Маркер-ассоциированная и геномная селекция мясного скота

В статье представлен обзор современных генетических технологий для совершенствования продуктивных качеств и прогнозирования племенной ценности мясного скота. В частности, в маркере ассоциированной селекции наиболее перспективным является отбор по желательным генотипам в генах миостатина (MSTN), кальпаина (CAPN), кальпастатина (CAST), гормона роста (GH), лептина (LEP), тириоглобулина (TG), белка, связывающего жирные кислоты (FABP), С-рецептора ретиновой кислоты (RORC), диацил-глицерол-ацилтрансферазы (DGATI), стерол-Со десатуразы (SCD). Современным и значительно более прогрессивным подходом является метод одношагового геномного наилучшего линейного несмещенного прогноза (Single Step Genomic Best Linear Unbiased Predictions, SSG- BLUP), с помощью которого рассчитывается геномная оценка племенной ценности (Genomic Estimated Breeding Value, GEBV) с использованием данных генотипирования ДНК-чипом, фенотипа и родословной. Для поиска новых генов продуктивности мясного скота в настоящее время более информативным признан полногеномный анализ ассоциаций (genome-wide association study, GWAS), основанный на использовании генетических маркеров, распределенных по всему геному и находящихся в неравновесном сцеплении, по меньшей мере – с одним из количественных признаков. Выявлены новые гены, ассоциированные с живой массой в разные периоды онтогенеза, среднесуточным приростом живой массы, остаточным потреблением корма, весом туши и содержания в ней мякоти. Большинство идентифицированных генов контролирует процессы клеточного деления, липидного и углеводного обмена. Накопление данных по полногеномным ассоциативным исследованиям и экзомному секвенированию способствовало развитию новых методов генетического анализа – генной онтологии и генных сетей. Использование генных сетей привело к первому детальному пониманию генетической основы формирования сложных фенотипических признаков на основе сложного взаимодействия регуляторных сетей «главных» и «периферических» генов, контролирующих развитие определенного признака.

1. Keogh K., Carthy T.R., McClure M.C., Waters S.M., Kenny D.A. (2021). Genome-wide association study of economically important traits in charolais and limousin beef cows. Animal. 15 (1), 100011. doi: 10.1016/j.animal.2020.100011.

2. Smith J.L., Wilson M.L., Nilson S.M., Rowan T.N., Oldeschulte D.L., Schnabel R.D. et al. (2019). Genome-wide association and genotype by environment interactions for growth traits in US gelbvieh cattle. BMC Genomics. 20 (1), 926-1013. doi: 10.1186/s12864-019-6231-y.

3. Srikanth K., Lee S-H., Chung K-Y., Park J-E., Jang G-W., Park M-R. et al. (2020). A gene-set enrichment and protein–protein interaction network-based GWAS with regulatory SNPs identifies candidate genes and pathways associated with carcass traits in hanwoo cattle. Genes. 11 (3), 316. doi: 10.3390/genes11030316.

4. Столповский Ю.А., Свищева Г.Р., Пискунов А.К. Геномная селекция. II. Перспективные направления // Генетика. – 2020. – № 56 (10). – С. 1107-1114. doi: 10.31857/S0016675820100124.

5. Колчанов Н.А., Игнатьева Е.В., Подколодная О.А., Лихошвай В.А., Матушкин Ю.Г. Генные сети // Вавиловский журнал генетики. – 2013. – № 4-2. – С. 833-850.

6. Butler A.A., Roith D.L. (2001). Control of growth by the somatropic axis: growth hormone and the insulinlike growth factors have related and independent roles. Annual review of physiology. 63 (1), 141-164. doi: 10.1146/annurev.physiol.63.1.141.

7. Barendse W., Bunch R.J., Harrison B.E., Thomas M.B. (2006). The growth hormone 1 GH1: c. 457C> G mutation is associated with intramuscular and rump fat distribution in a large sample of Australian feedlot cattle. Animal Genetics. 37 (3), 211-214. doi: 10.1111/j.1365-2052.2006.01432.x.

