Геномная селекция

Геномная селекция — это метод отбора племенных животных и растений, основанный на анализе маркеров, распределённых по всему геному (ДНК), с целью прогнозирования их племенной ценности (геномной ценности) без необходимости длительного наблюдения за фенотипическими проявлениями признаков. В отличие от традиционной селекции, которая опирается на измерение продуктивных качеств самого животного (например, надоя молока) или его потомства, геномная селекция использует статистические модели, связывающие вариации в ДНК с хозяйственно ценными признаками. Этот подход позволяет значительно ускорить селекционный процесс, сократить интервал между поколениями и повысить точность отбора, особенно для признаков с низкой наследуемостью или проявляющихся поздно (например, долголетие или устойчивость к болезням).

История развития

Предпосылки и ранние исследования

Идея использования генетических маркеров для селекции возникла в 1980-х годах, когда были открыты полиморфизмы длины рестрикционных фрагментов (RFLP). Однако первые попытки картирования количественных признаков (QTL) с помощью единичных маркеров были малоэффективны из-за низкой плотности карт и сложности полигенной природы большинства экономически важных признаков. К концу 1990-х годов стало ясно, что для точного прогноза необходимо учитывать влияние тысяч генов, каждый из которых вносит малый вклад в фенотип.

Формулировка метода (2001 год)

Ключевой прорыв произошёл в 2001 году, когда датский учёный Тео Мейвиссен (Theo Meuwissen) совместно с коллегами из Университета Вагенингена (Нидерланды) опубликовал теоретическую работу, в которой предложил использовать одновременный анализ десятков тысяч маркеров (SNP — однонуклеотидных полиморфизмов), распределённых по всему геному. В этой работе были описаны статистические модели (например, BLUP с геномными данными, GBLUP), позволяющие оценить геномную племенную ценность (GEBV) без предварительного картирования QTL. Модель предполагала, что каждый маркер может быть связан с эффектом признака, и эти эффекты оцениваются на референтной популяции с известными фенотипами и генотипами.

Внедрение в животноводство (2008–2010 годы)

Первое практическое применение геномной селекции началось в молочном скотоводстве США и Канады в 2008–2009 годах. Компания «Geno» (Норвегия) и USDA (Министерство сельского хозяйства США) запустили программы генотипирования быков-производителей. К 2010 году геномная селекция стала стандартом в голштинской породе крупного рогатого скота. В России первые работы по геномной оценке быков-производителей начались в 2012 году на базе Всероссийского научно-исследовательского института животноводства имени академика Л. К. Эрнста (ВИЖ им. Эрнста).

Развитие в растениеводстве

В растениеводстве геномная селекция начала активно применяться с 2010-х годов, особенно для культур со сложными геномами (пшеница, кукуруза, соя). Первые коммерческие программы были реализованы компаниями «Pioneer Hi-Bred» (США) и «Syngenta» (Швейцария). В России геномная селекция используется в селекции подсолнечника, кукурузы и пшеницы, в частности, в Национальном центре зерна имени П. П. Лукьяненко (Краснодар).

Методология

Основные этапы

1. Формирование референтной популяции: группа животных или растений, для которых одновременно известны генотипы (SNP-чипы) и фенотипы (измеренные признаки, например, удой, масса тела, урожайность). Размер референтной популяции должен быть не менее нескольких тысяч особей для достижения точности прогноза.
2. Генотипирование: определение генотипов по десяткам или сотням тысяч SNP-маркеров с помощью ДНК-чипов (например, Illumina BovineSNP50 BeadChip для крупного рогатого скота) или полногеномного секвенирования.
3. Статистическое моделирование: построение уравнения, связывающего генотипы с фенотипами. Наиболее распространённые методы:

• GBLUP (Genomic Best Linear Unbiased Prediction): предполагает, что все маркеры имеют одинаковую дисперсию, и использует геномную матрицу родства (G-матрицу).
• BayesA, BayesB, BayesC: байесовские методы, которые позволяют разным маркерам иметь разные дисперсии, что лучше подходит для признаков, контролируемых небольшим числом крупных QTL.
• LASSO, Elastic Net: методы машинного обучения с регуляризацией, используемые для признаков с высокой корреляцией между маркерами.

1. Прогнозирование: для кандидатов в отбор (например, молодых бычков) определяют только генотип, а затем по построенной модели вычисляют геномную племенную ценность (GEBV). Отбор проводят по величине GEBV без ожидания собственной продуктивности.
2. Валидация: точность модели проверяется на независимой выборке животных, не входивших в референтную популяцию.

Геномная матрица родства (G-матрица)

Ключевое отличие от традиционной селекции — замена родословной (A-матрицы) на геномную матрицу родства, которая рассчитывается на основе SNP-данных. G-матрица позволяет точнее оценить долю общих генов между особями, включая скрытые родственные связи (например, от общего предка, не указанного в родословной). Это повышает точность оценки племенной ценности на 20–40% по сравнению с традиционным BLUP.

