Association analysis of BMP6 gene polymorphisms with growth and slaughter traits in Yuexi Frizzled Feather chicken
-
摘要:目的
探讨BMP6基因多态性对粤西卷羽鸡生长性状及屠宰性状的影响。
方法以120只粤西卷羽鸡为试验材料,对BMP6基因外显子设计特异性扩增引物,采取PCR产物直接测序法分析SNP位点,利用单因素方差分析对SNP位点基因型与生长性状及屠宰性状进行关联分析。
结果在BMP6基因外显子区域共检测到7个SNP位点,其中,g.64185950 T>C、g.64195411 G>A和g.64195613 C>T处于编码区,均为同义突变。Hardy-Weinberg平衡检验结果显示,g.64195833 T>A在粤西卷羽鸡群体中显著偏离Hardy-Weinberg平衡(P<0.05)。基因型与生长性状关联分析结果表明:在公鸡中,g.64195613 C>T位点CC基因型胫长显著高于TT基因型(P<0.05);在母鸡中,g.64195411 G>A位点AA基因型龙骨长显著高于AG基因型(P<0.05),g.64196373 T>C位点CC基因型胫长极显著高于CT基因型(P<0.01),g.64196735 T>C位点CT基因型胫长显著高于TT基因型(P<0.05)。基因型与屠宰性状关联分析结果表明:在公鸡中,g.64196735 T>C位点CC基因型活体质量显著高于CT基因型(P<0.05);在母鸡中,g.64195613 C>T位点CC基因型腹脂率显著高于CT基因型(P<0.05),g.64196373 T>C位点CC基因型半净膛率显著高于CT基因型(P<0.05)。
结论BMP6基因多态性与粤西卷羽鸡的部分生长性状及屠宰性状相关,可作为粤西卷羽鸡标记辅助选择的候选基因。
Abstract:ObjectiveTo investigate the effect of BMP6 gene polymorphism on growth and slaughter traits of Yuexi Frizzled Feather chicken.
MethodA total of 120 Yuexi Frizzled Feather chickens were used as experimental materials. Specific primers were designed for the exon fragment of the BMP6 gene. The SNP sites were detected by direct sequencing of PCR products. The single factor analysis of variance was used to analyze the associations of genotypes with growth and slaughter traits for each SNP site.
ResultSeven SNP sites were detected in the exon region of BMP6 gene in Yuexi Frizzled Feather chicken, among which g.64185950 T>C, g.64195411 G>A and g.64195613 C>T were in the coding sequence region, and all these three SNPs were synonymous mutations. The results of Hardy-Weinberg equilibrium test showed that g.64195833 T>A significantly deviated from Hardy-Weinberg equilibrium (P<0.05) in the Yuexi Frizzled Feather chicken. The results of association analysis between genotypes and growth traits showed that, in cocks, the shank bone length in CC genotype of g.64195613 C>T site was significantly higher than that of TT genotype (P<0.05), and in hens, the keel length in AA genotype of g.64195411 G>A site was significantly higher than that of AG genotype (P<0.05), the tibia length in CC genotype of g.64196373 T>C site was significantly higher than that of CT genotype (P<0.01), the tibia length in CT genotype of g.64196735 T>C site was significantly higher than that of TT genotype (P<0.05). The results of association analysis between genotypes and slaughter traits showed that, in cocks, the live weight in CC genotype of g.64196735 T>C site was significantly higher than that of CT genotype (P<0.05), and in hens, the abdominal fat rate in CC genotype of g.64195613 C>T site was significantly higher than that of CT genotype (P<0.05), and the half-bore weight rate in CC genotype of g.64196373 T>C site was significantly higher than that of CT genotype (P<0.05).
ConclusionThe BMP6 gene polymorphisms are associated with some growth and slaughter traits, which can be used as a candidate gene for marker-assisted selection in Yuexi Frizzled Feather chicken.
