家畜育种是畜牧产业的核心驱动力。传统育种方法依赖表型与系谱信息，虽然成效显著，但在选择准确性、世代间隔及低遗传力与限性性状改良方面存在局限。随着分子生物技术的发展，基因组选择（Genomic Selection，GS）于2001年由Meuwissen等[1]提出，通过高密度分子标记预测基因组估计育种值（Genomic estimated breeding value，GEBV），不仅能够大幅缩短世代间隔，加快遗传进展，还可显著降低动物育种成本[2]。
自2009年美国奶牛育种中率先实现商业化应用以来，GS技术在全球范围内迅速普及[3]。然而，GS在提高选择效率的同时，也加剧了群体近交风险，可能导致遗传多样性下降与近交衰退。为应对此挑战，基因组选配技术（Genomic mating，GM）应运而生，其核心在于利用基因组信息优化配对方案，平衡遗传进展与群体多样性。
目前，GS与GM在模型算法、多物种应用及育种策略优化等方面取得重要进展。然而，该技术仍面临数据质量、计算资源、多性状整合及复杂遗传机制解析等方面的挑战。本文系统综述家畜基因组选种选配技术的原理、模型、应用与问题，并对未来研究方向进行展望，以期为推动精准育种提供理论参考和实践指导。
1 基因组选种选配的概念
基因组选种选配是一种利用全基因组范围内的遗传标记信息，对个体进行遗传评估并在此基础上制定最优的交配方案，以期高效地改良种群遗传进展、改善特定性状、控制近交系数的精准育种技术，包括GS和GM两个部分。GS通过利用分子标记信息预测个体的遗传潜力，从而实现了对家畜性状的精准选择，极大地提高了育种效率和准确性。而GM基于基因组信息和优化交配组合，使后代能更高效地获得双亲的优良基因组合，减少有害基因的纯合。
2 基因组选择技术在家畜育种中的应用
2.1 基因组选择的原理与方法
基因组工具的创新，使家畜复杂性状的遗传改良取得了突破性进展[4]。GS是一种通过分析个体基因组中大量的分子标记，结合表型数据构建预测模型，从而估算个体的遗传育种值（Genomic estimated breeding value，GEBV）的新兴育种方法[5]。GS的实施主要分为三步：首先要构建包含已知基因型和表型数据的个体群体的参考基因组。该群体需保证表型测定准确性，并结合完整的系谱数据，经全基因组关联分析后检测与数量性状位点有关的单核苷酸多态性并进行估算，或者估算染色体片段的效应值；然后需要组建一个候选群体，对候选个体进行基因分型获取其基因型数据。利用SNP效应值，通过选择合适的预测模型计算候选个体的GEBV；最后根据GEBV值进行个体选择[6]。
2.2 模型选择
不同的基因组选择模型是影响基因组预测准确性的关键[7]。根据统计模型的差异，基因组选择目前最常用，最核心的模型构建方法包括以基因组最佳线性无偏预测（Genomic best linear unbiased prediction，GBLUP）、单步基因组最佳线性无偏预测（Single-step genomic best linear unbiased prediction，ssGBLUP）为代表的直接法、以贝叶斯（Bayes）法为代表的间接法以及机器学习法（Machine learning，ML）[8-9]。不同的计算模型本质上是对标记效应β的先验分布做出了不同的假设，从而衍生出多种方法。其数学模型可以统一表示为公式（1） ：
2.2.1 直接法
y=Xg+Za+e
2.2.2 间接法
2.2.3 机器学习法
机器学习法也称为统计学习，是人工智能的一个子领域，涉及能够根据过去的数据进行预测和推断的基于算法的系统[18]。随着ML的迅速发展，其在家畜基因组选择中的应用日益受到关注。该类方法通过利用大量的基因组数据，可以准确识别出与重要经济性状相关的基因，更好地处理复杂的多基因遗传特征，改善传统育种方法的局限性，加速优良品种的培育进程[19]。常见的机器学习算法包括朴素贝叶斯（Naive bayes classifier，NBC）、支持向量机（Support vector machine，SVM）、决策树（Decision tree，DT）、随机森林（Random forest，RF）和人工神经网络（Artificial neural network，ANN）等[20]。