature has been regarded as a key factor among the environmental factors to challenge the survival of marine Japanese Scallop in the summer. The methods of genomic selection to search QTL markers and estimate breeding values are very important for cultivating heat-resistant individuals. This research plan includes: 1) Using micro-district detection laser induced breakdown spectrum (Micro-LIBS) and image analysis technology, the elements Mg/Ca and growth fine tubulars of the shells of scallops are obtained. Based on the relationship of Mg/Ca and sea surface temperature, the Logistic growths function of the temperature dependence dynamic traits of the scallop individuals are modeled.2) By embedding the Logistic growth function to the QTL effects, the dynamic trait QTL mapping for growing with high temperature are detected. 3) Deep Bayesian neural networks are modeled to estimate epistatic effects and breeding values using QTL location information as the prior distribution information of marker effects. Our study would provide necessary technical and theoretical support for further genetic improvement of Japanese scallops and other Non-model organisms.

高温被认为是引发虾夷扇贝夏季大规模死亡的主要诱因。利用全基因组选择方法进行寻找扇贝耐高温、生长快优良性状的QTL分子标记和育种值估计，是培育耐高温优良性状品种重要手段。 主要研究内容包括：1）利用微区探测激光诱导击穿光谱（micro-LIBS）与计算机成像分析技术，提取贝壳中元素Mg/Ca和生长精细纹路，根据Mg/ca与海水温度定量关系，构建含有海水温度和时间多变量的动态壳长Logistic生长函数； 2）把Logistic生长函数镶嵌到 QTL 效应项,进行耐高温度生长速率快的扇贝动态性状QTL定位；3）构建贝叶斯深层神经网络计算方法，根据QTL定位先验信息为先验标记效应分布信息, 对标记相互作用效应值进行计算，并根据标记效应值估计个体育种值进行耐高温、生长快优良性状扇贝选育。本项目研究成果为分子育种领域提供新的研究思路，还将为海洋贝类乃至其它非模式生物的研究提供一个可借鉴的成功范例。

全基因组选择（GS）是现代动物育种中加速遗传进展的重要手段。全基因组选择需要参考群体的表型，全基组水平上基因型大数据信息集，精确育种值预测模型。. 本项目利用图像分析方法，精确提取扇贝的生长信息。通过构建基于高斯内核匹配滤波器和偏微分方程（PDE）多尺度分层分解的多尺度图像处理方法，对扇贝壳图像中的小管状和周期性结构进行分割提取。通过扇贝纹路分割提取信息，估计扇贝生长率。根据扇贝纹路周期性结构对应的由LIBS获得Mg/Ca和Sr/Ca一些环境因素，构建含有环境因子扇贝生长模型。. 本项目构建了基于稀疏深层神经网络（snnR）GS新模型，解决基因位点互作效应难以估计的问题。传统的GS模型通常忽略与性状相关基因复杂的非线性互作效应，为了在预测模型中考虑可能的非线性互作，开发了基于稀疏深层神经网络（snnR ）GS模型，该模型通过最小化在参数（权重和偏置）的 L-1 范数惩罚误差平方，获得 snnR 的最佳稀疏结构，解决因过度参数化的基因效应互作难以估计问题。. 本项目利用全基因组复杂性状分析（GCTA）方法，对扇贝进行分子水平遗传力参数估计。 在 GS 中，一个重要遗传参数是遗传力。我们利用（GCTA） 方法，对扇贝生长相关表型（壳长、壳高、壳宽和重量）与2b-RAD 基因分型数据，进行扇贝分子水平的SNP-遗传力估计，壳长的SNP-遗传力为 0.42 （S.E. 0.09），壳高 0.47（S.E. 0.07），壳度0.54（S.E. 0.11），重量 0.28 （S.E. 0.03）。 对扇贝不同染色体的SNP-遗传力估计表明，扇贝复杂生长性状的基因作用为小效应分散在整个基因组中。. 本项目利用snnR GS模型对扇贝生长相关的复杂性状进行基因效应育种值估计。针对扇贝生长相关表型（壳长、壳高、壳宽和重量）与2b-RAD 基因分型数据，利用snnR GS模型对扇贝生长相关的复杂性状进行基基因效应育种值估计，并与主流GS方法基因组最佳线性无偏预测 （GBLUP），逐步线性回归混合模型（StepLMM）进行比较，结果优于参数线性方法GBLUP 与StepLMM，暗示扇贝生长相关性状中含有大量基因互作非线性效应。此外，我们也验证了GS预测准确性依赖训练人群的大小和标记密度。. 本项目研究对水产养殖育种方案策略具有一定价值。