-
水稻作为人类主要粮食之一,受众十分广泛,遍布亚、欧、非洲以及热带美洲,全球约一半的人口以稻米作为主食,因此水稻的产量问题一直备受关注,水稻产量预测也成为当前水稻生产中的一个重要研究方向。当前作物估产方面,主要有气象产量预测法、遥感技术和统计动力学模拟法[1],通常使用多元线性回归、决策树、神经网络等构建模型;水稻产量受多种因素影响,如气候、病虫害、农药化肥使用量等,导致产量数据呈现非线性分布,预测效果整体较差。
现今我国的水稻主要有早、中、晚3种水稻,水稻的分布位置与气候条件密切相关,光照、温度、风向、水分等因素的变化会影响水稻的生长,进而影响水稻的产量。比如,气温变化会对水稻花器官分化、发育以及水稻同化物合成、累积、转运及分配过程产生影响;水稻在孕穗期和灌浆期对水分变化最为敏感,在这期间水稻缺水会阻碍分蘖穗的形成,并影响谷粒的灌浆充实程度;水稻从孕穗期到出穗期叶面积较大,蒸腾强度达到高峰,蒸发量过大会对水稻生长造成影响;水稻属喜阳短日照作物,光照强度直接影响水稻同化物的形成速率,进而影响产量[2-5]。当前,在气象估产方面,国内外学者已进行了相关的研究,比如,刘洪英等[6]利用四川省南充市1989—2018年气象数据和水稻单产数据,采用线性回归方法建立了基于气象因子的水稻产量预报模型;高俊杰等[7]利用1982—2020年广东省肇庆市高要区气象因子与早稻产量的数据,采用逐步线性回归方法建立了早稻产量预报模型;Chutia等[8]利用1990—2012年水稻作物产量数据和周天气数据,建立了阿萨姆邦13个地区的水稻产量预测模型;Kaeomuangmoon等[9]通过研究泰国77个区域的气候数据变化,利用Rice4cast平台预测季节性KDML 105水稻的产量;Traore等[10]使用决策分析针对萨赫勒地区气候条件进行水稻估产;Jha等[11]通过作物动态模型根据每日气象数据对尼泊尔水稻产量进行估产;Dhekale等[12]针对印度克勒格布尔市日降雨量数据,采用CERES-Rice(DSSATv4.5)模型进行水稻产量预测;Nain等[13]针对印度哈里亚纳邦卡尔纳尔地区的气象及水稻产量数据,使用多元线性回归等不同统计方法对该地区的水稻产量进行预测;Guo等[14]通过气象和水稻产量等农艺性状数据,分别使用反向传播神经网络和偏最小二乘法构建模型,预测华东地区的水稻产量;杨北萍等[15]通过长春市2个地区的气象、水稻遥感及产量数据,使用随机森林算法对2个地区的水稻产量进行预估;徐强强等[16]通过浙江省台州市椒江区的气象及水稻产量数据,使用指数平滑法对该地区早稻产量进行预测。其他作物方面,路智渊等[17]通过气象因子结合固原市小麦产量进行回归分析,进行小麦产量预测;马凡[18]基于气象数据及安徽省小麦产量,构建小麦产量预测模型。以上方法不同程度地存在模型精度低、预测区域级别过大、模型优化时间过长等缺陷,如模型的误差超过10%,预测区域的级别为国家或省市,使用群智能算法等优化神经网络时间过长等。为了解决上述问题,本文提出一种基于Spark的鲸鱼优化算法−反向传播神经网络 (Whale optimization algorithm-backpropagation,WOA-BP)水稻产量预测方法。首先,以县/市/区作为研究区域级别,避免研究区域范围过大和数据量太少的问题,可以很好地反映气象因素对县/市/区级别水稻产量的影响,在研究小区域水稻产量时更具有参考意义;此外,BP神经网络具有优良的非线性映射能力,利用其构建水稻产量模型能够提升模型的预测效果,同时利用WOA对BP网络的权值和偏置值进行优化,改善BP神经网络收敛慢、易局部收敛等缺陷,能够进一步提升模型的效果,避免误差较大等问题;最后,将现有的大数据技术与农业和人工智能进行结合,利用大数据Spark框架,搭建Spark集群,将改造后的WOA-BP算法在集群环境下实现并行化运算,减少算法优化过程的时间开销,充分发挥大数据技术的优势,实现对水稻产量与气象数据的快速建模以及县/市/区水稻产量的精准预测。
1. 材料与方法
1.1 试验环境
模型的训练在TensorFlow框架下完成,优化算法在Spark集群下运行,其中Spark集群由3台相同配置的联想台式电脑组成,硬件环境:联想3148主板、AMD Ryzen5 3600 6-Core双线程CPU、16 GB DDR4 3 000 MHz内存、TP-LINK路由器,软件环境:Ubuntu16.04系统、TensorFlow2.8、Spark3.2.0、Python3.7,编程语言为Python;通过路由器将3台电脑构成局域网,按照1主节点2子节点搭建Spark集群环境,Spark集群模式为Standalone模式。
1.2 数据来源与处理
本文以广东省西部地区4座城市(湛江、茂名、阳江、云浮)23个区县2000—2020年水稻的单产(每667 m2)数据及该地区的气象因素作为研究对象,其中,该区域的水稻单产数据共计482条,数据来源于广东省统计局历年的《广东农村统计年鉴》;气象因素选取2000—2020年每年3—10月的每月气温(最高、最低、平均),土温(最高、最低、平均),露点温度(最高、最低、平均),积温,降水量,蒸发量和太阳辐射量,来源于欧洲中期天气预报中心(ECMWF)的气象数据。为了降低后期BP神经网络模型结构的复杂程度,通过主成分分析 (Principal component analysis,PCA) 对影响因素进行降维,降维后累积方差贡献度保持在0.95以上;此外为了加快BP神经网络的收敛,需对数据进行归一化处理,归一化公式如下:
$$ \begin{array}{c}{X}'={\rm{MIN}}+\dfrac{X-{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{X}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}}\left(\mathrm{M}\mathrm{A}\mathrm{X}-\mathrm{M}\mathrm{I}\mathrm{N}\right)\text{,}\end{array} $$ (1) 式中,X为当前元素,
$ {X}' $ 为X归一化后的值,MIN、MAX分别为X整体数据集中所有元素的最小值和最大值,$ {X}_{\mathrm{m}\mathrm{i}\mathrm{n}} $ 与$ {X}_{\mathrm{m}\mathrm{a}\mathrm{x}} $ 为当前所在列的最小值与最大值。1.3 BP神经网络和WOA算法
