华大智造助力胡晓湘团队开发高效高质的分子育种方案

近年来，大样本低深度全基因组测序方法（low-coverage whole-genome sequencing，lcWGS）已从理论上证明能够以极低的成本获取全基因组高密度SNP标记，进而增加QTL定位的精度并更好地挖掘各类疾病的遗传机制。近期中国农业大学胡晓湘团队与华南农业大学吴珍芳教授团队合作，基于MGISEQ-2000测序平台，开发了畜禽全套低深度测序分析流程，并进行猪重要经济性状遗传结构的解析，研究成果以题为“Accelerated deciphering of the genetic architecture ofagricultural economic traits in pigs using a low-coverage whole-genomesequencing strategy ”发表在国际期刊 Gigascience (5-Year IF：7.715)。

该研究论证了低深度测序技术在没有优质参考单倍型数据库的畜禽物种中的高效高质填充方法，解决了育种中重要的“卡脖子”问题，展示了在功能基因定位和重要经济性状遗传结构解析中的巨大优势，为我国十四五规划种业振兴行动方案提供了完全自主知识产权的新型遗传分析方法和育种理论依据。

研究方案设计

研究中采集了同一育种场的2869头杜洛克公猪，使用自主优化的Tn5转座酶方法进行基因组文库构建，于MGISEQ-2000平台进行平均0.73×低深度全基因组测序，优选BaseVar-Stitch流程进行Reference Panel构建和基因型填充。同时利用3种不同分型方法(SNP芯片、高深度测序、Fluidigm基因分型) 对低深度数据进行准确性评估，且采用不同参数评价了样本量和测序深度对准确性的影响。

基于lcWGS的 BaseVar-STITCH分析流程性能评估

与高深度测序结果相比，基于低深度测序数据的BaseVar-STITCH分析流程可得到高准确性基因型(R2 = 0.919， GC = 0.970) ，超过了基于GATK-Beagle分析流程结果(R2= 0.484， GC = 0.709) （图2 A）。与GGP-80数据（SNP芯片）相比，BaseVar-STITCH结果显示更高的GC一致性和R2值(R2 =0.997， GC = 0.990)（图2 B）。此外，与BaseVar-STITCH数据相比，基于Fluidigm基因分型(16个位点，191个个体)，平均GC为0.991。综上所述，BaseVar-STITCH流程是一种适用于lcWGS策略的变异检测和基因填充的分析方法。

lcWGS测序深度可低至0.1x

基于0.5×WGS数据进行STITCH分析，在样本量>500时对结果影响不大。在0.1×WGS抽样测序深度下，增加样本量至1985可大幅提升分析结果(图2 C和D)。总体来说，随着测序深度/样本量的增加，结果持续改善，单个位点>200×的总测序深度可保证研究中基因型的可信度。

解析猪重要经济性状遗传结构

研究对21个猪重要经济性状进行了全基因组关联分析和遗传结构解析，并系统评估人工选择在杜洛克猪育种过程中对基因组结构产生的影响。对存在主效QTL的性状，利用高密度标记一步法鉴定到了影响猪乳头数的候选主效基因ABCD4、背膘厚的候选主效基因HMGA1；对于遗传力高但不存在主效基因的性状，挖掘到了影响采食行为的重要神经通路中大量微效基因，并清晰地展示了数量遗传经典的“无穷小模型”，为下一代基因组选育提供了理论基础；此外，本研究还发现该群体经受长期人工选择后，生长类性状所表现出来的QTL固定、遗传力丢失等显着遗传变化，证明了该父系群体生长性状前期选育取得的显着成效。

本次研究首次建立了适用于低深度测序的BaseVar-Stitch基因分型流程，以极低成本获得了目前杜洛克猪最大群体 (2869头) 的高密度SNP标记集 (11.7M)，用三种不同方法评估的分型准确性均超过99%，证明了本研究创制的大样本无参自我填充策略相较于传统基于小样本高深度数据填充，具有显着先进性。(生物谷Bioon.com）