一种白羽肉鸡剩余采食量的基因组选择方法与流程

本发明涉及遗传育种和分子生物学领域，具体地说，涉及一种白羽肉鸡剩余采食量的基因组选择方法。
背景技术：
：中国肉鸡出栏量世界第一，产量世界第三，年出栏肉鸡已超过100亿只，鸡肉是我国第二大肉类产品，约占肉类总产量的16％，且占比呈现逐年上升趋势。我国鸡肉主要来自引进的具有快速生长特性的白羽肉鸡和本地的黄羽肉鸡。白羽肉鸡年出栏约50亿只，约占鸡肉总产量的60％，具有料重比低、生长速度快、生产效率高等显著优势。由于肉鸡生产成本70％左右是饲料成本，因此，如何节约饲料成本，从而提高生产效率是育种者和生产者最为关注的问题之一。饲料利用效率是影响肉鸡生产最重要的经济性状。剩余采食量(residualfeedintake，rfi)是指畜禽的实际采食量与用于维持和生长需要的期望采食量之间的差值)，是评价饲料利用效率较敏感且准确的方法。rf1反映的是由于畜禽本身遗传背景的不同而导致的饲料利用效率的差异，其与畜禽的体型大小及生产性能等性状相互独立。已有研究证明在降低剩余采食量(rfi)即提高饲料利用率，可以在不影响品系生长性能以及成熟体重和体尺等性状的前提下，降低其采食量，进而节省饲料成本，同时降低畜禽对环境的氮污染。基因组选择(gs)是当前畜禽育种中应用的先进选育技术，由meuwissen等(2001)提出。该方法应用全基因组范围的高通量的snp标记，结合gblup等数据统计方法，估计待测群体的全基因组育种值(gebv)，指导优秀个体的选择和留种。gs技术的应用可在各类复杂经济性状的选择中提高20％～40％的准确性。整体而言，gs技术具有提高遗传评定准确性、缩短选育周期等多方面优势。直接法和间接法是gebv估计得两种方法，贝叶斯方法能够对不同效应snp进行加权，但是因为耗时耗资源，所以对于家禽gs育种实践来说不实用。家禽gs育种由于群体较大、世代较多，最可行也是最常用的方法是一步法(ssgblup)(legarraetal.2009,aguilaretal.2010)。rfi是个极复杂的组合性状，影响rfi的生理过程包括采食量、饲料消化率、新陈代谢、机体活动量和体温调节等。对rfi表型测定需要投入大量的劳动力和时间，且基于表型或传统blup估计进行遗传选择的准确性较低。已有研究表明，多种动物的rfi都存在变异，而且这种变异是可以遗传的(遗传力一般为0.25～0.45之间)。因此研究开发rfi改良的基因组选择方法，具有重要应用价值。技术实现要素：本发明的目的是提供一种白羽肉鸡剩余采食量的基因组选择方法(低剩余采食量白羽肉鸡品系的高效选育方法)。本发明的另一目的是提供与白羽肉鸡剩余采食量性状显著相关的snp标记及其应用。为了实现本发明目的，第一方面，本发明提供与白羽肉鸡剩余采食量性状显著相关的snp标记，包括标记rs13649171、rs740268684、rs312607889、rs314437326和rs313748618；其中，标记rs13649171含有白羽肉鸡1号染色体上第91,274,115bp处多态性为c/a的核苷酸序列；标记rs740268684含有白羽肉鸡1号染色体上第91,974,671bp处多态性为c/t的核苷酸序列；标记rs312607889含有白羽肉鸡1号染色体上第92,432,544bp处多态性为c/t的核苷酸序列；标记rs314437326含有白羽肉鸡2号染色体上第98,063,070bp处多态性为c/g的核苷酸序列；标记rs313748618含有白羽肉鸡21号染色体上第3,587,117bp处多态性为a/g的核苷酸序列。以上snp标记的物理位置参考基因组grcg6a版本。标记rs13649171所含多态性位点的基因型为cc，对应于低剩余采食量水平，若基因型为aa，对应于高剩余采食量水平；若基因型为ac，剩余采食量水平居中；标记rs740268684所含多态性位点的基因型为cc，对应于低剩余采食量水平，若基因型为tt，对应于高剩余采食量水平，若基因型为ct，剩余采食量水平居中；标记rs312607889所含多态性位点的基因型为cc，对应于低剩余采食量水平，若基因型为tt，对应于高剩余采食量水平，若基因型为ct，剩余采食量水平居中；标记rs314437326所含多态性位点的基因型为gg，对应于低剩余采食量水平，若基因型为cg或cc，对应于高剩余采食量水平；标记rs313748618所含多态性位点的基因型为gg，对应于低剩余采食量水平，若基因型为aa或ag，对应于高剩余采食量水平。