NBC以贝叶斯定理为理论基础，并在“特征条件独立”的假设下进行工作。其优点包括模型简单、训练高效，尤其适合小规模数据集；缺点是对特征相关性敏感，对缺失数据和连续特征处理能力较弱。尽管如此，它仍广泛用于高维数据和多分类任务[21]。SVM是一种监督学习算法，适用于高维数据分类问题，通过核函数将数据映射到高维空间以处理线性不可分的情况[22]。SVM的核心思想是通过寻找一个最优分类超平面，以实现对不同类别数据的最佳划分。为了处理线性不可分的数据，SVM借助核技巧将原始输入映射到高维特征空间，从而使得数据在该空间中线性可分[23]。SVM虽性能优越，但仍需应对过拟合、数据不平衡及维数灾难等挑战。近年来，随着深度学习与迁移学习等新技术的发展，SVM的方法和应用仍在持续演进。DT是一种基于树结构的机器学习算法，通过递归地划分特征空间来构建决策规则，广泛应用于数据挖掘和预测建模。该算法可根据样本特征推断其目标值，适用于分类与回归任务，具有可解释性强、易于理解和可视化等优点。RF是一种集成学习算法，它在决策树的基础上，通过自助采样和随机选取特征来构建多棵树，并以其集体决策进行预测[24]。RF模型的最大优点在于便于计算，可以高效处理数据，适用于样本量大的数据挖掘工作。ANN是一类受人脑结构和功能启发的机器学习模型[25]。由加权连接的人工神经元组成，能够处理复杂非线性关系。ANN在诸如基因组预测中复杂数量性状建模方面表现出良好性能。这些方法在不同的应用场景和数据集上具有各自独特的表现[26]。
2. 3 基因组选择在家畜育种中的应用
表1 基因组选择技术在家畜育种中的研究与应用Table 1 The research and application of genomic selection in livestock breeding |
| 物种 Species | 研究焦点 Research focus | 主要方法/模型 Main methods/Models | 主要贡献/发现 Main contributions/Findings | 参考文献References |
|---|---|---|---|---|
| 牛 Cattle | 荷斯坦牛乳成分性状遗传评估 | 考虑母体遗传效应的基因组评估 | 深化了对乳酪产量和乳蛋白含量等遗传参数的理解，为精准评估提供了方案。 | [30] |
| 繁殖性状预测 | 机器学习结合基因组亲缘关系矩阵与主成分分析 | 证明了结合基因组信息与机器学习策略可有效提升预测准确性。 | [31] | |
| 奶牛酮病预测 | 改进的优化算法 | 提升了疾病预测效能，为生产实践提供了新工具。 | [32] | |
| 肉牛育种（多样化群体） | 基因组选择应用评估 | 证实GS技术尤其适用于品种多样化及小规模群体，显示出良好的应用潜力。 | [33] | |
| 猪 Swine | 种猪选育效率 | GEBV与常规选择对比 | 基因组选择方向一致，且GEBV准确性更高，有效提升了选育效率。 | [34] |
| 饲料效率性状跨群体预测 | 合并杜洛克公猪、商品猪，构建参考群 | 成功提高了平均日增重、料重比等性状的预测准确性，优化了育种策略 | [35] | |
| 多性状基因组预测 | 多性状模型整合辅助性状信息 | 提高目标性状（如产仔数）的基因组预测精度。 | [36] | |
| 早期选种与遗传进展 | 高密度SNP芯片+GBLUP模型 | 能提升基因组预测能力，支持早期选种，加快遗传进展。 | [37-38] | |
| 绒山羊 Cashmere goats | 内蒙古绒山羊育种 | SSGBLUP | 确定为最适合该群体的方法，世代间隔可从4.5年缩短至2年，显著加速遗传进展。 | [39] |
| 绵羊 Sheep | 中国美利奴羊生长与毛用性状 | ABLUP, GBLUP, ssGBLUP；五倍交叉验证等 | 结合个体加性和母体遗传效应的模型，并使用ssGBLUP法，可获得准确性最高的基因组估计育种值，为超细型细毛羊选育提供支撑。 | [40] |
3 基因组选配技术