8. Bhat Z.F., Morton J.D., Mason S.L., Bekhit A.E. – D.A. (2018). Role of calpain system in meat tenderness: A review. Food Science and Human Wellnes. 7 (3), 196-204. doi: 10.1016/j.fshw.2018.08.002.

9. Bartoň L., Bureš D., Kott T., Řehák D. (2016). Associations of polymorphisms in bovine DGAT1, FABP4, FASN, and PPARGC1A genes with intramuscular fat content and the fatty acid composition of muscle and subcutaneous fat in Fleckvieh bulls. Meat Science. 114, 18-23. doi: 10.1016/j.meatsci.2015.12.004.

10. Jiang Z., Micha J.J., Tobey D.J. et al. (2008). Significant associations of stearoyl-CoA desaturase (SCD1) gene with fat deposition and composition in skeletal muscle. International journal of biological sciences. 4 (6), 345-351. doi: 10.7150/ijbs.4.345.

11. Ciepłoch A., Rutkowska K., Oprządek J., Poławska E. (2017). Genetic disorders in beefcattle: a review A. Ciepłoch et al. Genes Genomics, 39 (5), 461-471. doi: 10.1007/s13258-017-0525-8.

12. Mrode R., Ojango J.M.K., Okeyo A.M., Mwacharo J.M. (2019). Genomic selection and use of molecular tools in breeding programs for indigenous and crossbred cattle in developing countries: current status and future prospects (review article). Frontiers Genetics Section Livestock Genomics, doi: 10.3389/fgene.2018.00694.

13. Aiello D., Patel K., Lasagna E. (2018). The myostatin gene: An overview of mechanisms of action and its relevance to livestock animals. Anim. Genet. 49, 505-519. doi: 10.1111/age.12696.

14. Wiener P., Woolliams J.A., Frank-Lawale A. et al. (2009). The effects of a mutation in the myostatin gene on meat and carcass quality. Meat Science. 83 (1), 127-134. doi: 10.1016/j.meatsci.2009.04.010.

15. Allais S., Levéziel H., Payet-Duprat N. et al. (2010). The two mutations, Q204X and nt821, of the myostatin gene affect carcass and meat quality in young heterozygous bulls of French beef breeds. Anim Sci. 88 (2), 446-454. doi: 10.2527/jas.2009-2385.

16. Lee J., Kim J.M., Garrick D.J. (2019). Increasing the accuracy of genomic prediction in pure-bred Limousin beef cattle by including cross-bred Limousin data and accounting for an F94L variant in MSTN. Animal Genetics. 50 (6), 621‑633. doi: 10.1111/age.12846.

17. Ceccobelli S., Perini F., Trombetta M.F. et al. (2022). Effect of Myostatin Gene Mutation on Slaughtering Performance and Meat Quality in Marchigiana Bulls. Animals. 12 (4), 518. doi: 10.3390/ani12040518.

18. Sun X., Wu X., Fan Y. et al. (2018). Effects of polymorphisms in CAPN1 and CAST genes on meat tenderness of Chinese Simmental cattle. А. 61 (4). 433-439. doi: 10.5194/aab-61-433-2018.

19. Węglarz A., Balakowska A., Kułaj D., Makulska J. (2020). Associations of CAST, CAPN1 and MSTN genes polymorphism with slaughter value and beef quality, a review. Annals of Animal Science. 20 (3), 757-774. doi: 10.2478/aoas-2020-0006.

20. Коновалова Е.Н., Романенкова О.С., Селионова М.И., Евстафьева Л.В. Анализ полиморфизмов генов миостатина, лептина и кальпаина 1 в российской популяции крупного рогатого скота абердин-ангусской породы // Материалы V научно-практической конференции с международным участием «Аграрная наука на современном этапе: состояние, проблемы, перспективы». г. Вологда, 21-25 февраля 2022 г. – Вологда, 2022. – С. 54-59.

21. Lusk J.L. (2007). Association of single nucleotide polymorphisms in the leptin gene with body weight and backfat growth curve parameters for beef cattle. J. Anim. Sci. 85 (8), 1865-1872. doi: 10.2527/jas.2006-665.

22. Foote A.P., Hales K.E., Kuehn L.A. et al. (2015). Relationship of leptin concentrations with feed intake, growth, and efficiency in finishing beef steers. Journal of Animal Science. 93 (9), 4401-4407. doi: 10.2527/jas.2015-9339.