第二方面，本发明提供用于扩增所述snp标记的引物，扩增标记rs13649171的上、下游如seqidno:1-2所示，扩增标记rs740268684的上、下游如seqidno:3-4所示，扩增标记rs312607889的上、下游如seqidno:5-6所示，扩增标记rs314437326的上、下游如seqidno:7-8所示，扩增标记rs313748618的上、下游如seqidno:9-10所示。第三方面，本发明提供含有所述引物的检测试剂或试剂盒。第四方面，本发明提供具有低剩余采食量性状的白羽肉鸡的鉴定及选育方法，包括：1)提取待测白羽肉鸡总dna；2)以dna为模板，利用上述引物进行pcr扩增；3)分析pcr扩增产物。前述的方法，pcr反应体系为：模板dna1μl，10pmol/μl上、下游引物各1μl，2×mastermix12.5μl，ddh2o9.5μl。pcr反应程序为：95℃5min；95℃30s，60℃30s，72℃50s，共30个循环；72℃5min。步骤3)包括：对扩增产物进行测序，根据测序结果判定如下：若标记rs13649171对应的多态性位点的基因型为cc，判定待测白羽肉鸡具有低剩余采食量水平；若标记rs740268684对应的多态性位点的基因型为cc，判定待测白羽肉鸡具有低剩余采食量水平；若标记rs312607889对应的多态性位点的基因型为cc，判定待测白羽肉鸡具有低剩余采食量水平；若标记rs3144373267对应的多态性位点的基因型为gg，判定待测白羽肉鸡具有低剩余采食量水平；若标记rs313748618对应的多态性位点的基因型为gg，判定待测白羽肉鸡具有低剩余采食量水平。第五方面，本发明提供所述snp标记或其检测试剂的以下任一应用：(1)用于白羽肉鸡饲料报酬的鉴定；(2)用于具有低剩余采食量性状白羽肉鸡的早期预测；(3)用于白羽肉鸡分子标记辅助育种。第六方面，本发明提供具有低剩余采食量性状的白羽肉鸡品系的高效选育方法，包括以下步骤：a、提取白羽肉鸡样本基因组dna，利用鸡全基因组snp芯片对所有样本进行全基因组snp分型，并对基因分型后的数据进行处理和质量控制；b、获得所有样本的5个snp标记rs13649171、rs740268684、rs312607889、rs314437326和rs313748618的基因分型数据；c、结合步骤a和b的基因分型数据进行全基因组育种值分析，选留育种值较优个体，选留的公、母鸡组建家系纯繁。前述的方法，步骤c进行全基因组育种值分析的方法包括：s1、权重g矩阵构建根据vanraden算法，对于步骤a和b中获得的基因分型数据，分别利用sommer软件包中a.mat函数构建亲缘关系矩阵，即g1和gsnp；矫正gsnp矩阵到g1矩阵水平：其中，代表调整gsnp矩阵，gsnp代表基于5个snp标记构建的亲缘关系矩阵，g1代表基于鸡全基因组snp芯片(鸡55ksnp芯片)构建的基因组亲缘关系矩阵；其中，a和b的计算公式为：avg(diag(gsnp))*b+a＝avg(diag(g1))avg(offdiag(gsnp)*b+a＝avg(offdiag(g1)设置g1和的相对权重公式为：其中，g2代表权重g矩阵，c和d分别为g1和的权重系数；s2、h矩阵构建矫正g2矩阵到测序的个体系谱亲缘关系矩阵a22的水平：g*＝e+f*g2其中，g*代表调整g2矩阵；其中，e和f的计算公式为：avg(diag(g2))*f+e＝avg(diag(a22))avg(offdiag(g2)*f+e＝avg(offdiag(a22)设置g*和a22在h矩阵中的相对权重为gw＝0.95*g*+0.05*a22；h矩阵的公式为：其中，h-1代表合并系谱和基因组亲缘关系逆矩阵，a-1代表基于系谱亲缘关系逆矩阵，代表相对权重g*逆矩阵，代表测序的个体系谱亲缘关系逆矩阵；s3、育种值估计采用asremlv4.1软件，利用约束最大似然法(reml)算法的单性状动物模型对rfi进行遗传参数和育种值估计；遗传力估计的动物模型如下：y＝xb′+za′+e其中，y代表观测值向量，b′代表固定效应向量，包括世代和性别，a′代表随机加性遗传效应向量和e代表随机残差效应向量；x和z分别代表固定效应和随机加性遗传效应的相关矩阵；rfi：剩余采食量；随机向量的(协)方差矩阵如下：其中，和分别代表加性遗传方差和剩余环境方差；h代表合并系谱和基因组亲缘关系矩阵；i代表单位矩阵。