一、畜禽遗传标记辅助选择的研究与应用（论文文献综述）
朱韶华[1]（2021）在《高山美利奴羊羊毛品质与红细胞性状基因组选择和全基因组关联分析研究》文中研究指明高山美利奴羊是在高山寒旱生态区育成的羊毛纤维直径主体为19.1～21.5μm的一流毛肉兼用美利奴羊新品种,常年生活在高海拔寒旱地区,具有生产性能高、羊毛综合品质优和高原低氧适应性强等特点。与之突出特点相关的羊毛品质和抗高原缺氧等重要性状的基因组选择和全基因组关联分析研究仍处于起步阶段,如何提高育种值估计准确性来缩短世代间隔、加速遗传进展及挖掘与重要性状关联的候选基因已成为高山美利奴羊选育提高和品种完整结构建设中亟需解决的问题。本研究通过基因组选择和全基因组关联分析方法,以高山美利奴羊为研究对象,结合不同密度SNP微阵列数据,以GBLUP（Genomic Best Linear Unbiased Prediction）和Bayes-Alphabet模型为基础,研究不同因素对基因组育种值（Genomic Breeding value,GEBV）估计准确性的影响;采用全基因组关联分析对羊毛品质和高原低氧适应性相关的QTL进行精细定位以搜寻关键的区域信息和候选基因。研究结果如下:1.加性和显性遗传效应对基因组预测准确性的影响结合Affymetrix HD 630K微阵列分型数据,基于GBLUP模型,采用仅包含加性遗传效应的MAG模型（Model with Additive Effect GBLUP）和包含加性与显性遗传效应的MADG模型（Model with Additive and Dominance Effect GBLUP）对498只高山美利奴羊的共9种羊毛品质性状和高原低氧适应性相关的红细胞性状进行基因组预测,遗传方差组分估算结果显示,束纤维断裂伸长率、红细胞计数和红细胞压积三种性状的显性方差占总表型方差比例分别为73%、28%和25%,对其显性方差比例较高的性状,MAG模型获得的GEBV估计准确性更高;多重交叉验证的结果显示,两种模型的预测准确性,除毛丛长度（R2=0.25）和平均血红蛋白浓度（R2=0.12）之外,MAG模型均高于MADG。以上结果表明,MAG模型更适用于高山美利奴羊羊毛品质和红细胞性状的基因组预测。2.标记密度、统计模型和遗传力对基因组预测准确性的影响采用50K和630K两种不同密度的微阵列数据,基于GBLUP和Bayes-Alphabet模型对821只高山美利奴羊遗传力水平不同的6种羊毛品质性状进行基因组预测分析。遗传力估计结果显示,束纤维断裂伸长率和束纤维断裂强度的遗传力分别为0.29和0.35,为中等遗传力水平性状;毛丛长度、毛纤维直径、毛纤维直径变异系数和净毛率的遗传力分别为0.68、0.44、0.55和0.46,为高遗传力性状。标记密度由50K增加至630K后,束纤维断裂伸长率和束纤维断裂强度的预测准确性分别提高了11%（Bayes A）和13%（Bayesion LASSO）,净毛率和毛纤维直径变异系数仅提高了1%（Bayes B）,毛丛长度下降了6%（Bayesion LASSO）,表明增加标记密度可有效提高束纤维断裂伸长率等中等遗传力水平性状的GEBV估计准确性,但对毛丛长度等高遗传力水平性状影响微弱,甚至出现准确性下降的情况;GBLUP模型在中等遗传力水平性状的预测准确性均高于Bayes-Alphabet模型,Bayes B和Bayesion LASSO模型在高遗传力水平性状的准确性更高,表明GBLUP模型更适用于中等遗传力水平性状的基因组预测,Bayes B和Bayesion LASSO模型更适合高遗传力水平性状的基因组预测。3.羊毛品质和红细胞性状全基因组关联分析研究以498只高山美利奴羊组成的目标群体,利用单标记和单倍型,基于广义线性模型（Generalized Linear Models,GLM）对红细胞性状执行全基因组关联分析,通过基因定位和功能注释,筛选出DHCR24、EFNB2、SH2B3、PLCB1、SPATA9和FLI1六个基因作为影响群体高原低氧适应性的潜在候选基因,特别是PLCB1和FLI1,分别与红细胞生成、正常造血和携氧功能有密切关联;建立977只高山美利奴羊组成的目标群体,利用单标记,基于Farm CPU（Fixed and random model Circulating Probability Unification）模型对羊毛品质性状执行全基因组关联分析,筛选出PBX1、TRPC3、SLITRK5和PVRL1四个基因作为羊毛品质性状相关的潜在候选基因,特别是PBX1和SLITRK5,分别与毛囊间充质干细胞的衰老延迟与表皮的分化、表皮稳态有密切关联,上述结果可作为高山美利奴羊基因组预测研究中具有显着效应的潜在区域。本研究通过纳入加性与显性遗传效应对GBLUP模型进行了优化,发现束纤维断裂伸长率等显性方差占总表型方差比例较大的性状（大于25%）,MAG模型在GEBVs估计中具有更高的准确性,更适用于高山美利奴羊羊毛品质和红细胞性状的基因组预测。增加标记密度可有效提高束纤维断裂伸长率等中等遗传力水平性状的GEBVs估计准确性,但对毛丛长度等高遗传力水平性状影响甚微;通过两类模型的预测准确性比较,GBLUP模型更适合中等遗传力水平性状的基因组预测,Bayes B和Bayes LASSO模型更适合高遗传力水平性状的基因组预测。基于不同GWAS模型和标记类型,筛选出羊毛品质性状关联的4个候选基因（PBX1、TRPC3、SLITRK5和PVRL1）和高原低氧适应性关联的6个候选基因（DHCR24、EFNB2、SH2B3、PLCB1、SPATA9和FLI1）,特别是PLCB1和FLI1,分别与红细胞生成、正常造血和携氧功能有密切关联;PBX1和SLITRK5,分别与毛囊间充质干细胞的衰老延迟与表皮的分化、表皮稳态有密切关联。为高山美利奴羊的基因组选择提供适宜的GEBVs估计模型和具有重要效应的标记信息,并为高原家畜的功能基因挖掘提供有价值的参考。
王凤红[2]（2021）在《山羊SNP芯片设计与内蒙古绒山羊重要经济性状全基因组关联分析及基因组选择研究》文中提出绒山羊是我国特色优势品种,所产山羊绒是我国唯一具有出口定价权的畜产品。内蒙古绒山羊因产绒量高、绒毛品质优良和遗传性能稳定而享誉世界。本研究基于课题组前期完成的不同山羊品种基因组、转录组数据筛选功能位点,研发出首张适用于国内地方山羊品种芯片,结合系谱和生产性能测定记录,构建了高质量参考群体,基于该芯片在内蒙古绒山羊群体内开展了全基因组关联分析及大数据基因组选择研究,对绒毛品质性状的遗传机理进行初步解析,确定了内蒙古绒山羊基因组选择最佳方法。本研究充分利用我国绒山羊种质资源优势,从基因组角度研究和挖掘一批与羊绒生产性状相关的分子标记和基因资源,为今后绒山羊遗传资源保护和利用提供科学依据,为内蒙古绒山羊优质高产新品系培育提供新的基因资源和理论指导。论文主要结果如下:1.基于课题组近30年测定积累的616 113条内蒙古绒山羊系谱和生产性能记录数据,通过ASREML软件,对内蒙古绒山羊重要经济性状进行遗传参数估计。结果表明:群、测定年份和个体年龄对各性状均有显着影响,可作为固定效应纳入模型。产绒量、绒细、毛长的遗传力分别是0.24、0.27、0.32,均属于中等遗传力（0.20-0.40）,体重和绒长属于低遗传力（0.12和0.14）。产绒量、体重、绒长、绒细、毛长之间的遗传相关在-0.32～0.40之间,表型相关在-0.02～0.20之间;发现各性状加性方差较前人研究减小,说明选育后的性状遗传变异减小,有利于选育目标性状的基因型得到有效选择和纯合性状表型更加整齐。2.利用36个典型的中国地方品种（372个个体）和49个国外品种（226个个体）的山羊基因组、转录组数据,同时最大化兼容Illumina山羊52K SNP芯片位点,添加课题组多年来积累的重要功能位点数据,累计约4 500万个MAF大于0.2的SNPs,采用条件性的多目标局域性优化算法,通过对SNPs严格筛选,最终保留67 088 SNPs位点,集成一款全新的山羊70K SNP芯片（GGP＿Goat＿70K）;基于山羊70K SNP芯片,在内蒙古绒山羊群体中进行基因分型测试,所有个体均成功分型,平均call rate98.8%。说明利用该芯片可以实现山羊的基因分型,同时获得了1 920个个体的基因型数据,可用于后续的GWAS和基因组选择研究。3.基于获得的1 920个个体的基因型数据,对内蒙古绒山羊的绒长、绒细和产绒量三个性状进行全基因组关联分析。首先对绒长、绒细和产绒量进行数据整理,检测表型数据是否符合正态分布;同时对内蒙古绒山羊群体进行主成分分析,判断是否存在群体分层现象;然后使用混合线性模型进行GWAS分析,通过分位数-分位数（Quantile-Quantile,Q-Q）图判断期望值和观测值的拟合程度。结果表明在基因组水平获得了4个显着SNPs,扩大100 kb后经注释发现GALNTL5、CCDC171、STUM、CMAS、FGF12、POLN、TACC3、PRLR、EVPL、COL3A1和SOX5为内蒙古绒山羊绒毛性状的重要候选基因,可以用于后续深入研究。4.基于70K SNP芯片在国内开展了绒山羊基因组选择研究,使用GBLUP和SSGBLUP方法估计了内蒙古绒山羊绒长、绒细、产绒量、体重和毛长5个性状的遗传力和基因组育种值,同时与研究一使用的ABLUP法获得的数据进行比较,并用5次重复的5倍交叉验证来评价育种值预测的准确性。结果表明（1）GBLUP和SSGBLUP法估计产绒量的遗传力为0.26和0.28;体重的遗传力为0.17和0.14;绒长的遗传力均为0.09;绒细的遗传力均为0.30;毛长的遗传力为0.31和0.32。（2）SSGBLUP对5个性状评估准确性在45%-82%之间,与ABLUP相比提高19%-25%;（3）SSGBLUP相比于GBLUP和ABLUP有更高的预测准确性和无偏性,SSGBLUP是内蒙古绒山羊基因组选择的最佳方法;（4）通过实施基因组选择可以使内蒙古绒山羊育种世代间隔从4.5年缩短至2年。