3.1 基因组选配的原理
家畜育种已进入基因组时代，海量数据的产生为精准筛选高育种值个体提供了新途径。然而，广泛应用GS却会加速群体近交，导致遗传多样性丧失，并可能引发近交衰退，最终制约遗传进展。因此，如何利用基因组信息优化交配设计已成为关键问题[44]。GM概念是在2016年由Akdemir和Sánchez二人[45]提出，其核心在于利用多目标优化算法，在平衡“遗传进展”、“近交控制”与“遗传多样性”等多维目标的基础上，筛选出最优交配组合。GM流程包括整合基因组估计育种值、风险指数与亲本互补性等多维信息，利用改进的遗传算法进行全局寻优，以及在三维有效前沿面（Efficient frontier surface，EFS）上确定出理论上的最佳交配组合中确定最优的交配组合[46]。基因组选配是基因组选择技术的延伸[47]，这种方法可以帮助育种者更准确地选择最佳的交配组合，从而提高家畜后代的遗传品质和生产性能。相比于随机交配、选型交配等传统交配方法，GM能更精准地指导交配，在实现更高遗传进展的同时，有效降低近交率，减缓遗传变异丢失，从而实现更高效、可持续的育种[48]。Zhao等[49]研究发现，与传统方法相比，基因组选配能协同优化遗传增益与近交控制，从而保障育种的可持续发展。
3.2 基因组选配方法
基因组选配方法的发展历程可分为三个阶段：最初是基于系谱信息的优化方法，主要采用线性规划和最佳遗传贡献选择等策略，通过系谱数据控制群体近交水平并优化个体遗传贡献比例；随后进入基因组信息整合阶段，通过引入基因组关系矩阵显著提升了亲缘关系估计的准确性，形成了以基因组最佳遗传贡献选择为代表的改进方法，但仍延续了优化遗传贡献比例的核心思路；最后发展到真正的基因组选配方法，其突破在于采用多目标优化算法（如遗传算法），在由遗传进展、近交系数和风险指数构成的三维有效前沿面中进行全局寻优，直接输出最优的具体交配组合，从而完成了从“个体选择”向“配对组合优化”的育种范式转变[45]。GM通过构建综合目标函数，同步权衡并平衡后代遗传进展最大化、群体近交系数最小化和遗传多样性维持等关键育种目标，能够在海量可能的交配组合中，自动筛选出在既定育种策略下实现长期综合效益最优化的交配决策。
3.3 基因组选配在家畜育种中的应用
目前许多研究结果表明，基因组选配可协同优化遗传进展与近交控制，在保障种群可持续发展的同时，最大化养殖效益。例如，Akdemir和Sánchez二人[44]在提出GM理论时，通过模拟数据和奶牛实际数据进行验证发现，相较于传统基于系谱的选配，GM能在获得相同遗传增益的同时，将后代的平均近交系数降低约30%，证明了该方法的优越性。Bengtsson等[50]采用随机模拟方法，评估了在商业牛群中，基于经济分数与线性规划的基因组选配策略的长期效应，发现GM不仅能有效控制近交水平、近乎消除隐性遗传缺陷，还能高效实现特定性状的定向改良，并通过优化公牛利用策略来增加群体遗传多样性。此外，有研究证明，在畜禽选配中利用基因组信息比系谱信息更能有效提升遗传进展并控制近交与隐性致病风险[51]。张鹏飞等[52]在猪基因组选配效率模拟研究中也证明与常规选配方法相比，GM更有优势。唐振双等[53]针对杜洛克猪与长白猪、大白猪构成的三元杂交体系，采用高效的算法对遗传标记效应进行评估，并通过优化公母种猪的配对组合，从而实现了提高后代性能的目的。薛亚辉等[54]通过整合表型分析、全基因组关联分析及基因组预测与选配，系统解析了橡农黑猪的生长性状遗传基础。研究发现，基于总遗传值的基因组选配策略可作为提升背腰厚、眼肌深度等产肉性状遗传收益的有效手段，为地方猪种的高效育种提供了重要理论依据和实践方案。此外，王元清等[44]综述了基因组选配研究及其在畜禽育种中的应用，凸显了基因组选配在同步实现遗传多样性维持与近交速率控制方面的关键作用。最后，高振东等[47]研究聚焦于全基因组选择的长期可持续性和多目标育种的新方法，为复杂的育种目标提供了新的解决方案。基因组选配技术的应用表明，通过整合遗传信息和育种策略，可以有效提升家畜的遗传进展和经济效益。
4 家畜基因组选种选配的挑战与展望