Применение

В животноводстве

• Молочное скотоводство: наиболее успешный пример. Геномная селекция позволила сократить интервал между поколениями с 5–6 лет до 2–3 лет, увеличив генетический прогресс по удою на 50–100%. В США и Канаде более 90% быков-производителей голштинской породы оцениваются геномно.
• Мясное скотоводство: используется для отбора по признакам мясной продуктивности (выход мяса, мраморность) и устойчивости к болезням.
• Свиноводство: применяется для улучшения репродуктивных качеств (многоплодие, выживаемость поросят) и скорости роста.
• Птицеводство: в бройлерном производстве — для отбора по конверсии корма и выходу грудного мяса; в яичном — по яйценоскости и качеству скорлупы.
• Рыбоводство: в аквакультуре лососёвых и карповых — для повышения устойчивости к инфекциям (например, к вирусной геморрагической септицемии).

В растениеводстве

• Зерновые культуры: для пшеницы, ячменя, кукурузы — отбор по урожайности, засухоустойчивости, качеству зерна (содержание белка, клейковины).
• Масличные культуры: в селекции подсолнечника и сои — по содержанию масла и устойчивости к гербицидам.
• Плодовые и ягодные культуры: для яблони, винограда — по вкусовым качествам, срокам созревания, устойчивости к грибковым заболеваниям.
• Лесные культуры: для сосны и ели — по скорости роста и качеству древесины.

В медицине и биотехнологии

Хотя геномная селекция традиционно относится к сельскому хозяйству, её принципы используются в медицине для прогнозирования риска развития мультифакториальных заболеваний (например, диабета 2-го типа, ишемической болезни сердца) на основе полигенных шкал риска (PRS). В биотехнологии — для отбора штаммов микроорганизмов с повышенной продукцией целевых метаболитов (например, лизина, инсулина).

Преимущества и ограничения

Преимущества

• Сокращение времени селекционного цикла: отбор возможен в раннем возрасте (у крупного рогатого скота — с 1–2 месяцев), что особенно важно для признаков, проявляющихся поздно (например, пожизненная продуктивность).
• Повышение точности: для признаков с низкой наследуемостью (h² < 0,2) точность геномной оценки может быть в 2–3 раза выше, чем традиционной оценки по родословной.
• Снижение затрат: отпадает необходимость в длительном содержании и тестировании большого числа животных для оценки их потомства.
• Возможность отбора по редким или трудноизмеряемым признакам: например, устойчивость к паразитам, качество мяса, стрессоустойчивость.

Ограничения

• Высокая стоимость генотипирования: хотя стоимость SNP-чипов снизилась (с 200 долларов в 2010 году до 30–50 долларов в 2020-х), для крупных популяций затраты остаются значительными.
• Необходимость больших референтных популяций: для точности прогноза требуется не менее 5–10 тысяч особей с фенотипами, что сложно обеспечить для редких пород или культур.
• Снижение точности при смене поколений: модель, построенная на одной популяции, может терять точность при применении к другим поколениям из-за изменения генетической структуры (эффект дрейфа генов).
• Генетическая эрозия: интенсивный отбор по геномным оценкам может привести к сужению генетического разнообразия, что повышает риск инбредной депрессии.
• Этические вопросы: в животноводстве — риск отбора по признакам, связанным с благополучием животных (например, чрезмерная молочная продуктивность, ведущая к маститу).

Критика и перспективы

Критика

Основные критические замечания связаны с тем, что геномная селекция может усиливать неравенство в сельском хозяйстве: крупные компании получают доступ к дорогим технологиям, в то время как мелкие фермеры не могут их использовать. Кроме того, существует риск «интеллектуальной собственности» на генетические данные, когда компании патентуют SNP-чипы и модели, что ограничивает доступ к ним для государственных селекционных программ. В России отмечается, что для успешного внедрения геномной селекции требуется создание национальных референтных популяций, так как модели, разработанные для зарубежных пород, часто не работают на российских популяциях из-за разных условий содержания и генетической структуры.

Перспективы

• Интеграция с CRISPR/Cas9: возможность редактирования генома для точечного улучшения признаков, выявленных с помощью геномной селекции.
• Использование полногеномного секвенирования: переход от SNP-чипов к полным геномам позволит учитывать редкие варианты и структурные вариации, повышая точность прогноза.
• Модели на основе машинного обучения: применение нейронных сетей для анализа сложных взаимодействий между генами и средой.
• Геномная селекция в аквакультуре: активное развитие для креветок, лосося, тилапии, где традиционные методы селекции затруднены из-за длительного цикла размножения.
• Создание национальных программ: в России, Китае и Индии активно разрабатываются государственные программы геномной селекции для импортозамещения племенного материала.

Источники

1. Meuwissen T.H.E., Hayes B.J., Goddard M.E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157(4), 1819–1829.
2. VanRaden P.M. (2008). Efficient methods to compute genomic predictions. Journal of Dairy Science, 91(11), 4414–4423.
3. Hayes B.J., Bowman P.J., Chamberlain A.J., Goddard M.E. (2009). Invited review: Genomic selection in dairy cattle: progress and challenges. Journal of Dairy Science, 92(2), 433–443.
4. Bernardo R. (2010). Genomewide selection in plants: a review. Crop Science, 50(1), 1–12.
5. Всероссийский научно-исследовательский институт животноводства имени академика Л. К. Эрнста (ВИЖ им. Эрнста). (2014). Геномная селекция в молочном скотоводстве России: методические рекомендации.
6. Hickey J.M., Chiurugwi T., Mackay I., Powell W. (2017). Genomic prediction unifies animal and plant breeding programs. Trends in Genetics, 33(6), 387–399.
7. Национальный центр зерна имени П. П. Лукьяненко. (2020). Применение геномной селекции в селекции озимой пшеницы.