23. Barendse W., Bunch R.J., Kijas J.W., Thomas M.B. (2007). The effect of genetic variation of the retinoic acid receptorrelated orphan receptor C gene on fatness in cattle. Genetics. 175 (2), 843-853. doi: 10.1534/genetics.106.064535.

24. Matsuhashi T., Maruyama S., Uemoto Y. et al. (2011). Effects of bovine fatty acid synthase, stearoyl-coenzyme A desaturase, sterol regulatory element-binding protein 1, and growth hormone gene polymorphisms on fatty acid composition and carcass traits in Japanese Black cattle. J. Anim. Sci. 89 (1), 12-22. doi: 10.2527/jas.2010-3121.

25. Горлов И.Ф., Федюнин А.А., Сулимова Г.Е., Ранделин Д.А. Полиморфизм генов bGH, RORC и DGAT у мясных пород крупного рогатого скота России // Генетика. – 2014. – № 50 (12). – С. 1448-1454. doi: 10.7868/80016675814120030.

26. Игошин А.В., Ромашов Г.А., Черняева Е.Н., Елаткин Н.П., Юдин Н.С., Ларкин Д.М. Сравнительный анализ частот ДНК-полиморфизмов, ассоциированных с заболеваниями и хозяйственно важными признаками, в геномах российских и зарубежных пород крупного рогатого скота // Вавиловский журнал генетики и селекции. – 2022. – Т. 26, № 3. – С. 298-307. doi: 10.18699/VJGB-22-28.

27. Кузнецов В.М. Племенная оценка животных: прошлое, настоящее, будуще: Обзор // Проблемы биологии продуктивных животных. – 2012. – № 4. – С. 18-57.

28. Зиновьева Н.А., Стрекозов Н.И., Янчуков И.Н., Ермилов А.Н., Ескин Г.В. Система геномной оценки скота: первые результаты // Животноводство России. – 2015. – № 3. – С. 27-29.

29. Столповский Ю.А., Пискунов А.К., Свищева Г.Р. Геномная селекция. I. Последние тенденции и возможные пути развития // Генетика. – 2020. – № 56 (9). – С. 1006-1017. doi: 10.31857/S0016675820090143.

30. Elsik C.G., Tellam Ross L., Worley K.C. et al. (2009). The Genome Sequence of Taurine Cattle: A Window to Ruminant Biology and Evolution. Bovine Genome Sequencing and Analysis Consortium. Science. 324 (5926), 522-528. doi: 10.1126/science.1169588.

31. Matukumalli L.K., Lawley C.T., Schnabel R.D. et al. (2009). Development and Characterization of a High Density SNP Genotyping Assay for Cattle. PLOS ONE. 4 (4), 5350-5355. doi: 10.1371/journal.pone.0005350.

32. Daetwyler H.D., Capitan A., Pausch H. et al. (2014). Whole-genome sequencing of 234 bulls facilitates mapping of monogenic and complex traits in cattle. Nat. Genet. 46 (8), 858-865. doi: 10.1038/ng.3034.

33. Столповский Ю.А., Кузнецов С.Б., Солоднева Е.В., Шумов И.Д. Новая система генотипирования крупного рогатого скота на основе технологии ДНК-микрочипов // Генетика. – 2022. – Т. 58, № 8. – С. 857-871. doi: 10.31857/S0016675822080094.

34. Van Tassell C.P., Smith T.P.L., Matukumalli L.K., Taylor J.F. et al. (2008). SNP discovery and allele frequency estimation by deep sequencing of reduced representation libraries. Nature Methods. 5, 247-252. doi: 10.1038/nmeth.1185.

35. Meuwissen T.H., Hayes B.J., Goddard M.E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157 (4), 1819-1829. doi: 10.1093/genetics/157.4.1819.

36. Van Raden P.M. (2008). Efficient methods to compute genomic predictions. J. Dairy Sci. 91, 4414-4423. doi: 10.3168/jds.2007-0980.