借由上述技术方案，本发明至少具有下列优点及有益效果：本发明以快速白羽鸡种为素材，通过大样本进行rfi的表型和全基因组snp测定，筛选并验证得到白羽肉鸡rfi控制显著snp标记。通过在一步法(ssgblup)估计中增加显著snp权重的方法，提高育种值估计的准确性。为实现rfi复杂性状的早期选择和性状相关等位基因的快速纯和，加快遗传选择进展提供技术支撑。培育品系的优势等位基因位点处于高频或纯和状态，在新品系应用于配套系创制过程中，还可较大程度上避免出现后代性状分离的问题。在当前家禽饲养成本(饲料、人工、环境控制等)急剧飙升的大背景下，利用整合显著snp标记效应的一步法全基因组育种值(gebv)估计方法，对重要饲料报酬性状指标剩余采食量(rfi)进行gebv估计，与常规一步法gebv估计结果相比，本方法选择准确性可提高15.44％，与传统blup方法相比，选择准确性可提高100％以上，即可缩短新品系育成的时间，节约选育的成本，提高育种效率，加快我国白羽肉鸡自主品系培育，提高国产化品系的核心竞争力。附图说明图1为本发明较佳实施例中snp位点rs13649171的基因分型图。图2为本发明较佳实施例中snp位点rs740268684的基因分型图。图3为本发明较佳实施例中snp位点rs312607889的基因分型图。图4为本发明较佳实施例中snp位点rs314437326的基因分型图。图5为本发明较佳实施例中snp位点rs313748618的基因分型图。具体实施方式本发明旨在提供一种整合显著snp标记效应的白羽肉鸡剩余采食量的基因组选择方法，为高产肉鸡良种培育提供高效的育种方法，为高产肉鸡良种培育提供高效的育种方法。本发明提供一种与快速型白羽肉鸡剩余采食量相关的位于鸡1号染色体(gga1)、2号染色体(gga2)和21号染色体(gga21)的影响rfi的显著snp标记；详细信息见表1。表1具体包括，鸡1号染色体91,974,671位置上的c/a突变(参考基因组：galgal6)、鸡1号染色体91,974,671位置上的c/t突变、鸡1号染色体92,432,544位置上的c/t突变、鸡2号染色体98,063,070位置上的c/g突变、鸡21号染色体3,587,117位置上的a/g突变。包括检测以上突变位点的5对引物。以上显著位点为首次在白羽肉鸡中得到，为快速型白羽肉鸡的标记辅助选择提供了新的分子标记。本发明还提供一种整合rfi显著snp位点效应的一步法gebv估计方法，选择具有较低rfi纯系的方法。该方法包括：提取鸡的基因组dna，基于snp芯片检测全基因组snp；检测以上5个位点的基因型；利用改良的一步法进行gebv估计，选择育种值较优个体留种，组建家系纯繁。优选地，使用“京芯一号”鸡55ksnp芯片(参见cn111225986a)已经包含了上述5个位点，如果使用其他snp芯片对全基因组snp进行检测，未能覆盖以上位点，可以利用上述引物进行pcr扩增后测序，分别检测上述5个位点的基因型。待测鸡的基因组为模板，利用表2中的上游和下游引物进行pcr扩增。表2snp正向引物(5’-3’)反向引物(5’-3’)产物长度(bp)rs13649171tgcttggctttgcaacgtgagaggttctaaaaggtggggg238rs740268684tgtttgtcagcagtgcattgtaactgacttgggaagacaccca193rs312607889agttaaaagcattccctgcctgatagtgtggtcacagggctt279rs314437326aggagtgtaccactgacaaaaccctgctacaggtgtcacacta296rs313748618acgatccttccgctgtcacagcttgagggccgtgtg189根据dna测序结果，统计上述5个位点的snp多态性。