赵龙[3]（2021）在《中-越地方鸡品种的遗传多样性分析》文中研究表明我国云南、广西一带,是世界上为数不多的红色原鸡主要栖息地之一。凭借着我国劳动人民的智慧,早在三千年前就对红色原鸡进行驯养和培育,衍生出了很多独具特色的地方鸡品种。越南与我国毗邻,地处优越,气候适宜,动物遗传资源非常丰富,也同样拥有很多的地方鸡品种。在“一带一路”的倡导下,通过探究中-越地理位置临近的部分地方鸡品种的遗传多样性和各个群体之间的遗传结构,为中-越地方鸡品种的保种和选育工作提供一定的参考。我们选取了中-越共21个地方鸡品种的534个样本,使用18个微卫星分子遗传标记位点对21个群体的遗传多样性进行了分析,之后选取其中距离比较近的9个中国地方鸡品种和6个越南地方鸡品种进行基因组重测序,使用SNP分子遗传标记对15个地方鸡品种进行遗传多样性的验证分析。具体分析结果如下。1.18个微卫星位点在21个群体中总共检测出377个等位基因,平均每一个位点有20.9440个,其中只有MCW0103位点检测出的等位基因数最少,为6个,其余位点均检测出超过10个等位基因。LEI0094位点检测出的等位基因数量最多,为44个,其多态信息含量也最高,为0.7820。21个群体的Ne值在5.22～9.22之间,其中大围山微型鸡群体最低,霞烟鸡最高。观察杂合度（Obs He）在0.4623～0.7193之间期望杂合度（ExpHe）在0.5964-0.7920之间,多态信息含量（PIC）在0.05531～0.7425之间。2.18个微卫星位点在21个群体内的近交系数（Fis）在-0.0122～0.4850范围内,除了 MCW0111位点和MCW0016位点呈现出杂合子过剩的情况,近交系数为负值,其他位点均显示杂合子缺失,其中MCW0165位点显示近交系数最高,为0.4850,18个位点的平均值为0.1080。21个群体的个体固定系数（Fit）的值在0.0954-0.6387之间,其中MCW01116位点最低,MCW0165位点最高,平均值为0.2569;整个群体的固定系数（Fst）的值在0.1031～0.4124范围内。3.遗传距离（DA）的值在0.2557～0.9494之间,其中越南地方鸡品种GH与云南大围山微型鸡的距离最远,越南地方鸡品种GA与GM之间的距离最近。越南五个地方鸡品种与云南地方鸡品种的遗传距离更近。4.利用Structure程序对21个群体进行群体遗传结构分析,在K=4的时候,5个越南地方鸡品种从群体中分离出来。直到K=12时,也没被分开的亚群有:由龙胜凤鸡、云龙矮脚鸡、腾冲雪鸡、霞烟鸡、大围山微型鸡组成的一个亚群;由西双版纳斗鸡、武定鸡、兰坪绒毛鸡与盐津乌骨鸡组成的第二个亚群;越南鸡的GA品种、GB品种、GM品种、GN品种、GH品种组成的第三个亚群。二次归类分析的过程中,除了五个越南地方鸡组成的第三个亚群,其它地方鸡品种均能各自分离开。5.15个国内地方鸡品种基于SNP分子遗传标记进行群体遗传结构分析,东涛鸡（CT）能够首先从整个群体中分离出来,而中国地方鸡品种与越南地方鸡品种也能较早的分离开。中国的9个地方鸡品种除了腾冲雪鸡与西双版纳斗鸡之间有较为严重的个体混杂情况外,其它群体均能各自聚类,遗传多样性非常丰富。越南六个地方鸡品种关系紧密,总体与茶花鸡的距离比较近。
乔贤[4]（2020）在《绒山羊SNP芯片设计及重要经济性状全基因组关联分析研究》文中研究表明随着高通量测序技术的发展,大规模基因分型技术的成本大幅降低,使得高通量SNP芯片在动物育种中的应用成为可能。基因芯片技术的日益更新为全基因组关联分析在育种中的应用提供了有效的工具。依托基因芯片和全基因组关联分析发掘的高通量分子遗传标记,建立参考群,可进行准确的基因组育种值估计,为将来精准的基因组选择的应用推广奠定了坚实的基础。内蒙古绒山羊是经过长期自然选择和人工选择培育出的绒肉兼用型优良地方畜种,因其高产绒量、优质的绒毛品质、稳定的遗传性能而闻名。绒毛品质性状是微效多基因控制的数量性状,遗传力较低,测量繁琐,很难通过传统的育种值估计选育的方法进行快速的选育提高。通过全基因组关联分析,将利用SNP芯片基因分型测序所得SNP与细度性状记录相结合,旨在探索山羊绒细度变异的遗传机理,开发与超细绒性状密切相关的SNP和基因,充分发掘绒山羊种质资源优势,从全基因组水平研究和发掘一批与绒毛性状相关的具有自主知识产权的基因组遗传资源信息,为我国绒山羊的保护和利用提供有力参考依据,为超细绒山羊的改良和培育提供新的理论依据和基因组遗传资源。本研究基于第二代高通量测序技术,对我国着名的地方品种（内蒙古绒山羊与辽宁绒山羊）进行了全基因组重测序,并结合国内、外其他山羊品种的38个个体的基因组数据,首次使用目标富集策略设计动物SNP芯片,成功获得了山羊66K捕获芯片。为检验芯片对绒山羊重要经济性状研究上的效力,对内蒙古绒山羊（二狼山型）进行了重要经济性状相关的全基因组关联分析,对获得的候选SNP位点进行了基因功能注释和生物学功能挖掘等分析。主要研究结果如下:1.基于第二代高通量测序技术对我国着名绒山羊品种73只个体进行全基因组重测序,所有样品共检测到5.52 M单核苷酸变异（SNPs）和710,600个插入缺失（Indels）,其中约有87.25%SNP为新发现的遗传变异。通过对这些高质量SNP遗传标记进行分析筛选,可用于后续绒山羊SNP芯片的遗传标记的开发。2.利用绒山羊的重测序数据及国、内外其他山羊品种的38个个体的基因组数据,基于全基因组捕获测序策略,进行绒山羊66K SNP芯片设计,并建立起一套基于液相杂交技术的芯片设计的思路技术流程,可供其它物种SNP芯片设计借鉴。3.建立了 SNP捕获型芯片通用分析流程,成功利用绒山羊66K SNP芯片实现了低成本全基因组捕获测序,并获得来自423个体的161,125高质量SNP数据集,可用于后续的GWAS研究。4.针对内蒙古绒山羊（二狼山型）羊绒细度性状进行全基因组关联分析研究,对筛选得到的排名前26位SNP位点进行KEGG分析,筛选出4个SNP位点所在基因AKT1、ALX4、HK1、NT-3可作为绒毛细度性状的候选基因进行进一步的研究。MALDI-TOF-MS检测GWAS结果中随机筛选48个SNP位点,结果显示,其中1个SNP位点与细度性状显着相关,可以佐证说明GWAS结果较为可靠,该芯片可以应用于绒山羊重要经济性状的相关研究。
李晓凯[5]（2020）在《内蒙古绒山羊不同毛被类型性状变异及其分子遗传机制的研究》文中研究指明内蒙古绒山羊是我国着名的绒、肉兼用型地方优良山羊品种,经过30多年的系统选育工作,其不仅以绒毛品质优良闻名于世界,而且产绒量在所有绒山羊品种中亦具有明显优势。随着选育目标转变和市场需求变化,优质绒毛纤维生产是目前绒山羊育种的主要目标,在保持产绒量的同时如何降低绒纤维细度性状是今后分子生物学和数量遗传育种研究的主要方向。在生产实践及本课题组前期研究中发现,绒山羊群体中毛被类型存在遗传多样性,统计学和遗传参数估计表明,粗毛纤维性状与绒毛品质性状存在一定的遗传相关和表型相关,长毛型在各绒毛经济性状等方面具有优势。但关于毛被类型的性状变异的调控机制和遗传机理尚不清楚,在一定程度上阻碍了绒山羊的遗传改良进展。高通量测序技术的不断成熟以及测序成本的不断降低,为从多组学的角度解析复杂性状的遗传机制提供了可能。本研究以2018-2019年内蒙古亿维白绒山羊有限责任公司（原内蒙古白绒山羊种羊场）4-5月份生产性能测定数据记录为基础,通过毛被类型的详细表型观测描述、系谱记录信息、绒毛纤维的实验室测量、全基因组DNA重测序以及皮肤毛囊周期转录组测序等数据的综合挖掘分析,揭示毛被类型表型特征、遗传方式、遗传基础及表达调控的差异,为今后的绒山羊分子育种和间接选育工作提供基础。主要研究结果如下:1.通过对内蒙古绒山羊（阿尔巴斯型）不同毛被类型表型观察和描述性统计分析,发现长毛型的主要特征为全身粗毛被毛长且光亮,在群体各年龄段的比例中占有优势,约57.90%～78.70%;短毛型的主要特征为全身被毛粗短或仅四肢或背部粗毛较长,无光泽,在群体各年龄段占21.30%～42.12%。根据系谱和毛被类型数据进行遗传方式分析,推测毛被类型可能为常染色体遗传,其中长毛型显性性状。长毛型绒山羊在抓绒后体重、绒细和产绒量等方面均具有优势,可以作为今后品种选育提高的候选个体或亚群。2.全基因组重测序遗传变异检测共发现13,259,614个SNPs和2,646,292个InDels,基因组区域注释发现分别有0.60%的SNPs和0.16%的InDels属于外显子突变;其中含有错义突变和移码突变的基因分别为10,479和1,343个。基于全基因组SNP位点的群体遗传分化指数FST>0.15筛选,发现了 80,625个SNP和4,953个基因。