37. Legarra A., Christensen O.F., Aguilar I., Misztal I. (2014). Single Step, a generalapproach for genomic selection. Livest. Sci. 166, 54-65. doi: 10.1016/j.livsci.2014.04.029.

38. Legarra A., Aguilar I., Misztal I. (2009). A relationship matrix including full pedigree and genomic information. J. Dairy Sci. 92, 4656-4663. doi: 10.3168/jds.2009-2061.

39. Aguilar I., Misztal I., Johnson D.L. et al. (2010). Hot topic: a unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score. J. Dairy Sci. 93, 743-752. doi: 10.3168/jds.2009-2730.

40. Stock J., Bennewitz J., Hinrichs D., Wellmann R. (2020). A Review of Genomic Models for the Analysis of Livestock Crossbred Data. Front. Genet. 11, 568. doi: 10.3389/fgene.2020.00568.

41. Misztal I., Tsuruta S., Lourenco D.A.L. et al. (2018). Manual for BLUPF90 family programs. University of Georgia. – URL: http://nce.ads.uga.edu/wiki/doku.php?id=documentation.

42. Aguilar I., Legarra A., Cardoso F. et al. (2019). Frequentist p-values for large-scale-single step genome-wide association, with an application to birth weight in American Angus cattle. Genet. Sel. Evol. 51 (31221101), 28. doi: 10.1186/s12711-019-0469-3.

43. Kennedy B.W., Quinton M., Van Arendonk J.A. (1992). Estimation of Effects of Single Genes on Quantitative Traits. Journal of Animal Science. 70 (7), 2000-2012.

44. Miszta I. (2018). Shortage of Quantitative Geneticists in Animal Breeding. Journal of Animal Breeding and Genetics. 124 (5), 255-56. doi: 10.1 111/j.1439-0388.2007.00679.

45. Freebern E., Santos D.J.A., Fang L. et al. (2020). GWAS and fine-mapping of livability and six disease traits in Holstein cattle. BMC Genomics. 21 (31931710), 41. doi: 10.1186/s12864-020-6461-z.

46. Misztal I., Lourenco D., Legarra A. (2020). Current status of genomic evaluation. J. Anim. Sci., 98 (32267923), 1-14. doi: 10.1093/jas/skaa101.

47. Jahuey-Martínez F.J., Parra-Bracamonte G.M., Sifuentes-Rincón A.M., Moreno-Medina V.R. (2019). Signatures of selection in Charolais beef cattle identified by genome-wide analysis. J. Anim. Breed. Genet. 136 (5), 378-389. doi: 10.1111/jbg.12399.

48. Seabury C.M., Oldeschulte D.L., Saatchi M. et al. (2017). Genome-wide association study for feed efficiency and growth traits in U.S. beef cattle. BMC Genomic, 18 (386). doi: 10.1186/s12864-017-3754-y.

49. Lu D., Sargolzaei M., Kelly M. et al. (2012). Linkage disequilibrium in Angus, Charolais, and Crossbred beef cattle. Front. Gene. 3, 152. doi: 10.3389/fgene.2012.00152.

50. Lu D., Akanno E.C., Crowley J.J., Schenkel F. et al. (2016). Accuracy of genomic predictions for feed efficiency traits of beef cattle using 50K and imputed HD genotypes. J. Anim. Sci. 94 (4), 1342-1353. doi: 10.2527/jas.2015-0126.

51. Mateescu R.G., Garrick D.J., Reecy Mateescu J.M. (2017). Network Analysis Reveals Putative Genes Affecting Meat Quality in Angus Cattle. Frontiers in genetic, 8, 171-175. doi: 10.3389/fgene.2017.00171.

52. Akanno E.C., Chen L., Abo-Ismail M.K. et al. (2018). Genome-wide association scan for heterotic quantitative trait loci in multi-breed and crossbred beef cattle. Genet. Sel. Evol. 50 (48). doi: 10.1186/s12711-018-0405-y.

53. Jahuey-Martínez F.J., Parra-Bracamonte G.M., Sifuentes-Rincón A.M. et al. (2016). Genome-wide association analysis of growth traits in Charolais beef cattle. J Anim Sci. 94, 4570-4582. doi: 10.2527/jas.2016-0359.