BP神经网络是1986年由Rumelhart等[19]提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络之一。BP神经网络学习过程分为输入信息正向传播和误差反向传播2个阶段[20]。
WOA算法是由澳大利亚学者Mirjalili等[21]于2016年提出的新型群智能寻优算法,该算法主要分为座头鲸识别并包围猎物、螺旋泡网攻击、鲸鱼根据同类位置随机搜索捕食3个阶段;WOA算法已经被运用到复杂函数优化、路径规划、图像分割和光伏模型等领域,并取得显著效果[22]。
1.4 基于Spark的WOA-BP算法并行化
Spark是一个基于内存运算的大数据计算框架,在时间性能上优于MapReduce,Spark为了能够实现高并发和高吞吐率的数据处理过程,封装了弹性分布式数据集(Resilient distributed datasets,RDD)、累加器、广播变量3大数据结构,应对不同场景下数据处理,其中,RDD是Spark中最基本的数据单元,同时也是1个不可变、可分区且支持并行计算的数据集合。RDD用于支持Spark框架的并行计算,而累加器以及广播变量则用于数据同步,其中累加器是1个只写变量,变量一旦被修改,该变量在所有节点的值将同步更新;广播变量是1个只读变量,当变量被广播后,成为该节点的局部变量,节点修改该变量不会影响其他节点[23-24]。
由于WOA算法优化BP神经网络时,存在大量迭代计算,除鲸鱼自身的信息不一样外,每头鲸鱼在寻找自身最优解以及更新自身位置信息的过程中,所有更新逻辑均相同,因此,结合Spark并行计算框架,实现基于Spark的WOA-BP算法并行化,减少算法的时间开销。图1为基于Spark的WOA-BP算法的并行化流程图,算法的具体步骤如下。
1)设置相关参数:设置种群规模,如鲸鱼数量n,参数维度d等,同时设置Spark广播变量。
2)初始化种群:创建含d个元素的一维零数组,通过该数组构建RDD,之后通过map算子进行种群的初始化,实现并行化初始化操作,减少时间开销。
3)更新鲸鱼位置和适应度:更新每头鲸鱼的位置信息,并进行越界检查,之后计算该鲸鱼的适应度(Fitness),以样本的均方根误差(Root mean square error,RMSE)作为适应度,计算公式如下:
$$ \begin{array}{c}{\rm{RMSE}}=\sqrt{\dfrac{1}{mn}\displaystyle\sum _{i=1}^{n}\displaystyle\sum _{j=1}^{m}{\left({y}_{ij}-{{y}'}_{ij}\right)}^{2}}\text{,}\end{array} $$ (2) 式中,n为样本数,m为网络输出层输出个数,
$ {y}_{ij} $ 为样本的实际值,$ {{y}'}_{ij} $ 为网络的实际输出值。4)更新全局最优解和最小适应度:通过sortBy算子获取最小适应度以及该适应度对应的鲸鱼位置信息,更新全局最优解。
5)终止条件判断:若不满足终止条件,则程序继续执行,否则,通过collect算子收集各个分区的数据,完成算法的优化阶段,得到全局最优解。
6)构建BP神经网络:利用全局最优解对网络的权值和偏置值进行初始化,构建模型。
2. 结果与分析
2.1 基于WOA-BP水稻产量预测
本文以广东省西部地区2000—2020年县/市/区水稻单产及气象数据为基础,按照3∶1∶1进行数据集划分:2000—2012年数据作为训练集,2013—2020年数据作为验证集(50%)和测试集(50%),通过BP神经网络建模,分别使用粒子群优化算法 (Particle swarm optimization,PSO) 和WOA对BP神经网络进行优化,得到BP、PSO-BP、WOA-BP 3种产量预测模型,之后对模型的预测结果进行反归一化。图2是3种模型预测值与真实值的绝对误差对比,由图2可以清晰看出,WOA-BP模型的曲线整体上更加贴近横坐标,即测试集样本的整体绝对误差小于另外2种模型的。表1为3种模型的预测精度对比,可以明显看出,与传统BP模型相比,经WOA优化后的产量预测模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)减少了1.286个百分点,平均绝对误差(Mean absolute error,MAE)减少了4.338 kg,RMSE减少了7.462 kg。虽然PSO-BP模型相较传统BP模型在精度上有一定提升,但效果明显不如WOA-BP。此外,试验过程中发现,相同种群规模下,WOA与PSO 2种算法的优化时间相差较大,其中WOA为26 637 s,PSO为48 518 s,WOA比PSO少了约45%的时间开销,显然WOA的时间性能更优。因此,WOA在算法优化的时间开销以及模型效果上均优于PSO,故本文采用WOA-BP对广东省西部地区县/市/区的水稻产量进行最终建模。
表 1 3种模型精度对比Table 1. Precision comparison of the three models模型
Model平均绝对
百分比误差/%
MAPE平均绝对
误差/kg
MAE均方根
误差/kg
RMSEBP 8.354 31.320 41.008 PSO-BP 7.890 29.999 38.786 WOA-BP 7.068 26.982 33.546 2.2 基于Spark的WOA-BP算法时间性能
由表1和图2的结果可知,经WOA-BP算法得到的预测模型效果最佳,但算法的优化时间仍旧较长,故在此基础之上,结合Spark并行计算框架,减少优化过程的时间开销。因此,使用3台台式主机按照1主节点2子节点的形式搭建Spark集群,同时改造WOA-BP算法实现并行化,并按照2倍物理核数的规则对RDD进行分区,提升集群整体的并行度,充分利用CPU性能。表2为不同节点性能对比及配置信息,图3为不同节点算法运行时间对比,由表2和图3可以清晰看出,随着节点数量的增加,算法的优化时间随之减少,其中3节点比2节点和1节点分别减少了21.4%和39.3%的时间开销,大幅度缩短算法的优化时间。同时与“2.1”中非Spark的WOA的优化时间相比,减少了44%的时间开销,充分体现算法与Spark框架结合后的优势,真正实现对水稻产量与气象数据的快速建模。