GO功能分析注释发现富集细胞部分、核部分、线粒体包膜、线粒体膜、裂解酶活性、水解酶活性、刺激反应、细胞交流等生物学功能上,KEGG通路富集分析共发现262个信号通路,其中钙信号通路、赖氨酸降解、Notch信号通路、MAPK信号通路、WNT信号通路等与皮肤毛囊生长发育的相关信号通路中显着富集。3.利用FST和θπ相结合的滑动窗口方法进行全基因组扫描,共筛选到1,227个基因,包括长毛型特有的558个候选基因、短毛型特有的686个候选基因和长毛型与短毛型共有的17个受选择基因。其中ADA、ARID1B、UNC5C和ZEB1等已知与皮肤毛囊的生长发育相关,遗传突变会引起毛发的异常。长毛型个体中的PKIG、CDX1、GCC2、PPP1 CB、LIMS1、HDAC9、GFRA1、PDGFRB、Myo10、LATS2、PROM1、FGF16、TP73等13个基因和短毛型个体中LRPAP1、TRPV4、NELFA、CPLX1、DGKQ、NFKB1、EDA、CXCR3、FGF10、FGF13、FGFBP1、LTBP1、MBTPS2、PPP1CB、SHOC2、SOS2、KRT10、SLC6A14、SLC45A1、CACNG1、CCL19、COL4A5、FABP5、CTBP1等24个基因都是潜在的与毛被类型相关的候选基因。4.通过毛被类型（试验-对照）和毛长（混合线性模型）的GWAS分析,分别检测到12个和603个候选基因,其中检测到C6H4orf48、DGKQ、LOC108636241、LRPAP1、NAT8L、NELFA、POLN、RGS12、SLBP、TACC3、TMEM129 等基因与重组率相关,推测重组热点与毛被类型存在潜在的关系;此外毛长的功能挖掘分析,发现LRPAP1、NELFA、CPLX1、DGKQ、ABCC4、ARHGAP10、AEBP1、IL-6、DUSP6、ERRFI1、ENPP2、FARP2、ZNF407、CDH7、KIF7、TSPEAR、WNT16和CDH19等可能与毛长或毛被类型存在相关。5.利用毛被类型的名义显着性候选基因和课题组前期的不同毛被类型周期性比较转录组数据,进行WGCNA数据的挖掘分析,发现Yellow模块与毛被类型存在较强的相关性,其中CPLX1、LRPAP1、DGKQ、NELLFA、CDK5RAP2、COL18A1、FARP2、KIF7、RECQL5、RHBDF2、RIPK1、SEMA4B、TRPV4、UVSSA、ZFAT等候选基因可能与不同毛被类型存在潜在一定的相关性。6.候选位点关联验证分析,发现LRPAP1基因的第115544377位点的（G→A）的基因型与毛被类型存在极显着相关关系,即基因型（GG）与绒山羊短毛型相关;而AA或AG与绒山羊长毛型相关。本研究通过基因组选择信号、全基因组关联分析以及WGCNA等方法为从基因组层面定位了LRPAP1、TRPV4、NELFA、CPLX1、DGKQ等24个最可能与毛被类型存在相关的候选基因,为今后毛被类型的分子调控机制提供了分子基础。通过遗传变异检测获得了的大量功能突变位点也为今后绒山羊的品种分子遗传改良提供了大量的潜在的分子遗传标记。
刘婵娟,王生轩,李冉冉,王中华,林雪彦,师科荣[6]（2017）在《饲料转化效率及其在畜禽遗传育种中的研究进展》文中研究指明饲料转化效率（Feed conversion efficiency,FCE）是养殖效益的标尺,改善饲料转化效率可以提高饲料利用率,改善脂肪沉积,降低养殖成本。目前,利用GWAS进行饲料转化效率的选育提高和改良是检测FCE遗传变异和发现相关候选基因的新途径,为制定畜禽饲料转化效率的分子育种方案提供了理论依据。从遗传育种角度根本上进行改良的措施研究还有待进一步探讨。通过对FCE分子机理进一步探索,培育出节能、高效的环保型畜禽,对节约养殖成本、环境保护和持续发展均有重大意义。文章通过综述饲料转化效率的概念、评定指标和选择方法、饲料转化效率的应用及其研究进展,进一步说明饲料转化效率在畜禽育种中的应用地位和潜在的发展空间。
曾知遥[7]（2017）在《加系肉牛杂交生产系统及基因组范围MAS育种方案的优化研究》文中指出随着高通量技术的发展,大量SNP标记在肉牛基因组中被发掘出来,如何在实际肉牛育种公司中高效利用这些遗传标记是当前肉牛育种迫切需要解决的问题。本论文围绕加系加系肉牛生产系统及遗传评估体系的优化进行了一系列研究:利用特定的父系、母系优化现有肉牛生产系统;在控制近交（情况）下利用遗传算法优化社会遗传效应的选择进展研究;基于低密度标记辅助选择模型的肉牛生长性状遗传评估方法的构建;肉牛剩余采食量和胴体品质的遗传改良全基因组MAS模型的构建。主要结果如下:（1）比较了 Beefbooster肉牛育种公司五个专门化品系不同杂交繁育体系下的经济效益情况,筛选出较优的适合当地生产情形的杂交繁育体系。模拟过程中用到的生产数据均来源于蒙大纳和加拿大西部的Beefbooster公司客户,育种数据则是从Beefbooster公司直接下载。在杂交系统构建中使用到Beefbooster公司的三个专门化母系（Ml、M2、M4）和两个专门化的父系（M3和TX）。系统1是采用两品系的轮回终端杂交系统,M1、M4两个母系组成基本的繁殖群体,两者通过轮回杂交生产一周岁小母牛,再与终端父系M3公牛杂交生产商品后代。系统2是三品系的轮回终端杂交系统,M1、M2、M4进行轮回杂交,生产1周岁小母牛,先与M3公牛杂交生产商品后代,然后,当小母牛年龄达到5-10岁,再与终端父系TX进行杂交生产商品后代。本研究构建了利润模型,对饲喂成本、非饲喂成本（用工）、固定成本等因素均进行了拟合。通过利润模型计算结果显示,系统2的基本利润比系统1高出29.57美元（每年、每头母牛）。（2）利用遗传算法开发的两种方法（SBLUP+GA1,SBLUP+GA2）优化社会性遗传效应的选择,在最小化近交的情况下最大化遗传进展。在SBLUP+GA1中,只有公畜的贡献被优化。在SBLUP+GA2中,公畜和母畜的贡献同时被优化。结果显示,SBLUP+GAl和SBLUP+GA2的近交率分别比基于社会性遗传效应的BLUP选择低18.52%和25.93%。SBLUP+GA1中与SBLUP相关的直接效应、社会性遗传效应和总遗传效应的平均进展分别增加了 3.59%、10.02%和4.32%。在SBLUP+GA2中与SBLUP相关的直接效应、社会性遗传效应和总遗传效应的平均进展分别增加了 1.28%、10.00%和2.02%。（3）采用Igenity公司低密度SNP芯片（233 SNP）对Beefbooster公司2749肉牛进行了基因分型,经过质量控制总共有144个有效SNP位点用于生长性状的关联分析。并利用ASReml软件包的单变量模型对目标性状的所有标记分值和表型值进行关联分析。结果共鉴定出139、135、12、89、129和105个SNP位点分别与肉牛的初生重（BWT）、断奶重直接遗传效应（WWT）、断奶重母体效应（Milk）、一周年体重（YWT）、成年体重（MWT）和阴囊周长（SC）显着相关。利用线性回归模型估计了所有性状显着SNP位点等位基因效应值,并根据效应值计算了所有性状的标记评分（Marker Score）,计算性状标记评分和性状表型值之间的遗传相关。初生重（B WT）、断奶重直接遗传效应（W WT）、断奶重母体效应（Milk）、一周年体重（YWT）、成年体重（MWT）和阴囊周长（SC）这6个性状的标记分值与表型值的遗传相关分别为0.61 ± 0.08,0.39 ± 0.10,0.14 ± 0.03,0.38 ± 0.04,0.57 ± 0.09和0.54 ± 0.10。预测精确性评估结果表明,当表型和标记评分之间遗传相关性很高时,基于标记分值和表型值的双变量标记辅助评估模型可以有效提高EBV的预测准确性,即使是在基因型值和表型值数量相当有限的情况下该模型仍然有相当好的表现。（4）剩余采食量（RFI）和胴体品质（CM）这两种性状是肉牛遗传改良的关键目标,然而RFI和CM的测量费用高昂,并且用传统的BLUP方法选择效果不佳。因此,本研究针对RFI和CM构建了一种全基因组MAS选择模型。利用Illumina Bovine50K SNP芯片对加拿大阿尔伯塔大学研究农场922头肉牛进行了基因分型,采用贝叶斯方法（BayesB）和逐步回归法进行关联分析,筛选与RFI和CM显着的关联标记。结果表明,胴体重（CWT）、胴体背膘（BF）、胴体肋骨眼区（REA）、胴体等级脂肪（GDF）、瘦肉率（LMY）和RFI的呈显着关联的的SSP标记的数量分别为75,54,67,57,44和50。CWT、BF、REA、GDF、LMY和RFI表型值和标记分值的遗传相关性分别为0.75,0.69,0.87,0.77,0.78,和0.85。利用双变量标记辅助评估模型综合标记效应值,六个性状的表型EBV的平均预测精度分别增加了 0.05,0.16,0.24,0.23,0.17和0.19。研究结果表明这些筛选的特定SNP标记对RFI和CM性状的选择是有效的。
