《Animals》：Genetic Parameter Estimation and Breeding Value Ranking for Litter Size Traits in Meat Rabbits: REML and Bayesian Inference Under Limited Data Conditions
编辑推荐：
繁殖效率是肉兔生产的关键因素；然而，在数据有限的群体中估计窝产仔数方差组分可能具有挑战性。研究人员在本研究中的目标是使用频率学派和贝叶斯方法估计肉兔窝产仔数的遗传参数。共分析了956个产仔记录，其中约40–48%的母兔仅贡献一个记录。分析的性状为出生存活仔数、
繁殖效率是肉兔生产的关键因素；然而，在数据有限的群体中估计窝产仔数方差组分可能具有挑战性。研究人员在本研究中的目标是使用频率学派和贝叶斯方法估计肉兔窝产仔数的遗传参数。共分析了956个产仔记录，其中约40–48%的母兔仅贡献一个记录。分析的性状为出生存活仔数、死胎数和总产仔数，以及7日龄、35日龄和70日龄的窝产仔数。使用BLUPF90系列程序中的约束最大似然（REML）和吉布斯采样估计方差组分。拟合了单变量和双变量混合模型，包括加性遗传效应，并考虑或不考虑永久环境效应。所有性状的遗传力估计值均较低（<0.10），贝叶斯方法下的估计值略高。包含永久环境效应改善了模型拟合，但导致REML出现收敛问题，而贝叶斯方法产生了非零估计值，并通过后验分布对不确定性进行了明确表征。尽管预测育种值之间的总体相关性较高，但在贝叶斯方法下比较全模型和简化模型时，检测到动物排名的小幅变化。这些结果凸显了基于有限信息数据集的遗传评估中推断方法和模型设定的重要性。
**论文解读：有限数据条件下肉兔窝产仔数性状的遗传参数估计与育种值排序——REML与贝叶斯推断的比较**
**研究背景与问题**
窝产仔数是肉兔生产中影响经济效益的关键性状，直接关系到生产效率与盈利。然而，此类性状通常呈低遗传力（<0.10），受环境因素影响大，且作为重复记录性状（同一母兔多胎次），需将加性遗传效应、永久环境效应和残差效应分离。在肉兔育种实践中，许多群体规模较小、个体记录次数有限，导致方差组分估计面临数值不稳定、收敛失败及不确定性增加等挑战。传统上，基于约束最大似然（REML）的频率学派方法和基于马尔可夫链蒙特卡罗吉布斯采样（MCMC-GS）的贝叶斯方法均被用于遗传参数估计，但二者在有限信息条件下的表现差异尚不明确。本研究旨在利用REML和MCMC-GS两种方法，评估肉兔窝产仔数性状的遗传参数，并分析不同方法及模型设定对育种值预测与排序的影响，以指导有限数据条件下的育种决策。
**关键技术方法**
数据来源于墨西哥查平戈自治大学应用研究兔生产单元，包括440只新西兰白兔、加州兔、青紫蓝兔和棕色兔的母兔。研究人员分析了956个产仔记录，其中约40–48%的母兔仅贡献单次记录。主要方法包括：采用AI-REML（平均信息约束最大似然）和EM-REML（期望最大化约束最大似然）算法进行频率学派估计，以及使用MCMC-GS进行贝叶斯推断，所有分析均在BLUPF90+、GIBBSF90和POSTGIBBSF90软件包中实现。单变量和双变量动物模型均包含加性遗传效应和永久环境效应（母兔），固定效应包括品种、当代组（配种间隔5天且同舍）、配种方式（自然交配或人工授精）及母兔生理状态（初产/经产、哺乳/非哺乳）。模型比较采用全模型（含加性遗传+永久环境效应）与简化模型（仅含加性遗传效应）。
**研究结果**
**3.1 方差组分**
EM-REML与AI-REML在大多数性状上获得几乎一致的点估计，但LS35（35日龄窝产仔数）和LS70（70日龄窝产仔数）的EM-REML算法未收敛。AI-REML对LS35得到σ2u和σ2pe接近零的边界解，LS70无稳定解。MCMC-GS对所有性状均产生非零估计值，后验分布呈单峰，但LS35和LS70的不确定性增大。总体而言，两种方法的残差和表型方差估计相似，但加性遗传方差和永久环境方差在AI-REML下存在边界解或大标准误，而MCMC-GS提供了明确的区间估计。
**3.2 遗传参数**
遗传力（h2）估计值均低于0.10，AI-REML范围为0.03–0.09，MCMC-GS为0.02–0.10。总产仔数（TB）的遗传力最高（0.09和0.10）。重复力估计值高于遗传力，MCMC-GS略高于AI-REML。出生时性状的重复力较高（BA和TB约0.15–0.17），而LS35和LS70最低。AI-REML的遗传力标准误通常大于MCMC-GS的后验标准差。
**3.3 相关性**
遗传相关（rg）估计显示，AI-REML产生极端值（接近0或1）且标准误异常，而MCMC-GS给出中等大小估计值（如BA与TB的rg为0.99±0.02）但后验区间较宽。永久环境相关呈现类似模式，但残差相关在方法间较一致。AI-REML的多个双变量分析未收敛，尤其涉及后期性状。
**3.4 全模型与简化模型比较**
**3.4.1 模型拟合与简约性**
AI-REML下，全模型与简化模型的AIC差异较小（接近0）；MCMC-GS下，大多数性状的全模型后验均值偏差（Δ）更低，但LS35的简化模型拟合更优，表明信息不足以支持永久环境效应。
**3.4.2 加性遗传方差与遗传力**
简化模型在所有性状和两种方法下均获得更高的σ2u和h2估计。出生时性状的差异适中，而后期性状（LS35、LS70）在MCMC-GS下差异更明显。
**3.4.3 预测育种值比较**
AI-REML下，全模型与简化模型的育种值秩相关接近完美（0.99–1.00），前10%和20%动物重叠率>87%和>94%。MCMC-GS下，秩相关为0.91–0.98，前10%和20%重叠率分别>70%和>80%。MCMC-GS的简化模型与AI-REML的全模型比较也显示高度一致性（秩相关0.97–0.99），但LS35和LS70的AI-REML分析未收敛。
**讨论与结论**
本研究证实窝产仔数性状的加性遗传组分极低（h2<0.10），主要受环境影响。TB具有相对较高的遗传力，提示其作为选择指标的潜力。永久环境效应在早期阶段更重要，但数据中大量母兔仅单次记录导致该分量难以精确分离。AI-REML在有限信息条件下易出现边界解和收敛失败，而MCMC-GS虽产生非零估计但后验不确定性较大。两种方法在育种值排序上总体一致，但贝叶斯方法对模型设定更敏感，导致部分精英动物排名变化。研究强调，在有限数据条件下，方法选择（频率学派vs贝叶斯）和模型复杂度（是否包含永久环境效应）均会影响遗传评估结果，建议采用贝叶斯方法以提高数值稳定性，同时需谨慎解释后期性状的参数估计。结论指出，窝产仔数性状的加性遗传组分不足10%，正遗传相关表明早期选择可带来后期正向相关响应；AI-REML更易受收敛问题限制，而MCMC-GS对信息不足更稳健；动物排名差异表明推断方法和模型复杂度会影响育种值估计和精英动物识别。