其中，pcr反应体系以25μl计为：pcr反应条件为：95℃5min；95℃30s，60℃30s，72℃50s，共30个循环；72℃5min。优选地，mastermix来自天根生化科技(北京)有限公司生产的2×taqpcrmastermixⅱ(含染料)试剂盒。一种整合显著snp标记(表1中的5个snp)的ssgebv估计技术方案为：1、构建参考群体并且测定用于计算rfi的相关性状；计算rfi公式如下：adfi＝μ+b1hatch+b2sex+β1mwt+β2adg+e1式中，adfi代表平均日采食量，μ代表截距，hatch代表孵化批次，sex代表性别，mwt代表试验中期代谢体重，adg代表平均日增重，b1和b2分别代表批次和性别的效应，β1和β2代表偏回归系数，e1代表残差，即rfi，单位为g/d。2、对参考群体的每只鸡采血保存，提取dna并且利用“京芯一号”snp芯片进行包括以上5个snps位点的分型，或利用其他鸡snp芯片结合pcr扩增的方法进行目标snp位点分型，对基因分型后的数据进行处理和质量控制。3、基因组育种值估计方法如下：步骤一、权重g矩阵构建根据vanrade算法，对于芯片基因组数据和5个snps，分别利用sommer软件包中a.mat函数进行构建亲缘关系矩阵，既g1和gsnp。矫正gsnp矩阵到g1矩阵水平：式中，代表调整gsnp矩阵，gsnp代表基于显著snps构建亲缘关系矩阵，g1代表基于鸡55ksnp芯片构建的基因组亲缘关系矩阵。其中，a和b的计算公式为：avg(diag(gsnp))*b+a＝avg(diag(g1))avg(offdiag(gsnp)*b+a＝avg(offdiag(g1)设置g1和的相对权重公式为：式中，g2代表权重g矩阵，c和d分别为g1和的权重系数；步骤二、h矩阵构建h矩阵构建为常用方法。矫正g2矩阵到测序的个体系谱亲缘关系矩阵(a22)的水平：g*＝e+f*g2式中，g*代表调整g2矩阵；其中，e和f的计算公式为：avg(diag(g2))*f+e＝avg(diag(a22))avg(offdiag(g2)*f+e＝avg(offdiag(a22)设置g*和a22在h矩阵中的相对权重为gw＝0.95*g*+0.05*a22；h矩阵的公式为：式中，h-1代表合并系谱和基因组亲缘关系逆矩阵，a-1代表基于系谱亲缘关系逆矩阵，代表相对权重g*逆矩阵，代表测序的个体系谱亲缘关系逆矩阵；步骤三、育种值估计采用asremlv4.1软件，利用约束最大似然法(reml)算法的单性状动物模型对rfi进行遗传参数和育种值估计；遗传力估计的动物模型如下：y＝xb′+za′+e式中，y代表观测值向量，b′代表固定效应向量，包括世代和性别，a′代表随机加性遗传效应向量和e代表随机残差效应向量；x和z分别代表固定效应和随机加性遗传效应的相关矩阵；rfi：剩余采食量；随机向量的(协)方差矩阵如下：式中，和分别代表加性遗传方差和剩余环境方差；h代表合并系谱和基因组亲缘关系矩阵；i代表单位矩阵。相较常规一步法gebv估计结果，本方法选育准确性可提高15.44％，显著snp构建g矩阵与常规g矩阵的最优权重比为0.1:0.9。与基于系谱的a矩阵进行育种值估计相比，一步法估计gebv的准确性和本方法的准确性均能够提升100％以上。以下实施例用于说明本发明，但不用来限制本发明的范围。若未特别指明，实施例均按照常规实验条件，如sambrook等分子克隆实验手册(sambrookj&russelldw,molecularcloning:alaboratorymanual,2001)，或按照制造厂商说明书建议的条件。实施例1与rfi相关的显著snp标记的获得1、全基因组关联分析(gwas)获得与剩余采食量rfi显著相关的5个snp1)试验动物和目标性状测定以快大白羽肉鸡父系多世代的3314只，分多批次饲养，公母各半，试验期为28～42d。测定性状包括28日龄体重、42日龄体重、28～42日龄生长期内总采食量和腹脂重(abf)；计算出剩余采食量(rfi)、饲料转化率(fcr)、平均日采食量(adfi)、平均日增重(adg)。