表 2 不同节点数量性能对比及配置信息Table 2. Performance comparison and configuration information under different node number节点数量
Node
number总内存/G
Total
memory总物理核数
Total physical
nuclei number分区数量
Partition
numbert/s 1 16 12 24 24 534 2 32 24 48 18 955 3 48 36 72 14 895 3. 结论
本文以广东省西部地区所有县/市/区作为研究区域,针对气象因素对水稻单产的影响,提出一种基于Spark框架的WOA-BP水稻县/市/区级别的单产预测方法。首先通过WOA对BP神经网络进行优化,避免BP神经网络收敛慢、易局部收敛等缺陷,提升BP模型的整体预测精度;其次,结合Spark并行计算框架,实现WOA-BP算法并行化,加快WOA-BP算法的运算速度,减少算法的时间开销;最后通过WOA-BP算法得到的最优解对网络进行初始化并构建网络模型,之后进行水稻单产的预测。测试集的预测结果表明,该模型的预测精度较高,预测结果较精确,论证了该方法的可行性及有效性;同时,该模型可以很好地反映气象因素对广东省西部地区县/市/区水稻单产的影响情况,对研究广东西部县/市/区乃至整个广东的水稻单产具有一定的借鉴意义。
-
表 1 BMP6基因的引物序列
Table 1 Primer sequences of BMP6 gene
引物名称
Primer name正向序列(5′→3′)
Forward sequence反向序列(5′→3′)
Reverse sequence产物长度/bp
Product
length退火温度/℃
Annealing
temperatureBMP6-Exon2 TCTTGAGGGAACAGGTGGCAG GCATCATCCCTCCCTAGG 314 60 BMP6-Exon3 GCATGTGTACGGTGTGGAAGA TGTCACCTTGTGCTCACCTAG 560 59 BMP6-Exon4 GAGCCTCTTGTCTCGGATGGA TTGCGCTGTTCTACCAGCT 769 60 BMP6-Exon5 TTCTAAGCCAGTCACTGTTACGC CATGAGTGACAGAGGATGGCT 502 60 BMP6-Exon6 GACACGAACATCAGTGTCCATGG CTCACTCACAAACTCACCTATGG 358 60 BMP6-Exon7-1 CAGCAAGACCTGTGCTAAAGC GCCAAGCCATCTTACACTTGC 880 60 BMP6-Exon7-2 CCTGTCATGATAGTACGCATCTT CAGTGGAAGCTAAGTGTTGTACT 825 58 表 2 粤西卷羽鸡BMP6基因突变位点信息
Table 2 Information of BMP6 gene mutation sites of Yuexi Frizzled Feather chicken
外显子
Exon碱基突变
Base mutation染色体位点1)
Chromosome positionmRNA位点
mRNA site编码氨基酸2)
Encoded amino acid突变类型
Mutation type3 T→C g.64185950 T1135C His 同义突变 Synonymous mutation 6 G→A g.64195411 G1441A Tyr 同义突变 Synonymous mutation 7 C→T g.64195613 C1549T Tyr 同义突变 Synonymous mutation G→A g.64195821 G1757A — T→A g.64195833 T1769A — T→C g.64196373 T2309C — T→C g.64196735 T2671C — 1)以NCBI数据库中鸡BMP6基因序列(GenBank:NC_052533.1) 外显子 1的第1个碱基为起始位点;2)“—”表示无氨基酸编码
1) Starting from the first base of exon 1 in the chicken BMP6 gene sequence (GenBank: NC: 052533.1) in the NCBI database; 2) “—” indicates no amino acid coding表 3 BMP6基因SNP位点遗传特性分析结果1)
Table 3 Genetic characteristics analysis results of SNP sites in BMP6 gene
SNP位点
SNP site基因型
Genotype频率
Frequencyn 等位
基因
Allele等位基
因频率
Allele
frequency杂合度
(He)
Heterozygosity有效等位
基因数(Ne)
Effective
allele
number多态信息
含量(PIC)
Polymorphism
information
contentχ2 g.64185950 T>C CC 0.333 40 C 0.604 0.478 1.917 0.364 2.106 CT 0.542 65 T 0.396 TT 0.125 15 g.64195411 G>A AA 0.383 46 A 0.633 0.465 1.868 0.357 0.703 AG 0.500 60 G 0.367 GG 0.117 14 g.64195613 C>T CC 0.325 39 C 0.583 0.486 1.946 0.368 0.474 CT 0.517 62 T 0.417 TT 0.158 19 g.64195821 G>A AA 0.017 2 A 0.171 0.284 1.396 0.243 0.936 AG 0.308 37 G 0.829 GG 0.675 81 g.64195833 T>A AA 0.033 4 A 0.517 0.499 1.998 0.375 105.025* AT 0.967 116 T 0.483 TT 0 0 g.64196373 T>C CC 0.525 63 C 0.742 0.383 1.620 0.310 2.058 CT 0.433 52 T 0.258 TT 0.042 5 g.64196735 T>C CC 0.383 46 C 0.621 0.471 1.889 0.360 0.010 CT 0.475 57 T 0.379 TT 0.142 17 1) PIC≥0.5为高度多态,0.25≤PIC<0.5为中度多态,PIC<0.25为低度多态;以χ2检验Hardy-Weinberg平衡,df=2,χ$_{0.05}^{2} $=5.99,χ$_{0.01}^{2} $=9.21;“*”表示P<0.05,偏离Hardy-Weinberg平衡