喻世刚[8]（2015）在《鹅产蛋性能相关遗传变异的全基因组发掘及候选基因研究》文中认为鹅具有很强的就巢性和低产蛋性能,产蛋性能作为鹅养殖生产中一项重要的经济性状,它与鹅产业发展、养殖企业的经济效益密切相关。但产蛋性能是一个低遗传力性状,其表型值受非遗传因素影响较大,运用传统表型选育的方法很难提高,严重阻碍了鹅产业化发展。分子标记辅助选择（MAS）技术作为分子生物学水平上选择目标性状的有效技术措施,具有适合低遗传力性状、不受环境影响和选择结果可靠等特点,但其前提是找到与目标性状关联的分子标记或功能基因。为发掘鹅产蛋性能相关分子遗传标记,本研究首先运用简化基因组测序（RAD-sequencing）技术筛选产蛋性能高组与低组中等位基因频率差异显着的SNP,进一步在大群体中验证分析候选SNP与鹅产蛋量的相关性。在此基础上克隆SNP所在基因,对基因的结构和功能进行研究。最终,将本研究鉴定的两个分子标记与鹤场选育工作结合,开展鹅产蛋性能分子标记辅助选育的初步探索。主要实验结果如下:1、运用简化基因组测序（RAD-sequencing）技术筛选产蛋性能相关SNP本实验共采集492只健康扬州鹅血液样品,为保证能筛选出大量准确可靠的分子遗传标记,利用个体表型值选择、个体估计育种值和家系内选择三种方法分别建立了3个高产蛋量DNA池（HIPV、HEBV、HF）和3个低产蛋量DNA池（LIPV、LEBV、LF）。RAD-sequencing结果显示在HIPV和LIPV组,共产生4.0Gb数据,4355万条Clean Reads,分别获得893,579和992,670个RAD-tag,最终共得到96,848个群体SNP标记。对于HEBV和LEBV组,共产生3.8Gb数据,4229万条Clean Reads,分别获得942,117和884,827个RAD-tag,最终共得到139,013个群体SNP标记。对于HF和LF组,共产生4.4Gb数据,4795万条Clean Reads,分别获得898,219和953,964个RAD-tag,共得到95,889个群体SNP标记。运用卡方检验分别分析HIPV和LIPV、HEBV和LEBV、HF和LF三组SNP等位基因频率分布差异。经Bonferroni矫正后,在HIPV和LIPV组共得到25个差异显着SNP(P<5.2×10-6)。在HEBV和LEBV组共得到467个差异显着SNP(P<3.69×10-7),在HF和LF组共得到817个差异显着SNP(P<5.2×10-6)。通过计算遗传分化系数FST评价高低组间遗传差异大小,比较三种方法组建产蛋性状高低组的效果。结果显示个体表型值选择的FST为0.073,小于个体估计育种值选择（0.093）和家系内选择（0.101）,表明个体表型值选择法高低组间遗传差异较小,选择准确性较另外两种方法低。因此,在候选产蛋相关SNP的挖掘中,本研究主要集中于个体估计育种选择和家系内选择法。运用AS-PCR分型技术,在HEBV（n=10）和LEBV（n=10）组共获得55个SNP的个体基因分型,其中10个SNP高低组间等位基因频率差异显着(P＜2.44×10-4-4.63×10-10)。在HF（n=14）和LF（n=10）组共获得37个SNP的个体基因分型,其中5个SNP高低组间等位基因频率差异显着(P＜1.80×10-4-8.04×10-8)。将高低组间验证差异显着的候选SNP进行群体验证,结果显示其中8个SNP与鹅产蛋性能显着相关。运用线性回归模型对8个显着影响产蛋量的SNP进行多标记回归分析,发现Record-111407、106975和112359三个SNP能共同影响鹅产蛋量。基于8个SNP所在RAD-tag序列,运用反向PCR技术,获得8条延长的核苷酸序列。经BLAST比对和同源基因检索,获得Record-106975、134172、112359、106582和111407五个SNP对应的功能基因,分别为膜结合鸟苷酸激酶1（M4GI1）、KIAA1462、Rho GTP酶激活蛋白21（ARHGAP21）、乙酰辅酶A合成酶2（ACSF2）、星形肌动蛋白2（ASTN2）。研究表明这8个SNP和5个基因将为鹅产蛋性能改良提供新的研究思路。2、ACSF2基因克隆及基因表达分析鹅乙酰辅酶A合成酶2（ACSF2）基因编码区序列全长1770bp,编码589个氨基酸,其核苷酸序列与禽类其它物种ACSF2基因同源性较高,其中与鸭、鸡的序列一致性为88.20%、76.55%。在鹅卵巢中发现4种剪接体,分别命名为ACSF2-1、ACSF2-2、ACSF2-3和ACSF2-4,其中ACSF2-1为优势剪接体（1770bp）。ACSF2-2、ACSF2-3和ACSF2-4编码区序列全长分别为1692bp、1599bp、1917bp,分别编码563、532、638个氨基酸。与优势剪接体（ACSF2-1）相比,ACSF2-2在第14外显子缺失46bp,发生可变的5’端剪接。ACSF2-3完整缺失外显子7、外显子8和外显子9,同时在外显子13和14之间插入127bp（E14a）。ACSF2-4在外显子13和14之间插入E14a。ACSF2基因4种剪接体蛋白的亚细胞定位显示,4种剪接体蛋白均定位于线粒体。ACSF2-1、ACSF2-3和ACSF2-4在肾脏、卵巢、小肠、肝脏、腹脂、肌胃、胸肌、心脏、下丘脑、垂体10个组织以及卵泡颗粒细胞中均表达,而ACSF2-2基因下丘脑、垂体和卵泡颗粒细胞不表达。ACSF2-1、ACSF2-3和ACSF2-4在不同发育阶段卵泡（F1～F5、SMF、1wf、swf）颗粒细胞中均表达,其中ACSF2-1表达量高于ACSF2-3和ACSF2-4。采用Real-time PCR对鹅高低产蛋组（HEP、LEP）卵巢组织中ACSF2基因mRNA表达水平进行检测。结果显示HEP卵巢组织中ACST2基因mRNA表达水平极显着低于LEP（P<0.01）,同样HEP卵巢组织中ACSF2-2,ACSF2-3和ACSF2-4 mRNA表达水平显着低于LEP（P<0.05）。卵泡颗粒细胞中ACSF2基因过表达实验表明,转染ACSF2-1、ACSF2-3和ACSF2-4后,颗粒细胞Caspase-3 mRNA表达水平均极显着高于对照组（P<0.01）。siRNA干扰实验发现siRNA771和siRNA1381能显着抑制ACSF2基因在卵泡颗粒细胞中mRNA表达,ACSF2基因敲减导致卵泡颗粒细胞中Caspase-3 mRNA表达水平显着降低（P＜0.05）。本研究表明ACSF2基因表达与鹤产蛋性能相关,其表达水平影响卵泡颗粒细胞中Caspase-3表达水平,揭示ACSF2可能在卵泡颗粒细胞的增殖和凋亡过程中发挥重要作用。3、MAGI1基因克隆及基因表达分析鹅膜结合鸟苷酸激酶1（MAGI1）基因编码区全长4152bp,编码1383个氨基酸。MAGI1核苷酸序列与禽类其它物种ACSF2基因同源性较高,鹤与鸡之间一致性为90.98%。在鹅卵巢中发现5种剪接体,分别命名为MAGI1-1、MAGI1-2、MAGI1-3、MAGI1-4和M4GI1-5,其中MAGI1-1即为优势剪接体（4152bp）。MAGI1-2、MAGI1-3、MAGI1-4和MAGI1-5编码区序列全长分别为4116bp、3945bp、4149bp和2805bp,分别编码1371、1314、1382和934个氨基酸。MAGI1基因在鹅卵巢、卵泡颗粒细胞、腹脂以及肌胃中表达量较高、其次为肾脏,下丘脑和垂体中表达量最低。在不同发育阶段卵泡颗粒细胞中,MAGI1基因在等级卵泡F2中表达量显着升高,在F1、F3、F4、F5卵泡表达量较低。MAGI1基因在等级前卵泡syf、lwf、swf中表达水平一致,且低于F2卵泡。采用Real-time PCR对鹤HEP和LEP卵巢组织中MAGI1基因mRNA表达水平进行检测,结果显示HEP卵巢组织中MAGI1基因mRNA表达水平显着低于LEP（P=0.05）。卵泡颗粒细胞中MAGI1基因过表达实验表明,转染MAGI1-1、MAGI1-2、MAGI1-3和MAGI1-4后,颗粒细胞中Caspase-3 mRNA表达水平均极显着高于对照组（P<0.01）。在siRNA干扰实验中,siRNA507和siRNA847能显着抑制MAGI1基因在卵泡颗粒细胞中mRNA表达,其中siRNA847基因敲减效果最佳。siRNA847处理后,导致卵泡颗粒细胞中Caspase-3 mRNA表达水平显着升高。本研究表明MAGI1基因表达与鹅产蛋性能相关,其表达水平能调节卵泡颗粒细胞中Caspase-3表达,表明MAGI1可能通过自身在细胞连接中的作用,维持卵泡颗粒细胞的正常生长,从而调控卵泡的生长发育。4、PAPPA基因克隆及基因表达分析鹅妊娠相关血浆蛋白A（PAPPA）基因编码区全长4884bp,包括24个外显子,编码1627个氨基酸。PAPPA核苷酸序列与禽类其它物种同源性极高,鹅与鸭序列一致性为98%。亚细胞定位预测发现PAPPA蛋白为分泌性蛋白,定位于内质网和细胞外。鹅PAPPA基因在除肝脏以外的其它组织组织中均表达,在卵巢中的表达量最高,其次为心脏、胸肌。在不同发育阶段卵泡颗粒细胞中,PAPPA基因在syf、lwf和swf的表达量较高,而在等级卵泡（F1-F5）其mRNA表达水平逐渐降低。PAPPA基因在不同发育阶段卵泡颗粒细胞中的时空表达模式,进一步说明PAPPA基因在卵泡的生长和发育过程中发挥着重要作用。采用Real-time PCR对鹅HEP和LEP卵巢组织中PAPPA基因mRNA表达水平进行检测。结果显示PAPPA基因在HEP卵巢中mRNA表达水平高于LEP,但差异不显着（P>0.05）。PAPPA基因在卵泡颗粒细胞中过表达显着降低Caspase-3基因的表达（P<0.01）,且随着PAPPA基因过表达量的升高而降低。