rfi计算方法为：预期采食量估计是根据平均日采食量与中间代谢体重和平均日增重的线性回归方程得到，方程如下：adfi＝μ+b1hatch+b2sex+β1mwt+β2adg+e1式中，adfi代表平均日采食量，μ代表截距，hatch代表孵化批次，sex代表性别，mwt代表中间代谢体重(平均28、42日龄体重的0.75次方)，adg代表平均日增重，b1和b2分别代表批次和性别的效应，β1和β2代表偏回归系数，e1代表残差，即rfi。其他性状均为领域内常用方法计算得出。对3314只鸡饲料报酬相关性状的表型描述性统计分析结果见表3。表3肉鸡饲料相关性状的描述性统计量性状数量均值sd最小值最大值变异系数cv,％28日龄体重,g3,3141,078.35176.03557.01,530.016.3242日龄体重,g3,3142,206.20365.181,198.103120.0016.55adfi,g/d3,314151.2625.4488.23222.0016.82rfi,g/d3,3140.006.00-19.3319.03—adg,g/d3,31480.5615.7240.43127.8619.52fcr,g:g3,3141.890.151.432.397.77腹脂重,g2,45334.7311.171.2090.8032.172)全基因组snp与目标性状相关性分析利用“京芯一号”鸡55ksnp芯片，对所有样本进行全基因组snp分型。采用plink(v1.90b)软件对芯片基因型数据进行质量控制，最后得到1930只鸡和41658个snps。采用gemma(v0.98.1)软件(https://github.com/genetics-statistics/gemma/releases)中单性状混合线性模型(lmm)对rfi性状进行gwas。该模型包括snp作为固定因子和加性多基因效应作为随机效应。全基因组水平显著snp筛选标准和染色体水平显著snp筛选的p值分别为：p<1.91e-6(0.05/26,217)或p<3.81e-5(1/26,217)。结果确定与rfi相关的5个显著相关snp位点，snp解释遗传变异在2.87％-5.38％范围，其中位点rs740268684显著性最强(p＝8.62e-07)，解释遗传变异5.38％(表4)。rs740268684位点附近区域包含两个候选基因酪氨酸蛋白激酶受体a6(ephreceptora6,epha6)和m5c甲基转移酶3(nop2/sunrnamethyltransferasefamilymember3,nsun3)。表4gwas获得与rfi相关达到基因组/染色体水平显著的snp位点信息asnp解释的遗传效应。snp位点rs13649171、rs740268684、rs312607889、rs314437326和rs313748618的基因分型图分别见图1～图5。实施例25个snp标记对饲料利用效率相关性状的影响效应分析如表5所示，对rfi、平均日采食量(adfi)两个主要饲料报酬指标，5个显著snp位点均在两个等位基因纯合型间差异显著(p<0.05)，与理论相吻合；体重和腹脂重性状在部分位点不同基因型的组间差异显著；进一步证实这5个snp标记与rfi的关联。2、基因表达差异检测筛选构建了rfi极显著差异的表型组(n＝24)，其中高、低rfi肉鸡表型之间比较结果见表6。高、低rfi肉鸡在28、42日龄体重、平均日增重上无显著的差异(p>0.05)。低rfi鸡的rfi、fcr极显著低于高rfi鸡(p<0.01)。低rfi鸡在平均日采食量、腹脂率、腹脂重分别比高rfi鸡显著或极显著低(p<0.01；p<0.05)。