1) PIC≥0.5 is highly polymorphic, 0.25≤PIC<0.5 is moderately polymorphic, PIC<0.25 is lowly polymorphic; Hardy-Weinberg equilibrium is tested by χ2, df=2, χ$_{0.05}^{2} $=5.99, χ$_{0.01}^{2} $=9.21; “*” indicates P<0.05 and deviation from Hardy-Weinberg equilibrium表 4 粤西卷羽公鸡BMP6基因SNP位点各基因型的生长性状1)
Table 4 Growth traits of each genotype at SNP sites of BMP6 gene in Yuexi Frizzled Feather cock
SNP位点
SNP site基因型
Genotypen 体质量/g
Body weight胫长/cm
Tibia length龙骨长/cm
Keel length胫围/cm
Tibia girthg.64185950 T>C CC 17 1740.16±35.00a 9.06±0.08a 10.14±0.10a 5.02±0.05a CT 33 1716.82±30.55a 8.93±0.09a 10.16±0.10a 5.02±0.04a TT 10 1706.39±71.64a 8.71±0.10a 10.09±0.14a 4.92±0.13a g.64195411 G>A AA 20 1699.59±37.49a 8.78±0.08a 10.16±0.10a 5.01±0.06a AG 33 1715.61±31.84a 8.99±0.09a 10.16±0.09a 4.98±0.04a GG 7 1813.54±52.25a 9.06±0.14a 10.00±0.22a 5.09±0.08a g.64195613 C>T CC 16 1786.34±30.94a 9.06±0.10a 10.09±0.12a 5.09±0.05a CT 35 1709.30±30.93a 8.94±0.08ab 10.15±0.09a 4.96±0.04a TT 9 1654.97±65.51a 8.65±0.10b 10.22±0.17a 5.02±0.12a g.64195821 G>A AG 18 1765.67±33.84a 8.96±0.11a 10.27±0.12a 4.99±0.05a GG 42 1702.85±28.41a 8.92±0.07a 10.09±0.08a 5.01±0.04a g.64195833 T>A AT 57 1718.29±23.52a 8.92±0.06a 10.13±0.07a 5.00±0.03a g.64196373 T>C CC 34 1720.02±30.76a 8.88±0.08a 10.26±0.08a 4.97±0.05a CT 23 1716.21±37.06a 9.00±0.10a 9.96±0.11a 5.04±0.04a g.64196735 T>C CC 21 1774.43±27.32a 9.07±0.08a 10.06±0.10a 5.05±0.05a CT 28 1687.00±39.45a 8.87±0.11a 10.10±0.10a 4.96±0.05a TT 11 1709.33±43.23a 8.82±0.06a 10.40±0.13a 5.01±0.08a 1) 相同位点同列数据后的不同小写字母表示差异显著(P<0.05,Tamheini法或t检验)
1) Different lowercase letters of the same column for the same site indicate significant differences (P<0.05, Tamheini method or t test)表 5 粤西卷羽母鸡BMP6基因SNP位点各基因型的生长性状1)
Table 5 Growth traits of each genotype at SNP sites of BMP6 gene in Yuexi Frizzled Feather hen
SNP位点
SNP site基因型
Genotypen 体质量/g
Body weight胫长/cm
Tibia length龙骨长/cm
Keel length胫围/cm
Tibia girthg.64185950 T>C CC 23 1425.72±27.56a 7.99±0.07a 9.47±0.08a 4.60±0.04a CT 32 1467.16±24.99a 8.10±0.07a 9.44±0.08a 4.60±0.03a TT 5 1378.20±103.47a 8.19±0.33a 9.33±0.24a 4.59±0.13a g.64195411 G>A AA 26 1437.28±29.46a 8.13±0.10a 9.55±0.10a 4.58±0.03a AG 27 1443.81±29.07a 8.04±0.06a 9.31±0.08b 4.60±0.04a GG 7 1468.47±49.26a 7.94±0.07a 9.51±0.09ab 4.63±0.05a g.64195613 C>T CC 23 1440.44±30.21a 8.10±0.06a 9.37±0.08a 4.63±0..04a CT 27 1446.68±25.40a 8.08±0.09a 