本研究表明随着卵泡的生长,PAPPA基因在颗粒细胞的表达不断降低,同时PAPPA基因上调能显着降低颗粒细胞中Caspase-3的基因表达,虽然在高低组卵巢中PAPPA基因mRNA表达无显着差异,但分析认为PAPPA基因与卵泡颗粒细胞的生长相关,且参与卵泡的生长发育调控。5、鹅分子标记辅助选择育种本实验采集第七世代（2014年）400只成年健康扬州母鹤和第九世代（2015年）596只幼鹅（公鹅221只,母鹅375只）血液样品,并完成Record-106582、106975和1111407三个SNP在第七代鹅群的基因分型,结果表明Record-106582 AA和CA基因型产蛋量显着高于CC基因型（P<0.05）,AA与CA基因型差异不显着（P>0.05）。Record-106975三种基因型间产蛋量差异不显着,但GG基因型产蛋量高于AA基因型4.4个（P<0.09）,高于全群平均产蛋量（69.72±20.98）7.2个。Record-111407三种基因型间产蛋量差异不显着（P＞0.05）。最终确定Record-106582和106975作为产蛋性能分子标记。根据女儿生产记录计算第七世代公鹅估计产蛋量,同时结合第七世代母鹅产蛋量估计第八世代公鹅的个体产蛋性能;第八世代母鹅产蛋性能以前20周产蛋量表示。根据第八世代鹅场实际选配方案,选择39只高产公鹅与78只高产母鹅的后代作为留种群（第九世代）,共596只,其中公鹤221只,母鹅375只。根据Record-106582、106975在留种群基因型分析结果,最终组建两个高产纯合基因型核心群,分别为141只（公鹅39只,母鹅102只）和280只（公鹅76只,母鹅204只）。
王嘉福[9]（2015）在《畜禽分子育种技术研究进展及趋势》文中指出简要介绍了畜禽分子育种技术的背景、现状、趋势。阐述了分子育种技术在动物性状改造方面的应用范例,对各应用领域的进展进行了简略回顾,同时指出了分子育种技术在动物种业领域的主要任务和发展重点、对策措施与政策建议。
段芳,兰志刚,李卫娟[10]（2011）在《动物遗传育种研究进展》文中指出随着遗传学理论的不断发展,动物遗传育种技术经历了表型和表型值选种技术育种、DNA重组技术育种、分子技术育种3个阶段。其中,在20世纪80年代国际上动物育种已进入分子水平,朝着快速改变动物基因型的方向发展,即开始分子育种技术阶段。国内也紧跟国际步伐,主要研究畜禽遗传育种的分子生物学基础,为我国21世纪畜牧业的发展提供理论基础和先进技术。现
二、畜禽遗传标记辅助选择的研究与应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、畜禽遗传标记辅助选择的研究与应用（论文提纲范文）
（1）高山美利奴羊羊毛品质与红细胞性状基因组选择和全基因组关联分析研究（论文提纲范文）
| 摘要 |
| SUMMARY |
| 英文缩略表 |
| 第一章 文献综述 |
| 1.1 畜禽遗传评估的方法与研究进展 |
| 1.2 全基因组关联分析 |
| 1.3 基因分型的方法 |
| 1.4 本研究的目的和意义 |
| 第二章 加性和显性遗传效应对羊毛品质和红细胞性状GEBV估计准确性的影响研究 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.3 结果与分析 |
| 2.4 讨论 |
| 2.5 小结 |
| 第三章 统计模型、标记密度和遗传力对羊毛品质GEBV估计准确性的影响研究 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.3 结果与分析 |
| 3.4 讨论 |
| 3.5 小结 |
| 第四章 羊毛品质和红细胞性状的全基因组关联分析研究 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.3 结果与分析 |
| 4.4 讨论 |
| 4.5 小结 |
| 第五章 结论 |
| 5.1 主要结论 |
| 5.2 创新点 |
| 5.3 后续研究内容 |
| 参考文献 |
| 附表与附录 |
| 致谢 |
| 作者简介 |
| 导师简介 |
（2）山羊SNP芯片设计与内蒙古绒山羊重要经济性状全基因组关联分析及基因组选择研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语表 |
| 1 引言 |
| 1.1 绒山羊育种研究进展 |
| 1.1.1 绒山羊概述 |
| 1.1.2 绒山羊育种现状 |
| 1.2 SNP芯片的研究进展 |
| 1.2.1 SNP分型芯片的特点 |
| 1.2.2 SNP分型芯片的分类及原理 |
| 1.2.3 SNP分型芯片在畜牧领域的概况及应用 |
| 1.3 全基因组关联分析研究进展 |
| 1.4 羊基因组选择研究进展 |
| 1.4.1 基因组选择理论 |
| 1.4.2 基因组选择方法 |
| 1.4.3 基因组选择影响因素 |
| 1.4.4 羊基因组选择研究进展 |
| 1.5 研究目的及意义 |
| 1.6 技术路线图 |
| 2 研究一 内蒙古绒山羊重要经济性状遗传参数的评估 |
| 2.1 材料与方法 |
| 2.1.1 数据来源 |
| 2.1.2 非遗传因素分析-广义最小二乘法 |
| 2.1.3 多性状重复力混合模型估计遗传参数 |
| 2.2 结果 |
| 2.2.1 基本统计分析 |
| 2.2.2 固定效应的确定 |
| 2.2.3 遗传参数估计 |
| 2.3 讨论 |
| 2.3.1 遗传力 |
| 2.3.2 遗传相关 |
| 2.4 小结 |
| 3 研究二 山羊70KSNP芯片的研发设计与测试 |
| 3.1 材料与方法 |
| 3.1.1 芯片设计数据来源 |
| 3.1.2 芯片测试数据来源 |
| 3.1.3 主要分析软件及工具 |
| 3.1.4 主要试剂及仪器 |
| 3.1.5 位点筛选 |
| 3.1.6 位点优化 |
| 3.1.7 DNA提取 |
| 3.1.8 基因分型 |
| 3.2 结果 |
| 3.2.1 70K SNP芯片的设计 |
| 3.2.2 70K SNP芯片与Illumina 52K SNP芯片的比较 |
| 3.2.3 位点检出率 |
| 3.2.4 位点MAF统计 |
| 3.3 讨论 |
| 3.4 小结 |
| 4 研究三内蒙古绒山羊重要经济性状全基因组关联分析 |
| 4.1 材料与方法 |
| 4.1.1 样品采集 |
| 4.1.2 表型数据处理 |
| 4.1.3 数据质控 |
| 4.1.4 全基因组关联分析 |
| 4.1.5 GO、KEGG富集分析 |
| 4.2 结果 |
| 4.2.1 表型数据的基本统计 |
| 4.2.2 数据质控及群体遗传结构分析 |
| 4.2.3 绒长性状的全基因组关联分析 |
| 4.2.4 绒细性状的全基因组关联分析 |
| 4.2.5 产绒量性状的全基因组关联分析 |
| 4.2.6 功能富集分析 |
| 4.3 讨论 |
| 4.4 小结 |
| 5 研究四内蒙古绒山羊重要经济性状基因组选择研究 |
| 5.1 材料与方法 |
| 5.1.1 构建参考群 |
| 5.1.2 基因型数据 |
| 5.1.3 GBLUP |
| 5.1.4 SSGBLUP |
| 5.1.5 基因组准确性评估 |
| 5.1.6 世代间隔 |
| 5.2 结果 |
| 5.2.1 群体结构和遗传参数 |
| 5.2.2 基因组预测准确性比较 |
| 5.2.3 世代间隔 |
| 5.2.4 选择效果分析 |
| 5.3 讨论 |
| 5.4 小结 |
| 6 结论 |
| 7 创新点 |
| 8 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者简介 |
（3）中-越地方鸡品种的遗传多样性分析（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 英文缩略词 |
| 第1章 文献综述 |
| 1 引言 |
| 2 中-越地方鸡品种资源简介 |
| 3 畜禽品种鉴定的概述 |
| 4 微卫星标记 |
| 4.1 微卫星概述 |
| 4.2 微卫星分型技术 |
| 4.3 微卫星标记的优点 |
| 4.4 微卫星标记的不足 |
| 4.5 微卫星标记在家禽遗传育种研究中的应用 |
| 5 SNP标记 |
| 5.1 SNP标记在家禽遗传育种研究中的应用 |
| 6 本研究的目的及意义 |
| 第2章 中-越地方鸡品种的遗传多样性分析 |
| 1 实验材料及分析方法 |
| 1.1 样本采集 |
| 1.2 微卫星荧光引物筛选 |
| 1.3 实验仪器与试剂 |
| 1.3.1 主要仪器和设备 |
| 1.3.2 主要试剂 |
| 1.4 实验用鸡血液样本DNA提取 |
| 1.5 PCR反应体系建立 |
| 1.6 STR基因分型检测 |
| 1.6.1 电泳检测 |
| 1.6.2 STR检测 |
| 1.7 统计学原理 |
| 1.8 基因型判定方法 |
| 1.9 聚类方法 |
| 2 结果 |
| 2.1 样本基因组提取 |
| 2.2 STR基因分型检测 |
| 2.3 微卫星位点的遗传学参数 |
| 2.4 群体遗传学参数 |
| 2.4.1 等位基因数 |
| 2.4.2 多态信息含量 |
| 2.4.3 杂合度 |
| 2.5 F统计量 |
| 2.6 遗传距离 |
