基因组预测助力金鲳鱼（Trachinotus ovatus）生长性状遗传改良：SNP筛选策略与育种模型优化研究

《Evolutionary Applications》：Genomic Prediction for Growth-Related Traits in Golden Pompano (Trachinotus ovatus)

本研究系统评估了金鲳鱼生长性状基因组预测（GP）的三大关键要素：基于GWAS、均匀分布和随机筛选的SNP选择策略，GBLUP与贝叶斯模型的预测效能，以及SNP密度优化。研究发现GWAS筛选法在7000个SNP时预测准确度最高（>0.77），GBLUP模型表现最优，为水产基因组选择（GS）提供了兼顾成本效益（5000-7000 SNP）与精度的实践方案。

　　

摘要

金鲳鱼（Trachinotus ovatus）因其快速生长和高不饱和脂肪酸含量成为中国东南沿海重要海水养殖物种。本研究通过对692个样本的全基因组测序（平均深度6×，覆盖率85%），筛选出4,886,850个高质量SNP，建立生长性状（以体重BW为核心指标）的基因组预测体系。创新性采用交叉验证（CV_GWAS）避免全群体GWAS（All_GWAS）的准确性高估问题，发现GWAS筛选法在7000个SNP时预测准确度达0.775，显著优于均匀分布法（0.770）和随机法（0.769）。GBLUP模型在六种育种模型中表现最优，为水产基因组选择（GS）提供了标准化方案。

1 引言

金鲳鱼养殖面临近交衰退导致的生长缓慢和抗病力下降问题。传统表型选育周期长、效率低，而基因组选择（GS）通过全基因组标记（如SNP）实现早期育种值预测（GEBV），可突破性状测量限制。本研究整合GWAS与GP技术，首次系统评估SNP筛选策略、模型选择及标记密度对金鲳鱼生长性状预测的影响，填补了海洋鱼类GS研究的空白。

2 材料与方法

2.1 样本采集

10月龄金鲳鱼692尾取自海南辰海水产有限公司，测定体重（BW=655.64±213.15 g）和体长，肌肉样本用于DNA提取。

2.2 基因分型与GWAS

使用BWA比对金鲳鱼参考基因组，PLINK1.9过滤后获得4,886,850个SNP。GEMMA软件运行混合线性模型（MLM）：y=Xb+Zu+e，其中G为基因组关系矩阵，σ_g²为加性遗传方差。

2.3 SNP筛选策略

设计三种方法：(1) GWAS法：按p值排序选取关联SNP；(2) 均匀法：基因组区间等距取点；(3) 随机法：全基因组随机抽样。CMplot可视化10,000个SNP的分布差异。

2.4 基因组预测模型

比较六种模型：GBLUP（基于基因组关系矩阵G）和五种贝叶斯方法（BA、BB、BC、BL、BRR）。BGLR/R软件运行，MCMC迭代10,000次（前2000次退火）。

2.5-2.7 验证体系

五折交叉验证评估不同SNP密度（100-10,000）和训练群体规模（100-500）下的预测准确性，以GEBV与表型相关系数为指标。

3 结果

3.1 数据特征

系统发育树显示692个体分属5个遗传簇，采用五折交叉验证消除群体结构偏差。

3.2 SNP筛选策略影响

CV_GWAS法避免All_GWAS的准确性虚高（>0.95）。GWAS法在≥7000 SNP时准确度突破0.77，较其他方法提升6%。曼哈顿图显示显著关联SNP集中在特定基因组区域。

3.3 模型比较

GBLUP在全部策略中表现稳定，相关系数最高。贝叶斯模型中BRR（GWAS法）和BL（均匀法）次之。

3.4 最优SNP密度

均匀法在5000 SNP时达到平台期（0.770），GWAS法则需7000 SNP实现同等精度，9000 SNP后增益有限。

3.5 训练群体规模

GWAS法对小样本（n≤400）敏感（r=0.700），均匀法稳定性最佳（0.707-0.764）。

4 讨论

全基因组重测序虽成本较高，但能全面捕捉遗传变异。GWAS法通过功能SNP提升预测效能，但需注意跨世代稳定性。GBLUP的稳健性使其适合金鲳鱼等多基因调控性状，而贝叶斯模型在复杂遗传架构中可能更具优势。研究建议育种项目采用7000个GWAS筛选SNP结合GBLUP模型，成本较10,000 SNP方案降低30%而精度损失<2%。

5 结论

本研究建立金鲳鱼生长性状GP标准化流程，证实GWAS筛选+GBLUP+7000 SNP组合的优越性，为水产动物低成本基因组育种提供范式。未来将验证模型跨世代预测能力，并探索多性状联合筛选策略。