9.43±0.09a 4.56±0.04a TT 10 1444.10±62.31a 7.96±0.15a 9.64±0.15a 4.61±0.07a g.64195821 G>A AG 19 1418.37±28.84a 8.26±0.10a 9.46±0.11a 4.57±0.03a GG 39 1453.69±25.32a 7.96±0.06a 9.43±0.07a 4.61±0.03a g.64195833 T>A AT 59 1444.87±19.20a 8.06±0.05a 9.44±0.06a 4.59±0.03a g.64196373 T>C CC 29 1456.64±26.20a 8.17±0.09a 9.59±0.08a 4.62±0.04a CT 29 1425.49±28.87a 7.97±0.05b 9.29±0.07a 4.57±0.04a g.64196735 T>C CC 24 1427.00±29.48a 8.03±0.07ab 9.40±0.08a 4.61±0.04a CT 29 1491.68±19.47a 8.17±0.08a 9.50±0.09a 4.61±0.04a TT 7 1303.53±79.57a 7.74±0.06b 9.35±0.20a 4.47±0.09a 1) 相同位点同列数据后的不同小写字母表示差异显著(P<0.05,Tamheini法或t检验)
1) Different lowercase letters of the same column for the same site indicate significant differences (P<0.05, Tamheini method or t test)表 6 粤西卷羽公鸡BMP6基因SNP位点各基因型的屠宰性能1)
Table 6 Slaughter performance of each genotype at SNP sites of BMP6 gene in Yuexi Frizzled Feather cock
SNP位点
SNP site基因型
Genotypen 活质量/g
Live
weight屠宰率/%
Dressing
percentage半净膛率/%
Half-bore
weight rate全净膛率/%
Full-bore
weight rate腹脂率/%
Abdominal fat
weight rate胸肌率/%
Breast muscle
weight rate腿肌率/%
Leg muscle
weight rateg.64185950 T>C CC 5 1 658.54a 0.90a 0.82a 0.71a 0.013a 0.11a 0.18a CT 22 1 637.76a 0.89a 0.81a 0.70a 0.012a 0.11a 0.20a g.64195411 G>A AA 13 1 635.90a 0.91a 0.83a 0.71a 0.015a 0.11a 0.19a AG 13 1 621.65a 0.89a 0.81a 0.70a 0.013a 0.11a 0.20a g.64195613 C>T CC 9 1 711.99a 0.89a 0.81a 0.71a 0.010a 0.11a 0.19a CT 17 1 610.45a 0.89a 0.82a 0.70a 0.012a 0.11a 0.20a g.64195821 G>A AG 13 1 643.43a 0.89a 0.82a 0.71a 0.015a 0.11a 0.19a GG 17 1 648.28a 0.90a 0.82a 0.70a 0.010a 0.11a 0.20a g.64195833 T>A AT 29 1 645.82a 0.89a 0.82a 0.70a 0.012a 0.11a 0.20a g.64196373 T>C CC 19 1 625.11a 0.90a 0.82a 0.71a 0.015a 0.11a 0.20a CT 11 1 682.57a 0.89a 0.81a 0.70a 0.007a 0.11a 0.19a g.64196735 T>C CC 11 1 718.33a 0.89a 0.81a 0.71a 0.010a 0.11a 0.18a CT 14 1 601.74b 0.90a 0.82a 0.70a 0.013a 0.11a 0.20a TT 5 1 611.86ab 0.89a 0.82a 0.70a 0.014a 0.11a 0.20a 1) 相同位点同列数据后的不同小写字母表示差异显著(P<0.05,Tamheini法或t检验)
1) Different lowercase letters of the same column for the same site indicate significant differences (P<0.05, Tamheini method or t test)表 7 粤西卷羽母鸡BMP6基因SNP位点各基因型的屠宰性能1)
Table 7 Slaughter performance of each genotype at SNP sites of BMP6 gene in Yuexi Frizzled Feather hen
SNP位点
SNP site基因型
Genotypen 活质量/g
Live
weight屠宰率/%
Dressing
percentage半净膛率/%
Half-bore
weight rate全净膛率/%
Full-bore
weight rate腹脂率/%
Abdominal fat
weight rate胸肌率/%
Breast muscle
weight rate腿肌率/%
Leg muscle