表6比较高、低rfi鸡表型平均值(±标准差)统计表型低-rfi组高-rfi组低/高rfi，％rfi,g/d-7.52±2.718.17±3.31**-192.04fcr,g:g1.81±0.061.99±0.08**-9.05adfi,g/d161.39±13.13175.02±14.33**-7.79bw28,g1,261.39±112.431,245.28±81.291.29bw42,g2,513.06±174.622,481.94±166.531.25adg,g/d89.40±7.3188.33±9.531.21abf,g27.03±9.533.36±11.4*-18.97abp,％1.06±0.341.34±0.43**-20.90注：**为极显著(p<0.01)，*为显著(p<0.05)通过实时荧光定量pcr(qpcr)技术，检测rfi最显著关联snp附近nsun3基因和epha6基因在胸肌、腿肌、肝脏和腹脂中的相对表达量。引物序列见表7，ubc作为肝脏组织的内参基因，rpl32作为胸肌、腿肌组织的内参基因，gapdh作为腹脂组织的内参基因。结果表明epha6在以上组织中均不表达，有研究报道其在脑组织中特异表达；nsun3在胸肌、腿肌组织中均为低rfi组显著或极显著低于高rfi组；在腹脂中，低rfi组显著高于高rfi组低表达。这样与高低rfi间的表型变化趋势相一致(表8)，因为低rfi群体一般具有更高的产肉率，而具有相对较低的腹脂率。表7qpcr的引物序列表8nsun3在高低rfi组中的相对表达量统计结果实施例3整合显著snp标记进行白羽肉鸡剩余采食量的基因组选择的效果评估使用白羽肉鸡检验群体，1503只，分属于两个世代，分别592只和911只。表型记录了28日龄体重、42日龄体重和28～42日龄生长期内总采食量，计算rfi公式如下：adfi＝μ+b1hatch+b2sex+β1mwt+β2adg+e1式中，adfi代表平均日采食量，μ代表截距，hatch代表孵化批次，sex代表性别，mwt代表试验中期代谢体重，adg代表平均日增重，b1和b2分别代表批次和性别的效应，β1和β2代表偏回归系数，e1代表残差，即rfi，单位为g/d。本实施例中，基因组选择的目标性状为rfi。采用“京芯一号”(鸡55ksnp芯片)进行全基因组snp分型和5个最显著的snp的分型，分别构建亲缘关系g矩阵，两个矩阵给予不同的权重，与基于系谱亲缘关系矩阵合并为h矩阵。然后采用10倍交叉验证法对两个世代群体进行随机划分，既将1503只鸡随机分化为均匀的10个分组，其中2个分组149只鸡，3个分组150只鸡，5个分组151只鸡。在10个均匀分组中，选取其中1个分组掩盖rfi表型值作为候选群体，其余鸡只作为参考群体。详细流程如下：1、性状表型测定统计结果，数据统计描述如表9所示。表9群体rfi统计描述个体数均值标准差最大值最小值1503只-0.06克/天5.50克/天-15.83克/天16.89克/天2、基因标记检测结果采用55ksnp芯片进行全基因组snp分型和5个最显著的snp的分型。如采用其他类型snp芯片或是重测序方法，不能覆盖以上5个显著snp位点，则采用引物扩增和pcr测序等方法确定5个显著snp的位点分型。采用常用标准进行全基因组snp的质量控制：个体基因型检出率小于90％，单个snp位点检出率小于90％和最小等位基因频率小于5％，使用beagle5.0软件(browningetal.2018)对缺失snps进行基因型填充，确保统计上准确率和有效性。3、权重g矩阵构建根据vanraden(vanraden2008)算法，对于芯片基因组数据和5个snp，分别利用sommer软件包中a.mat函数进行构建亲缘关系矩阵，既g1和gsnp。矫正gsnp矩阵到g1矩阵水平：式中，代表调整gsnp矩阵，gsnp代表基于显著snps构建亲缘关系矩阵，g1代表基于鸡55ksnp芯片构建的基因组亲缘关系矩阵。其中，a和b的计算公式为：avg(diag(gsnp))*b+a＝avg(diag(g1))avg(offdiag(gsnp)*b+a＝avg(offdiag(g1)设置g1和的相对权重公式为：式中，g2代表权重g矩阵，c和d分别为g1和的权重系数；4、h矩阵构建h矩阵构建为常用方法。