基因组选择与选配技术虽为家畜育种带来了革命性潜力，其实际应用仍面临数据质量与可获得性、计算资源获取以及育种策略优化等多方面挑战。在基因组选择方面，王彬彬等[55]对GS模型的发展、各类GS模型的分类和预测准确性进行综述。表明在改良猪肉品质中，GS技术面临表型测定难、样本量小、跨群体预测效果差、遗传多样性降低、多组学模型融合不足及计算资源要求高等挑战。张壮彪等[56]指出，当前GS研究主流依赖于SNP数据，而对结构变异（Structural variation，SV）的整合应用尚显不足。SV包括基因组中大于50 bp的插入、缺失、倒位、易位和拷贝数变异等，已被证明对表型有更直接的影响，并且可以解释更复杂的遗传变异[57]。因此，开发新算法以提升SV的利用率，从全基因组变异的角度全面提升预测准确性，已成为加速畜禽育种进程的关键方向。周铂涵等[58]在综述中表明，尽管机器学习在动物遗传育种中展现出处理复杂问题的潜力，但其应用仍受限于数据分布差异、模型独立性假设与基因组混杂因素的干扰，以及对数据质量和参数调优的严格要求。王俊弋等[59]在研究不同降维策略对机器学习应用于猪基因组选择的影响时指出，低效的特征筛选易丢失关键遗传信息，而降维过度则可能导致模型欠拟合，制约了机器学习方法的进一步应用。同时，机器学习在处理高维度（数万至数百万个SNP）、大样本量（数万个体）的大规模基因组育种数据时，需要巨大的内存和强大的计算能力，产生的高昂计算成本，限制了其在多数中小型育种企业的应用。在基因组选配方面，基因组选配在育种场的推广应用中主要面临着高昂的成本与模糊的投资回报、数据共享壁垒与标准缺失、跨学科专业人才断层、传统育种体系对新技术的接受度不足，以及算法决策权与动物伦理等新兴问题。这些因素共同制约了该技术从理论潜力向现实生产力的有效转化。
虽然存在上述挑战，但基因组选种选配技术在未来的家畜育种工作中不仅有望显著提升家畜的生产性能和遗传品质，还有助于品种改良、疫病防控和食品安全，可能深刻影响行业经济结构与市场需求，带来广泛的社会效益。何俊等[60]研究指出当前研究主要集中于单性状的加性遗传效应，未来应加强多性状整合系统与非加性遗传效应等方面的研究。窦腾飞等[61]研究表明，GM在提高生产效率和降低育种成本方面具备显著潜力。预计随着技术不断成熟与成本下降，GM将在畜牧育种中发挥更广泛的作用。跨学科协作、标准化流程建设与大数据技术的深入应用，将是推动该领域持续发展的关键动力。郑旭等[62]为育种实践指明了关键方向：一方面，必须同等重视控制群体近交与提升遗传进展；另一方面，应依据多元化的育种目标与复杂的遗传结构来选择最适配的策略。在此背景下，利用高灵活性、低成本的模拟育种技术对各类策略进行系统评估，将为选择最佳路径、调整育种方案乃至提升整体经济效益奠定坚实的理论基础。在未来推进SV在家畜育种中的应用方面，Gong等[63]提出要构建高质量的泛基因组参考图谱，并基于此开发高效的SV检测与分型技术，进而通过多组学整合与跨物种分析，深度解析SV对重要经济性状的遗传效应，最终将其纳入基因组选择与选配体系，实现精准育种。最后，针对我国在基因组选择育种技术上起步晚、受制于国外的“卡脖子”现状，王燕星等[64]建议我国亟需自主研发高性能的国产化全基因组育种SNP芯片，以突破核心技术封锁，推动畜禽种业的自主创新与产业升级。
5 结语
通过分析和综合现有的研究文献，可以看出基因组选种选配技术在家畜育种中的应用已经取得了显著的进展。这些技术虽然通过利用基因组信息，提高了育种的准确性和效率，缩短了育种周期，并减少了传统育种方法的成本。但在处理多性状、复杂遗传关系的情况、平衡选择强度以防止近交衰退等实际应用中仍面临挑战。因此，未来的育种工作需要进一步优化基因组选择算法以适应多变的遗传背景和环境因素的影响；加强对SV等新型遗传标记的整合与应用；发展更精准的基因组选配策略，以提高特定性状的遗传改良速度和效率；深入研究基因组选择技术在不同家畜种群中的应用效果，特别是在遗传多样性较低的地区或种群中的应用。同时，必须重视并解决基因组选配技术在推广中面临的数据共享、人才培养、成本控制等非技术障碍。随着技术的进步和成本的进一步降低，基因组选种选配技术有望在更广泛的家畜种群中得到应用，从而推动家畜育种的发展。