| 2.6.1 基于遗传距离的聚类分析 |
| 2.7 PCA分析 |
| 2.8 群体遗传结构分析 |
| 2.9 特有等位基因型及品种鉴定 |
| 2.9.1 特有等位基因及频率 |
| 2.9.2 基因型赋值以及品种鉴别标签的构建 |
| 3 讨论 |
| 3.1 各群体的样本含量 |
| 3.2 SSR引物的选择及标记 |
| 3.3 群体遗传学参数与遗传距离 |
| 3.4 PCA分析 |
| 3.5 群体遗传结构分析 |
| 第3章 全基因组重测序检验分析部分地方鸡品种的群体遗传结构 |
| 1 材料与方法 |
| 1.1 试验动物 |
| 1.1.1 血液基因组提取 |
| 1.2 全基因组重测序 |
| 1.2.1 群体进化简介 |
| 1.2.2 全基因组重测序群体进化 |
| 2 实验流程 |
| 2.1 样品检测 |
| 2.2 文库构建 |
| 2.3 库检 |
| 2.4 上机测序 |
| 2.5 主成分分析 |
| 2.6 群体遗传结构分析 |
| 2.7 群体进化树分析 |
| 3 结果 |
| 3.1 主成分分析 |
| 3.2 群体遗传结构分析 |
| 3.3 系统发育树分析 |
| 4 讨论 |
| 4.1 主成分 |
| 4.2 群体遗传结构 |
| 4.3 系统发育树 |
| 全文结论 |
| 参考文献 |
| 附录 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）绒山羊SNP芯片设计及重要经济性状全基因组关联分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 1 引言 |
| 1.1 绒山羊育种概述 |
| 1.1.1 绒山羊概况 |
| 1.1.2 绒山羊育种现状 |
| 1.1.3 绒山羊绒毛品质性状研究进展 |
| 1.2 基因芯片的研究进展 |
| 1.2.1 分子遗传标记的发展概况 |
| 1.2.2 基因芯片发展概况 |
| 1.3 全基因组关联分析研究进展 |
| 1.3.1 GWAS研究概述 |
| 1.3.2 GWAS的统计分析方法 |
| 1.3.3 GWAS在畜禽中的应用 |
| 1.3.4 GWAS存在的问题及展望 |
| 1.4 研究目的及意义 |
| 1.5 技术路线图 |
| 2 研究一 山羊全基因组重测序 |
| 2.1 前言 |
| 2.2 材料 |
| 2.2.1 试验材料 |
| 2.2.2 主要仪器 |
| 2.2.3 主要试剂 |
| 2.3 方法 |
| 2.3.1 血液DNA提取 |
| 2.3.2 文库的构建 |
| 2.3.3 基因组测序 |
| 2.3.4 测序数据过滤与质控 |
| 2.3.5 基因组遗传变异检测 |
| 2.3.6 遗传多样性分析 |
| 2.4 结果 |
| 2.4.1 DNA文库及质检 |
| 2.4.2 测序结果 |
| 2.4.3 遗传变异数据集 |
| 2.4.4 群体杂合度分析 |
| 2.5 讨论 |
| 2.6 小结 |
| 3 研究二 山羊66K SNP捕获芯片的开发与测试 |
| 3.1 前言 |
| 3.2 材料 |
| 3.3 方法 |
| 3.3.1 原始SNP数据集的获取 |
| 3.3.2 原始数据初步分析 |
| 3.3.3 CG测序方法 |
| 3.3.4 统计与分析 |
| 3.3.5 SNP检测提取 |
| 3.3.6 样品测序报告的生成 |
| 3.4 结果 |
| 3.4.1 SNP筛选 |
| 3.4.2 叠瓦式探针设计 |
| 3.4.3 探针测试结果分析 |
| 3.5 讨论 |
| 3.5.1 叠瓦式探针设计的选择 |
| 3.5.2 捕获效果的检测 |
| 3.5.3 SNP数据集的优势 |
| 3.6 小结 |
| 4 研究三 基于绒山羊66K SNP芯片的捕获测序 |
| 4.1 前言 |
| 4.2 材料 |
| 4.2.1 试验材料 |
| 4.2.2 主要仪器 |
| 4.2.3 主要试剂 |
| 4.3 方法 |
| 4.3.1 血液基因组DNA的提取 |
| 4.3.2 CG平台建库方法 |
| 4.3.3 测序质量评估 |
| 4.3.4 测序FASTQ文件初步过滤 |
| 4.3.5 序列比对与去重复 |
| 4.3.6 遗传变异检测 |
| 4.4 结果 |
| 4.4.1 测序平台比较与流程优化 |
| 4.4.2 测序平台对比 |
| 4.4.3 分析流程优化探索 |
| 4.4.4 目标捕获与测序结果 |
| 4.4.5 SNPs |
| 4.5 讨论 |
| 4.6 小结 |
| 5 研究四 绒山羊重要经济性状的全基因组关联分析研究 |
| 5.1 前言 |
| 5.2 材料 |
| 5.3 方法 |
| 5.3.1 羊绒纤维细度测量分析 |
| 5.3.2 群体结构分析 |
| 5.3.3 全基因组关联分析 |
| 5.3.4 候选基因定位 |
| 5.3.5 候选SNP位点的飞行质谱基因分型 |
| 5.4 结果 |
| 5.4.1 表型数据的校正与统计 |
| 5.4.2 群体结构分析 |
| 5.4.3 全基因组关联分析 |
| 5.4.4 DNA质检结果 |
| 5.4.5 Sequenom SNP分型结果 |
| 5.4.6 统计分析结果 |
| 5.5 讨论 |
| 5.5.1 绒山羊66KSNP芯片与山羊52K SNP芯片的应用范围比较 |
| 5.5.2 羊绒细度相关的Top 26SNP位点 |
| 5.5.3 候选SNP位点的飞行质谱基因分型 |
| 5.6 小结 |
| 6 结论 |
| 7 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者简介 |
（5）内蒙古绒山羊不同毛被类型性状变异及其分子遗传机制的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 哺乳动物被毛的起源与演化 |
| 1.2 哺乳动物被毛的生物学特征与开发利用 |
| 1.2.1 哺乳动物被毛的生物学特征 |
| 1.2.2 哺乳动物被毛的开发利用 |
| 1.3 哺乳动物皮肤毛囊的生物学特征 |
| 1.4 皮肤毛囊发生发育的基本规律 |
| 1.4.1 毛囊的形态发生过程 |
| 1.4.2 毛囊的周期性变化过程 |
| 1.4.3 皮肤毛囊与绒毛生长发育的相关因子 |
| 1.5 山羊起源与绒山羊遗传资源现状 |
| 1.6 动物毛被特征多样性研究进展 |
| 1.6.1 哺乳动物毛被特征多样性及其遗传基础 |
| 1.6.2 绒山羊毛被类型多样性研究进展 |
| 1.7 遗传标记种类 |
| 1.8 高通量测序技术及其在山羊中的研究应用 |
| 1.8.1 全基因组重测序 |
| 1.8.2 转录组测序 |
| 1.8.3 基因芯片 |
| 1.9 家畜育种的理论方法与生物技术 |
| 1.10 本文研究的目的、意义和内容方法 |
| 1.11 技术路线图 |
| 2 研究一 内蒙古绒山羊不同被毛类型的性状差异分析 |
| 2.1 前言 |
| 2.2 试验材料 |
| 2.3 试验方法 |
| 2.3.1 检测指标 |
| 2.3.2 数据处理与统计分析 |
| 2.4 结果与分析 |
| 2.4.1 不同毛被类型绒山羊的表型特征描述 |
| 2.4.2 不同毛被类型绒毛样品的实验室观察 |
| 2.4.3 毛被类型的遗传方式 |
| 2.4.4 不同年龄毛被类型的比例 |
| 2.4.5 不同毛被类型的特征分布 |
| 2.4.6 不同毛被类型对产绒量、绒厚和抓绒后体重的影响 |
| 2.4.7 不同毛被类型极端个体表型性状的统计与方差分析 |
| 2.5 讨论 |
| 2.5.1 不同毛被类型的分布与遗传方式 |
| 2.5.2 不同毛被类型的绒毛品质差异 |
| 2.6 小结 |
| 3 研究二 内蒙古绒山羊的遗传变异检测及FST分化位点的挖掘研究 |
| 3.1 前言 |
| 3.2 试验材料 |
| 3.3 试验方法 |
| 3.3.1 基因组DNA的提取 |
| 3.3.2 全基因组测序 |
| 3.3.3 基因组遗传变异检测与注释 |
| 3.3.4 功能突变的基因注释与GO/KEGG富集分析 |
| 3.3.5 全基因组SNP位点FST筛选与GO/KEGG富集分析 |
| 3.4 结果与分析 |
| 3.4.1 DNA提取结果 |
| 3.4.2 测序质量与结果统计 |
| 3.4.3 遗传变异的基因组区域分布特征 |
| 3.4.4 错义突变SNP基因注释与GO/KEGG研究 |
| 3.4.5 移码突变InDels的基因注释与GO/KEGG功能研究 |
| 3.4.6 功能突变的韦恩图分析 |
| 3.4.7 全基因组SNP位点F_(ST)分布特征 |
| 3.4.8 FST遗传分化SNP位点的基因组区域注释 |
| 3.4.9 候选基因的GO功能注释与KEGG富集分析 |
| 3.5 讨论 |
| 3.5.1 遗传变异的基因组特征 |
| 3.5.2 错义突变基因的挖掘分析 |
| 3.5.3 移码突变基因的挖掘分析 |
| 3.5.4 具有移码突变和错义突变基因的挖掘分析 |
| 3.5.5 遗传分化较大的候选基因 |
| 3.5.6 FGF5基因突变信息 |
| 3.6 小结 |