矫正g2矩阵到测序的个体系谱亲缘关系矩阵(a22)的水平：g*＝e+f*g2式中，g*代表调整g2矩阵；其中，e和f的计算公式为：avg(diag(g2))*f+e＝avg(diag(a22))avg(offdiag(g2)*f+e＝avg(offdiag(a22)设置g*和a22在h矩阵中的相对权重为gw＝0.95*g*+0.05*a22；h矩阵的公式为：式中，h-1代表合并系谱和基因组亲缘关系逆矩阵，a-1代表基于系谱亲缘关系逆矩阵，代表相对权重g*逆矩阵，代表测序的个体系谱亲缘关系逆矩阵；5、育种值估计采用asremlv4.1软件，利用约束最大似然法(reml)算法的单性状动物模型对rfi进行遗传参数和育种值估计；遗传力估计的动物模型如下：y＝xb′+za′+e式中，y代表观测值向量，b′代表固定效应向量，包括世代和性别，a′代表随机加性遗传效应向量和e代表随机残差效应向量；x和z分别代表固定效应和随机加性遗传效应的相关矩阵；rfi：剩余采食量；随机向量的(协)方差矩阵如下：式中，和分别代表加性遗传方差和剩余环境方差；h代表合并系谱和基因组亲缘关系矩阵；i代表单位矩阵。6、遗传力和交叉验证结果利用r(v3.6.0)软件中caret包产生随机数。结果见表10.表10利用整合显著snp标记的剩余采食量的基因组选择方法使用效果检验结果a提升相对值计算公式为：(基于权重g矩阵构建h矩阵的准确性-基于g矩阵构建h矩阵的准确性)/基于g矩阵构建h矩阵的准确性*100。根据以上交叉验证检验结果，相比常规不对5个显著snp设置权重的一步法估计结果，本方法选育准确性可提高15.44％，显著snp构建g矩阵与常规g矩阵的最优权重比为0.1:0.9。与基于系谱的a矩阵进行育种值估计相比，一步法估计gebv的准确性和本方法的准确性均能够提升100％以上。实施例4利用整合显著snp标记进行白羽肉鸡剩余采食量的基因组选择的育种方法1、参考群体的建立，表型性状测定和基因型测定每个品系建立独立的参考群，参考群的来源要求覆盖到品系已有的全部家系。当参考群鸡饲养接近其商品鸡38～42日龄上市日龄时，组建2,000～3,000只鸡的群体作为参考群体。参考群有明确的表型记录(方法参见实施例3)、系谱记录，采集血液样本，提取dna，送测鸡全基因组snp芯片。确定3-5万个全基因组平均分布的snp位点的基因型。具体流程可参见cn111225986a。确定参考群每只鸡全基因组约5万个位点的结果，用于下一步gebv的估计。2、待测群体的建立与全基因组基因型采集待测群是指没有表型性状记录，且准备用于繁育下一代的候选种鸡群。待测群要求与参考群具有5个世代以内的亲缘关系。待测群在不影响鸡成活率和生长发育的前提下，尽早采集血液样本送测鸡全基因组snp芯片。然后进行全基因组snp位点基因型检测和质控。3、参考群体和候选群体的个体基因组估计育种值(gebv)分析利用①参考群体每个个体的表型值(rfi)、②参考群每个个体全基因组5万个位点的基因型、③待测群体每一个个体的全基因组基因型、④参考群和所有待留种个体的系谱记录(包括参考群在内)，共4类文件准备利用本方法进行基因组估计育种值(gebv)估计。4、鸡低rfi品系的选择方法根据全基因组选择计算得出的待测群体及其存栏同胞的gebv的大小，在表型缺失的情况下，对候选留种群体的rfigebv进行评估和排序，选择gebv高的候选群体个体作为亲本，一般公鸡选择100/500，母鸡选择1,000/2,000，留种组建家系；或是加权后与其他性状进行指数选择。实施例5利用snp标记等位基因状态辅助进行白羽肉鸡剩余采食量的分子育种方法上述与rfi显著相关的5个snp标记，也可以利用常用方法进行选留，具体过程如下：1、待选择群体随机挑选待检测鸡。于20日龄后翅静脉采血，acd抗凝，-20℃保存备用。/2、dna提取采用常规酚仿法提取基因组dna，溶于te中，用琼脂糖凝胶电泳和紫外分光光度法双重检测dna的纯度和浓度，然后稀释至浓度50ng/μl。3、pcr反应及序列测定用于扩增snp的引物序列见表2，利用pcr扩增在abilifeproflexpcr仪热循环仪中进行。pcr反应程序为：95℃3min,95℃30s，60℃30s，72℃1min，共30个循环；72℃5min。pcr反应体系以25μl计为：模板dna3μl，10pmol/μl上游引物1μl，10pmol/μl下游引物1μl，2×mastermix12.5μl，ddh2o7.5μl。采用直接测序法或其他有效方式对扩增产物进行等位基因检测。