54. Buzanskas M.E., Grossi D.A., Ventura R.V. et al. (2014). Genome-Wide Association for Growth Traits in Canchim Beef Cattle. PLoS ONE. 9 (4), e94802. doi: 10.1371/journal.pone.0094802.

55. Saatchi M., Schnabel R.D., Taylor J.F., Garrick D.J. (2014). Large-effect pleiotropic or closely linked QTL segregate within and across ten US cattle breeds. BMC Genomics. 15, 442. doi: 10.1186/1471-2164-15-442.

56. Белая Е.В., Ковальчук А.М., Юлдашбаев Ю.А., Селионова М.И. Породоспецифичные гены-кандидаты, маркирующие признаки мясной продуктивности у крупного рогатого скота казахской белоголовой породы // Зоотехния. – 2021. – № 12. – С. 7-10. doi: 10.25708/ZT.2021.19.40.003.

57. Белая Е.В. Биологические функции породоспецифичных SNP-маркеров мясной продуктивности у крупного рогатого скота казахской белоголовой и аулиекольской пород // Генетика и разведение животных. – 2022. – № 2. – С. 33-39. doi: 10.31043/2410-2733-2022-2-33-39.

58. Zhang F., Wang Y., Mukiibi R. et al. (2020). Genetic architecture of quantitative traits in beef cattle revealed by genome wide association studies of imputed whole genome sequence variants: I: feed efficiency and component traits. BMC Genomics. 21 (36). doi: 10.1186/s12864-019-6362-1.

59. Adhikari M., Kantar M.B., Longman R.J. et al. (2023). Genome-wide association study for carcass weight in pasture-finished beef cattle in Hawai’i. Front. Genet. 14, 1168150. doi:10.3389/fgene.2023.1168150.

60. Mancin E., Tuliozi B., Pegolo S. et al. (2022). Genome Wide Association Study of Beef Traits in Local Alpine Breed Reveals the Diversity of the Pathways Involved and the Role of Time Stratification. Front. Genet. 12, 746665. doi: 10.3389/fgene.2021.746665.

61. Higgins M.G., Fitzsimons С., McClure M.C. et al. (2018). GWAS and eQTL analysis identifes a SNP associated with both residual feed intake and GFRA2 expression in beef cattle. Sci Rep. 8 (1), 14301. doi: 10.1038/s41598-018-32374-6.

62. Ananko E.A., Podkolodny N.L., Stepanenko I.L. et al. (2002). GeneNet: a database on structure and functional organisation of gene networks. Nucleic Acids Res. 1, 30 (1): 398-401. doi: 10.1093/nar/30.1.398.

63. Колчанов Н.А., Подколодная О.А., Игнатьева Е.В., Суслов В.В., Хлебодарова Т.М., Проскура А.Л., Воронич Е.С., Дубовенко Е.А. Интеграция генных сетей, контролирующих физиологические функции организма // Вестник ВОГИС. – 2005. – № 9 (2). – С. 179-199.

64. Tchuraev R.N. (2006). Epigenetics: gene and epigene networks in ontogeny and phylogeny. Russian journal of genetics, 42 (9): 1066-1083. doi: 10.1134/S1022795406090122.

65. Zambon A.C., Gaj S., Ho I. et al. (2012). GO-Elite: a fl exible solution for pathway and ontology over-representation. Bioinformatics. 28, 2209-2210. doi: 10.1093/bioinformatics/bts366.

66. Chatterjee M., Ganguly S., Saha P. et al. (2016). Polymorphisms in Pfcrt and Pfmdr-1 genes after five years’ withdrawal of chloroquine for the treatmentof Plasmodium falciparum malaria in West Bengal, India. Infection, Genetics and Evolution. 44, 281-285. doi: 10.1016/j.meegid.2016.07.021.

67. Strogatz S.H. (2001). Exploring Complex Networks. Nature. 410, 268-276. doi: 10.1038/35065725.

68. Колчанов Н.А., Игнатьева Е.В., Подколодная О.А., Лихошвай В.А., Матушкин Ю.Г. Генные сети // Вавиловский журнал генетики. – 2013. – Т. 17, № 4 (2). – С. 833-850.