| 4 研究三 绒山羊不同毛被类型的全基因组扫描分析 |
| 4.1 前言 |
| 4.2 试验材料 |
| 4.3 试验方法 |
| 4.3.1 连锁不平衡分析 |
| 4.3.2 群体遗传结构分析 |
| 4.3.3 全基因组选择信号扫描分析 |
| 4.3.4 受选择基因的GO功能注释与KEGG富集分析 |
| 4.4 结果与分析 |
| 4.4.1 群体遗传结构特征 |
| 4.4.2 不同毛被绒山羊选择信号 |
| 4.4.3 长毛型绒山羊受选择基因的功能富集分析 |
| 4.4.4 短毛型绒山羊受选择基因的功能富集分析 |
| 4.5 讨论 |
| 4.5.1 绒山羊遗传结构特征 |
| 4.5.2 长毛型绒山羊的受选择候选基因 |
| 4.5.3 短毛型绒山羊的受选择候选基因 |
| 4.5.4 共有的受选择基因 |
| 4.6 小结 |
| 5 研究四 绒山羊不同毛被类型及毛长的全基因组关联分析 |
| 5.1 前言 |
| 5.2 试验材料 |
| 5.3 试验方法 |
| 5.3.1 不同毛被类型的试验-对照GWAS分析 |
| 5.3.2 毛长性状的混合线性模型分析 |
| 5.4 结果与分析 |
| 5.4.1 典型毛被类型表型描述性统计分析结果 |
| 5.4.2 不同毛被类型的GWAS分析 |
| 5.4.3 不同毛被类型的候选基因的蛋白互作分析 |
| 5.4.4 毛长性状的GWAS |
| 5.4.5 毛长候选基因的GO功能注释与KEGG富集分析 |
| 5.5 讨论 |
| 5.5.1 毛被类型GWAS的候选基因 |
| 5.5.2 毛长性状GWAS的候选基因 |
| 5.6 小结 |
| 6 研究五 整合GWAS和WGCNA分析挖掘毛被类型相关的候选基因 |
| 6.1 前言 |
| 6.2 试验材料 |
| 6.3 试验方法 |
| 6.3.1 数据筛选与获得 |
| 6.3.2 权重共表达网络构建 |
| 6.3.3 毛被类型相关模块的筛选及基因表达模式分析 |
| 6.3.4 模块基因的GO/KEGG富集分析 |
| 6.3.5 模块基因互作网络关系图的构建 |
| 6.3.6 基因蛋白-蛋白互作网络构建 |
| 6.4 结果与分析 |
| 6.4.1 权重基因共表达网络的构建 |
| 6.4.2 共表达网络构建及模块筛选 |
| 6.4.3 模块基因表达模式分析 |
| 6.4.4 模块基因GO功能注释与KEGG富集分析 |
| 6.4.5 基因网络关系图 |
| 6.4.6 蛋白-蛋白互作网络分析 |
| 6.5 讨论 |
| 6.5.1 WGCNA的Yellow模块的候选基因 |
| 6.5.2 候选基因的功能分析 |
| 6.5.3 共有基因的潜在功能研究 |
| 6.6 小结 |
| 7 研究六 候选基因的表达趋势及与毛被类型的关联分析验证 |
| 7.1 前言 |
| 7.2 试验材料 |
| 7.3 试验方法 |
| 7.3.1 候选基因的RPKM表达趋势分析 |
| 7.3.2 DNA提取与质检 |
| 7.3.3 引物设计 |
| 7.3.4 PCR反应 |
| 7.3.5 Sanger测序 |
| 7.3.6 相关性统计分析 |
| 7.4 结果与分析 |
| 7.4.1 样本DNA质量与完整性 |
| 7.4.2 Sanger测序结果 |
| 7.4.3 候选基因的表达趋势分析 |
| 7.4.4 候选SNP位点与毛被类型关联分析 |
| 7.5 讨论 |
| 7.6 小结 |
| 8 全文主要研究结论 |
| 9 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者简介 |
（6）饲料转化效率及其在畜禽遗传育种中的研究进展（论文提纲范文）
| 1 饲料转化效率的概念及其影响因素 |
| 1.1 饲料转化效率的概念 |
| 1.2 饲料转化效率的影响因素 |
| 2 饲料转化效率的评定指标和选择方法 |
| 2.1 饲料转化效率的评定指标 |
| 2.1.1 饲料转化率 |
| 2.1.2 剩余采食量 |
| 2.2 饲料转化效率的选择 |
| 3 饲料转化效率的相关应用 |
| 3.1 饲料转化效率在畜禽中的应用 |
| 3.1.1 在奶牛中的应用 |
| 3.1.2 在家禽中的应用 |
| 3.2 饲料转化率在降低生产成本中的应用 |
| 3.3 饲料转化效率在环境保护中的应用 |
| 4 饲料转化效率的研究进展 |
| 4.1 饲料转化效率的候选基因 |
| 4.1.1 猪相关候选基因的研究 |
| 4.1.2 家禽相关候选基因的研究 |
| 4.1.3 牛相关候选基因的研究 |
| 4.2 利用全基因组关联分析发现 |
| 4.2.1 家禽相关GWAS的研究 |
| 4.2.2 猪相关GWAS的研究 |
| 4.2.3 牛相关GWAS的研究 |
| 5 展望 |
（7）加系肉牛杂交生产系统及基因组范围MAS育种方案的优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 第1章 文献综述 |
| 1.1 传统遗传评估方法概述 |
| 1.1.1 选择指数法 |
| 1.1.2 最佳线性无偏预测BLUP |
| 1.1.3 标记辅助选择 |
| 1.2 全基因组选择概述 |
| 1.2.1 全基因组选择的原理 |
| 1.2.2 全基因组选择的方法 |
| 1.2.3 全基因组选择的研究进展 |
| 1.2.4 全基因组选择的影响因素及其优势 |
| 1.3 社会性遗传效应概述 |
| 1.3.1 社会性遗传效应的研究进展 |
| 1.4 本研究的目的和意义 |
| 第2章 利用特定的父系、母系优化肉牛生产系统 |
| 2.1 引言 |
| 2.2 材料和方法 |
| 2.2.1 杂交生产系统 |
| 2.2.2 生物模型的描述 |
| 2.3 结果 |
| 2.4 讨论 |
| 2.5 小结 |
| 第3章 在控制近交(情况)下利用遗传算法优化社会性遗传效应的选择进展 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 数据模拟 |
| 3.2.2 统计模型 |
| 3.2.3 选择准确率和选择反应 |
| 3.2.4 控制近交率 |
| 3.2.5 选择方案的比较 |
| 3.3 结果 |
| 3.3.1 不同方案近交水平和选择反应的比较 |
| 3.3.2 EBV和平均关系间的权重率对优化方案的影响 |
| 3.3.3 社会性遗传效应大小对优化方案的影响 |
| 3.3.4 群体大小对优化方案的影响 |
| 3.4 讨论 |
| 3.5 小结 |
| 第4章 基于低密度SNP芯片的肉牛生长性状MAS遗传评估方法的构建 |
| 4.1 引言 |
| 4.2 材料和方法 |
| 4.2.1 基因型和表型数据 |
| 4.2.2 SNP标记的过滤 |
| 4.2.3 SNP与性状的关联检验 |
| 4.2.4 标记分值(marker score)的计算 |
| 4.2.5 标记辅助评估模型构建 |
| 4.2.6 选择效力评估 |
| 4.3 结果 |
| 4.3.1 关联分析结果 |
| 4.3.2 标记分值和表型值的遗传参数 |
| 4.3.3 MABLUP与CBLUP的预测准确性评估 |
| 4.4 讨论 |
| 4.4.1 模型的可行性 |
| 4.4.2 SNP标记效应的验证 |
| 4.4.3 表型数据对预测准确性的影响 |
| 4.4.4 TMAE的适用范围 |
| 4.5 小结 |
| 第5章 一种肉牛剩余采食量和胴体品质的全基因组遗传改良模型的构建 |
| 5.1 引言 |
| 5.2 实验材料和方法 |
| 5.2.1 表型和基因型数据 |
| 5.2.2 SNP标记过滤 |
| 5.2.3 关联分析(The association test) |
| 5.2.4 标记值的计算 |
| 5.2.5 双性状辅助评价模型的构建 |
| 5.2.6 评价MABLUP的选择效率 |
| 5.3 结果 |
| 5.3.1 关联分析结果 |
| 5.3.2 标记值和表型的遗传参数 |
| 5.3.3 MABLUP和CBLUP的精度 |
| 5.4 讨论 |
| 5.4.1 模型的影响因素 |
| 5.4.2 MABLUP模型的实施 |
| 5.4.3 肉牛群体基因组选择效率 |
| 5.5 小结 |
| 第6章 结论与创新点 |
| 6.1 结论 |
| 6.2 本文创新之处 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
（8）鹅产蛋性能相关遗传变异的全基因组发掘及候选基因研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语中英文对照(Abbrebiation) |
| 第一篇 文献综述 |
| 第一章 禽类产蛋性能研究现状 |
| 1 性成熟家禽卵泡的发育 |
| 1.1 家禽卵泡等级发育的特点 |
| 1.2 家禽卵泡发育的阶段划分 |
| 1.2.1 原始卵泡 |
| 1.2.2 生长卵泡 |
| 1.2.3 成熟卵泡 |
| 1.3 家禽卵泡的闭锁 |
| 2 卵泡颗粒细胞对卵泡的调控作用 |
| 2.1 颗粒细胞在卵泡发育过程中的调控作用 |
| 2.2 颗粒细胞与卵母细胞的生长成熟 |