根据基因分型结果选留：标记rs13649171所含多态性位点的基因型为cc或ac，和/或标记rs740268684所含多态性位点的基因型为cc或ct，和/或标记rs312607889所含多态性位点的基因型为cc或ct，和/或标记rs314437326所含多态性位点的基因型为gg，和/或标记rs313748618所含多态性位点的基因型为gg的健康公、母鸡。按照不低于80只公鸡，公母比例不低于1:10的数量留种，产蛋高峰期组建新的家系繁种。虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之做一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。参考文献:aguilar,i.,i.misztal,d.l.johnson,a.legarra,s.tsurutaandt.j.lawlor(2010)."hottopic:aunifiedapproachtoutilizephenotypic,fullpedigree,andgenomicinformationforgeneticevaluationofholsteinfinalscore."journalofdairyscience93(2):743-752.browning,b.l.,y.zhouands.r.browning(2018)."aone-pennyimputedgenomefromnext-generationreferencepanels."amjhumgenet103(3):338-348.legarra,a.,i.aguilarandi.misztal(2009)."arelationshipmatrixincludingfullpedigreeandgenomicinformation."journalofdairyscience92(9):4656-4663.vanraden,p.m.(2008)."efficientmethodstocomputegenomicpredictions."jdairysci91(11):4414-4423。序列表<110>中国农业科学院北京畜牧兽医研究所<120>一种白羽肉鸡剩余采食量的基因组选择方法<130>khp201114465.4<160>10<170>siposequencelisting1.0<210>1<211>19<212>dna<213>人工序列(artificialsequence)<400>1tgcttggctttgcaacgtg19<210>2<211>21<212>dna<213>人工序列(artificialsequence)<400>2agaggttctaaaaggtggggg21<210>3<211>22<212>dna<213>人工序列(artificialsequence)<400>3tgtttgtcagcagtgcattgta22<210>4<211>21<212>dna<213>人工序列(artificialsequence)<400>4actgacttgggaagacaccca21<210>5<211>22<212>dna<213>人工序列(artificialsequence)<400>5agttaaaagcattccctgcctg22<210>6<211>20<212>dna<213>人工序列(artificialsequence)<400>6atagtgtggtcacagggctt20<210>7<211>22<212>dna<213>人工序列(artificialsequence)<400>7aggagtgtaccactgacaaaac22<210>8<211>21<212>dna<213>人工序列(artificialsequence)<400>8cctgctacaggtgtcacacta21<210>9<211>19<212>dna<213>人工序列(artificialsequence)<400>9acgatccttccgctgtcac19<210>10<211>17<212>dna<213>人工序列(artificialsequence)<400>10agcttgagggccgtgtg17当前第1页12