weight rateg.64185950 T>C CC 10 1 318.85a 0.87a 0.78a 0.68a 0.030a 0.12a 0.19a CT 18 1 380.92a 0.87a 0.80a 0.71a 0.027a 0.14a 0.23a g.64195411 G>A AA 13 1 345.03a 0.88a 0.80a 0.71a 0.024a 0.13a 0.25a AG 12 1 349.35a 0.87a 0.78a 0.69a 0.029a 0.12a 0.18a GG 5 1 417.44a 0.88a 0.81a 0.71a 0.029a 0.15a 0.19a g.64195613 C>T CC 11 1 368.40a 0.87a 0.79a 0.70a 0.034a 0.13a 0.18a CT 14 1 353.41a 0.88a 0.80a 0.70a 0.022b 0.13a 0.25a TT 5 1 352.92a 0.88a 0.80a 0.69a 0.024ab 0.13a 0.19a g.64195821 G>A AG 8 1 342.86a 0.86a 0.79a 0.70a 0.025a 0.12a 0.18a GG 21 1 359.04a 0.88a 0.80a 0.69a 0.029a 0.14a 0.23a g.64195833 T>A AT 30 1 358.83a 0.87a 0.79a 0.70a 0.027a 0.13a 0.21a g.64196373 T>C CC 13 1 369.73a 0.87a 0.80a 0.69a 0.027a 0.12a 0.18a CT 15 1 340.58a 0.87a 0.78b 0.70a 0.025a 0.14a 0.24a g.64196735 T>C CC 11 1 345.33a 0.87a 0.79a 0.70a 0.032a 0.13a 0.18a CT 15 1 366.59a 0.88a 0.80a 0.70a 0.021a 0.13a 0.25a 1) 相同位点同列数据后的不同小写字母表示差异显著(P<0.05,Tamheini法或t检验)
1) Different lowercase letters of the same column for the same site indicate significant differences (P<0.05, Tamheini method or t test) -
[1] URIST. M R. Bone: Formation by autoinduction[J]. Science, 1965, 150(3698): 893-899.
[2] 赵志军, 赖文涛, 冯士军, 等. 骨形态发生蛋白研究进展[J]. 包头医学院学报, 2020, 36(10): 129-133. [3] 徐世旭, 阳富春. 骨形态发生蛋白的成骨作用及其在骨组织工程中的应用[J]. 医学综述, 2008, 14(2): 193-195. doi: 10.3969/j.issn.1006-2084.2008.02.013 [4] CELESTE A J, IANNAZZI J A, TAYLOR R C, et al. Identification of transforming growth factor beta family members present in bone-inductive protein purified from bovine bone[J]. Proceedings of the National Academy of Sciences of the United States of America, 1990, 87(24): 9843-9847. doi: 10.1073/pnas.87.24.9843
[5] ARNDT S, WACKER E, DORN C, et al. Enhanced expression of BMP6 inhibits hepatic fibrosis in non-alcoholic fatty liver disease[J]. Gut, 2015, 64(6): 973-981. doi: 10.1136/gutjnl-2014-306968
[6] YUNG L M, SANCHEZ-DUFFHUES G, TEN DIJKE P, et al. Bone morphogenetic protein 6 and oxidized low-density lipoprotein synergistically recruit osteogenic differentiation in endothelial cells[J]. Cardiovascular Research, 2015, 108(2): 278-287. doi: 10.1093/cvr/cvv221
[7] MA Q, FENG W, ZHUANG Z, et al. Cloning, expression profiling and promoter functional analysis of bone morphogenetic protein 6 and 7 in tongue sole (Cynoglossus semilaevis)[J]. Fish Physiology and Biochemistry, 2017, 43(2): 435-454. doi: 10.1007/s10695-016-0298-z
[8] TOMA K, OTSUKA F, OGUNI K, et al. BMP-6 modulates somatostatin effects on luteinizing hormone production by gonadrotrope cells[J]. Peptides, 2016, 76: 96-101. doi: 10.1016/j.peptides.2016.01.011
[9] YE F, XU H, YIN H, et al. The role of BMP6 in the proliferation and differentiation of chicken cartilage cells[J]. PLoS One, 2019, 14(7): e0204384. doi: 10.1371/journal.pone.0204384
[10] LU Y, XU H, JIANG Y, et al. Effect of BMP6 on the proliferation and apoptosis of chicken chondrocytes induced by thiram[J]. Research in Veterinary Science, 2022, 142: 101-109.