| 3 卵泡膜细胞对卵泡生长发育的调控作用 |
| 4 鹅产蛋性能遗传基础研究 |
| 第二章 基因组测序技术的发展与应用 |
| 1 DNA测序技术的发展 |
| 2 基因组测序技术在动物科学研究上的应用 |
| 3 简化基因组测序(RAD-sequencing) |
| 第三章 畜禽育种目标与选择技术研究 |
| 1 畜禽育种目标的确定 |
| 2 畜禽选择方法 |
| 3 分子遗传标记辅助选择 |
| 3.1 遗传标记 |
| 3.2 单核苷酸多态性标记(SNP) |
| 3.3 SNP的检测方法 |
| 第四章 鹅育种工作存在的问题与现状 |
| 1 鹅育种工作存在的问题 |
| 2 鹅育种工作的现状 |
| 参考文献 |
| 第二篇 实验部分 |
| 第一章 运用简化基因组测序技术筛选鹅产蛋性能相关候选SNP |
| 1 材料与方法 |
| 1.1 实验动物 |
| 1.2 主要试剂和仪器 |
| 1.2.1 主要试剂及配制 |
| 1.2.2 仪器 |
| 1.3 实验鹅产蛋性能与分组 |
| 1.4 RAD文库的准备与测序 |
| 1.5 测序结果的分析与突变位点的鉴定 |
| 1.6 候选SNP的群体验证 |
| 1.6.1 聚合酶链式反应(PCR) |
| 1.6.2 禽血DNA提取步骤 |
| 1.7 鹅产蛋性能相关基因的鉴定 |
| 1.7.1 反向PCR实验步骤 |
| 1.7.2 TA克隆及测序 |
| 1.8 数据统计与分析 |
| 2 实验结果 |
| 2.1 简化基因组测序结果 |
| 2.2 产蛋相关SNP的挖掘 |
| 2.3 候选SNP的群体验证 |
| 2.4 产蛋量相关标记的多标记线性回归分析 |
| 2.5 产蛋性能相关SNP功能基因的鉴定 |
| 3 讨论 |
| 3.1 池DNA RAD-sequencing |
| 3.2 产蛋量相关SNP的发掘 |
| 3.3 SNP与产蛋量的相关性分析 |
| 3.4 鹅产蛋性能相关基因的克隆 |
| 3.5 基于高通量测序的基因分型技术 |
| 参考文献 |
| 第二章 ACSF2基因克隆及基因表达分析 |
| 1 材料与方法 |
| 1.1 实验动物及样品采集 |
| 1.1.1 实验动物 |
| 1.1.2 样品采集 |
| 1.2 主要试剂和仪器 |
| 1.2.1 主要试剂 |
| 1.2.2 主要仪器设备 |
| 1.3 RNA提取和cDNA合成 |
| 1.3.1 RNA提取 |
| 1.3.2 cDNA的合成 |
| 1.4 ACSF2基因克隆与剪接体的发现 |
| 1.4.1 ACSF2基因克隆 |
| 1.4.2 ACSF2剪接体的克隆 |
| 1.5 pEGFP-ACSF2表达载体的构建与亚细胞定位 |
| 1.5.1 pEGFP-ACSF2表达载体的构建 |
| 1.5.2 ACSF2基因的亚细胞定位 |
| 1.6 ACSF2基因在组织中的表达 |
| 1.6.1 半定量RT-PCR |
| 1.6.2 实时荧光定量PCR |
| 1.7 鹅卵泡颗粒细胞的分离、培养及过表达 |
| 1.7.1 鹅卵泡颗粒细胞的分离 |
| 1.7.2 鹅卵泡颗粒细胞生长曲线绘制 |
| 1.7.3 ACSF2基因在鹅卵泡颗粒细胞的过表达 |
| 1.8 siRNA的准备与转染 |
| 1.9 生物信息学分析 |
| 2 实验结果 |
| 2.1 ACSF2基因的克隆 |
| 2.2 ACSF2氨基酸序列比对及系统发育分析 |
| 2.3 鹅ACSF2基因四种剪接体及结构分析 |
| 2.4 ACSF2基因四种剪接体蛋白的亚细胞定位 |
| 2.5 卵泡的发育 |
| 2.6 鹅ACSF2基因在不同组织器官中的表达 |
| 2.7 ACSF2基因在高产蛋组和低产蛋组卵巢组织中的差异表达 |
| 2.8 ACSF2基因过表达与siRNA干扰 |
| 2.8.1 鹅卵泡颗粒细胞的生长曲线 |
| 2.8.2 ACSF2基因对鹅卵泡颗粒细胞中Caspase-3基因表达的影响 |
| 3 讨论 |
| 参考文献 |
| 第三章 MAGI1基因克隆及基因表达分析 |
| 1 材料与方法 |
| 1.1 主要试剂和仪器 |
| 1.2 实验动物及样品采集 |
| 1.2.1 实验动物 |
| 1.2.2 样品采集 |
| 1.3 RNA提取和cDNA合成 |
| 1.4 MAGI1基因克隆与剪接体的发现 |
| 1.4.1 MAGI1基因克隆 |
| 1.4.2 MAGI1不同剪接体的克隆 |
| 1.5 pEGFP-MAGI1表达载体的构建 |
| 1.6 MAGI1基因在组织中的表达 |
| 1.6.1 半定量RT-PCR |
| 1.6.2 实时荧光定量PCR |
| 1.7 鹅卵泡颗粒细胞的分离、培养及过表达 |
| 1.8 siRNA的准备与转染 |
| 1.9 生物信息学分析 |
| 2 实验结果 |
| 2.1 MAGI1基因的克隆 |
| 2.2 MAGI1基因不同剪接体鉴定 |
| 2.3 MAGI1氨基酸序列及系统发育分析 |
| 2.4 鹅MAGI1基因在不同组织器官中的表达 |
| 2.5 MAGI1基因在高产蛋组和低产蛋组卵巢组织中的差异表达 |
| 2.6 MAGI1基因过表达与siRNA干扰 |
| 3 讨论 |
| 参考文献 |
| 第四章 PAPPA基因克隆及基因表达分析 |
| 1、材料与方法 |
| 1.1 实验动物及样品采集 |
| 1.1.1 实验动物 |
| 1.1.2 样品采集 |
| 1.2 主要试剂和仪器 |
| 1.3 RNA提取和cDNA合成 |
| 1.4 PAPPA基因克隆 |
| 1.5 pEGFP-PAPPA表达载体的构建 |
| 1.6 PAPPA基因在组织中的表达 |
| 1.7 鹅卵泡颗粒细胞的分离、培养及过表达 |
| 1.8 生物信息学分析 |
| 2 实验结果 |
| 2.1 PAPPA基因的克隆 |
| 2.2 PAPPA基因氨基酸序列及系统发育分析 |
| 2.3 鹅PAPPA基因在不同组织器官中的表达 |
| 2.4 PAPPA基因在高产蛋组和低产蛋组卵巢组织中的差异表达 |
| 2.5 PAPPA基因过表达对卵泡颗粒细胞的影响 |
| 3 讨论 |
| 参考文献 |
| 第五章 鹅分子标记辅助选择育种 |
| 1 材料与方法 |
| 1.1 实验动物及样品采集 |
| 1.2 DNA提取 |
| 1.3 AS-PCR基因分型 |
| 1.4 选种选育方案 |
| 1.5 数据资料 |
| 1.6 数据统计分析 |
| 2 实验结果 |
| 2.1 候选SNP第七世代的群体验证 |
| 2.2 种鹅的选留 |
| 2.3 第九世代鹅群基因分型结果 |
| 2.4 育种核心群组建 |
| 3 讨论 |
| 参考文献 |
| 全文结论 |
| 创新点 |
| 致谢 |
| 攻读博士学位期间发表的论文 |
| 附录 |
| 附表一 候选SNP及AS-PCR基因分型引物 |
（9）畜禽分子育种技术研究进展及趋势（论文提纲范文）
| 1畜禽分子育种技术的背景、现状、趋势 |
| 2分子育种技术在动物性状改造方面的应用 |
| 3分子育种技术在动物种业领域的主要任务和发展重点 |
| 4对策措施与政策建议 |
（10）动物遗传育种研究进展（论文提纲范文）
| 1 表型和表型值选种技术育种 |
| 2 计算机和DNA重组技术育种 |
| 3 分子技术育种 |
| 3.1 转基因育种 |
| 3.1.1 转基因技术改良动物重要生产性状 |
| 3.1.2 非常规性转基因育种 |
| 3.2 基因组育种 |
| 3.2.1 分子遗传标记 |
| RFLP标记 |
| mtDNA标记 |
| RAPD标记 |
| AFLP标记 |
| SNP标记 |
| 3.2.2 分子遗传标记在动物育种的应用 |
| 4 展望 |
四、畜禽遗传标记辅助选择的研究与应用（论文参考文献）
- [1]高山美利奴羊羊毛品质与红细胞性状基因组选择和全基因组关联分析研究[D]. 朱韶华. 甘肃农业大学, 2021
- [2]山羊SNP芯片设计与内蒙古绒山羊重要经济性状全基因组关联分析及基因组选择研究[D]. 王凤红. 内蒙古农业大学, 2021
- [3]中-越地方鸡品种的遗传多样性分析[D]. 赵龙. 扬州大学, 2021(08)
- [4]绒山羊SNP芯片设计及重要经济性状全基因组关联分析研究[D]. 乔贤. 内蒙古农业大学, 2020
- [5]内蒙古绒山羊不同毛被类型性状变异及其分子遗传机制的研究[D]. 李晓凯. 内蒙古农业大学, 2020
- [6]饲料转化效率及其在畜禽遗传育种中的研究进展[J]. 刘婵娟,王生轩,李冉冉,王中华,林雪彦,师科荣. 家畜生态学报, 2017(10)
- [7]加系肉牛杂交生产系统及基因组范围MAS育种方案的优化研究[D]. 曾知遥. 四川农业大学, 2017(12)
- [8]鹅产蛋性能相关遗传变异的全基因组发掘及候选基因研究[D]. 喻世刚. 南京农业大学, 2015(05)
- [9]畜禽分子育种技术研究进展及趋势[J]. 王嘉福. 山地农业生物学报, 2015(03)
- [10]动物遗传育种研究进展[J]. 段芳,兰志刚,李卫娟. 黑龙江动物繁殖, 2011(04)
标签：基因组论文; 全基因组关联分析论文; snp论文; 全基因组重测序论文; 基因合成论文;