[11] YANG F, HE L, LUO B, et al. Effect of bone morphogenetic protein 6 (BMP6) on chicken granulose cells proliferation and progesterone synthesis[J/OL]. Brazilian Journal of Poultry Science, 2019, 21(2). https://doi.org/10.1590/1806-9061-2018-0835.
[12] REGASSA A, KIM W K. Transcriptome analysis of hen preadipocytes treated with an adipogenic cocktail (DMIOA) with or without 20(S)-hydroxylcholesterol[J]. BMC Genomics, 2015, 16(1): 91. doi: 10.1186/s12864-015-1231-z
[13] 姚国瑜. 金寨黑鸡种质特性及BMP6基因多态性研究[D]. 合肥: 安徽农业大学, 2018. [14] 肖朝庭, 狄冉, 储明星, 等. 5个绵羊品种BMP6基因部分片段的多态及序列分析[J]. 畜牧兽医学报, 2008, 39(12): 1631-1639. doi: 10.3321/j.issn:0366-6964.2008.12.002 [15] 储明星, 肖杰文, 李学伟, 等. 4个山羊品种BMP6基因部分片段的多态性分析[J]. 中国畜牧兽医, 2008, 35(1): 55-58. [16] 李国强, 余北安, 李靖. 翻毛鸡种质性能的选育研究及其开发利用[J]. 中国畜禽种业, 2008, 4(4): 57-59. [17] 陶林. 麒麟鸡(卷羽鸡)部分种质特性观察及其卷羽性状的分子机制初探[D]. 湛江: 广东海洋大学, 2014. [18] 刘梅, 朱怡轩, 王孝义, 等. 宣和猪PID1基因外显子3的SNP检测及其与肉质性状的关联分析[J]. 西南农业学报, 2022, 35(7): 1707-1714. [19] 徐正刚. RNA干扰沉默PID1基因肉兔模型的构建及猪PID1基因多态性与肌内脂肪含量关联分析[D]. 泰安: 山东农业大学, 2014. [20] MAYO O. A century of Hardy-Weinberg equilibrium[J]. Twin Research and Human Genetics, 2008, 11(3): 249-256. doi: 10.1375/twin.11.3.249
[21] 贾美婷, 李显耀, 康丽, 等. 寿光鸡GPR147基因5′调控区多态性与产蛋性状的关联分析[J]. 畜牧兽医学报, 2016, 47(1): 34-40. doi: 10.11843/j.issn.0366-6964.2016.01.005 [22] CUI C, YE F, LI Y, et al. Detection of SNPs in the BMP6 gene and their association with carcass and bone traits in chicken[J]. Brazilian Journal of Poultry Science, 2017, 19(4): 673-682.
[23] EL-HALAWANY N, KANDIL O M, SHAWKY A A, et al. Investigating the effect of GDF9, BMP15, BMP6 and BMPR1B polymorphisms on Egyptian sheep fecundity and their transcripts expression in ovarian cells[J]. Small Ruminant Research, 2018, 165: 34-40.
-
期刊类型引用(3)
1. 刘舜旗,柳强,潘洪,张洪霏,匡鹏飞,艾复清. 基于鲜叶外观参数的烤后烟叶柔软度LM-BP神经网络预测模型构建. 亚热带植物科学. 2024(02): 152-159 . 百度学术
2. 曹冰雪,李鸿飞,赵春江,李瑾. 智慧农业科技创新引领农业新质生产力发展路径. 智慧农业(中英文). 2024(04): 116-127 . 百度学术
3. 王泳智,田鹏,李富生,孙吉红,孙陈,刘振洋,刘念,钱晔. 基于智能算法的云南甘蔗产量预测. 湖北农业科学. 2024(08): 126-131+146 . 百度学术
其他类型引用(3)