Lstib?rek M, Hodge GR, Lachout P (2015) Uncovering genetic information from commercial forest plantations—making up for lost time using “Breeding without Breeding.” Tree Genet Genomes. doi: 10.1007/s11295-015-0881-y

提議使用Breeding without Breeding（BwB）來從現有種植園中揭示或提取遺傳信息，使用譜系重建和BLUP來預測育種值并鑒定遺傳上的個體。重點是在一個操作育種計劃開始使用該方法以繞開育種和測試的第一個周期，但它也可以應用于更先進的樹木改良計劃。進行了模擬研究以檢查在BwB方法中使用的三個概念群體的不同大小，并且比較使用該方法獲得的遺傳增益與如果已經開始的全同胞育種和測試策略將獲得的遺傳增益年前。 BwB方法基于具有相對少數的樹（從1,200至3,600）的譜系重建，所述樹由隨機選擇的大小為NR = 600至3,000的亞群和大小為NT = 1的頂表型亞群組成， 600（基于表型單獨在5,940至23,760棵樹中預選）。使用重建的譜系，進行表型數據的組合REML / BLUP分析以預測育種值，并且進行線性優化以進行最終選擇以最大化增益，同時約束與給定有效群體大小N e = 5的相關性，10或20.結果表明，BwB策略可以實現高水平的遺傳增益，相當于使用全同胞策略可以實現的增益的80％至98％。

介紹

樹是長壽的有機體，因此經常需要幾年才能達到繁殖成熟。商業林業還涉及比大多數作物植物或動物長得多的時間：對于桉樹的8年輪伐長度被認為相當快，對于溫帶和亞熱帶松樹的15年至25年是非常普遍的，并且樹種北方氣候可以有30到80年的輪伐，甚至更長。因此，樹木育種是一項長期的努力。
傳統上，樹木育種計劃是通過在自然林中進行大規模選擇或在商業種植園中為外來種植物種開始的。有時，育種者將直接從自然林或種植園中選擇的樹上收集種子，但是經常將選擇的樹嫁接在種子園或育種樹木中，隨后等待若干年，直到可以進行種子收集。使用這種種子，育種者通常建立大量重復的進展測試，結構良好的交配設計，并再次等待一些年的樹木達到可以獲得有意義的數據的年齡（例如，4至20年，取決于物種）（White et al。2007）。
二十多年來，遺傳學家已經知道潛在地使用分子標記數據來估計親緣關系（例如，Queller和Goodnight 1989）。分子遺傳學的進展，特別是高度信息的DNA標記如微衛星（SSR）和單核苷酸多態性（SNP）的發展，已經引入了樹種繁殖的新方法的可能性。這些新方法之一是系譜重建，其是使用分子數據來確定個體群體之間的系譜關系（例如，Meagher和Thompson 1986）。
樹種繁殖者提出了一系列方法，家譜重建可用于作業育種計劃。例如，Lambeth et al。 （2001）引入了一項名為Polymix Breeding with Parental Analysis的測試策略。該策略背后的動機是花粉組合的育種將比全同胞育種更有成本效益，并且標記隨后可用于鑒定潛在選擇候選者的男性親本，以便控制相關性，或鑒定所有后代的雄性親本以產生全同胞配偶系譜。 El-Kassaby et al。 （2007）和El-Kassaby和Lstibuchrek（2009）將這個想法擴展到開放授粉群體，指出即使是自然交配和家庭大小不同，系譜重建也可用于估計遺傳參數和預測育種值。他們的重點是，育種者可以在不做任何交叉的情況下獲得遺傳獲益，他們稱這種方法沒有育種
育種^（BwB）。 Hansen和McKinney（2010）已經將這種方法應用于從具有99個克隆的種子園產生的Abies nordmanniana的商業種植。使用一組12個SSR標記物，以及關于親本的基因型信息，他們能夠以98％的置信水平為98％的后代分配親本（雙親）。 Hansen和McKinney稱他們的方法Bquasi現場測試，強調，育種者可以創建類似正常的子代測試數據使用譜系重建方法。
在當前的研究中，我們將討論從現有種植園中發現或提取譜系信息，預測育種值和鑒定遺傳優勢個體的方法。具體來說，我們試圖描述如何對特定物種的種植園進行BwB方法來啟動操作育種計劃。實際上，這種方法可用于規避森林樹木改良計劃中的育種和測試的第一個周期。目標是概述一種方法，如果一個全面的傳統選擇和育種計劃已經開始多年，將實現大部分的遺傳獲益。首先，我們簡要概述概念思想，然后進行徹底的定量遺傳分析。

BwB方法概述

假設我們有一個商業利益的物種，這個物種的一些種植園，沒有遺傳測試。此外，假設種植園的親本是未知的，即不能用于育種或果園，并且不可用于基因分型。目的是從商業種植園提取Bprogeny檢驗數據，并進行遺傳評價（育種值的預測）以用于選擇的目的。
該過程涉及三個概念種群：BwB種群和該種群的兩個子集，隨機亞群和頂表型亞群。該過程概述如下。

1.測量和/或檢查大小為NBwB的整個BwB群體，其將是該物種的種植基地的子集。
2.鑒定大小NT的頂部表型亞群，由BwB群體中的最佳表型組成。這些樹將是最終選擇候選者，并提供高選擇差異。
3.從BwB群體中選擇大小為NR的隨機子群體。隨機亞群的目的是為家庭平均值（或相等地，父母育種值）的估計提供數據。
4.使用隨機和頂部表型亞群的分子標記基因型信息用于組合全系譜重建（NR + NT）。
5.進行REML-BLUP評估（利用系譜和表型測量）來預測組合的隨機和頂部表型亞群的育種值（BV）。

將從BwB方法獲得的遺傳學益處與可從大規模全同胞育種和測試策略獲得的遺傳學獲益進行比較。我們不打算建議下面描述的特定全同胞測試策略在效率方面是最佳的;相反，我們只想比較BwB策略與一個大的，全面的全同胞測試努力，應該導致良好的遺傳增益。
本研究的具體目標是：

1.從BwB方法檢查遺傳參數估計和BV預測的準確性。
2.確定BwB方法的預期遺傳增益，并將其與傳統測試策略（全同胞交配，重復后代測試等）的獲益進行比較。
3.檢查BwB策略（NBwB，NR和NT）中使用的三種群體的不同大小，以便為操作樹改進程序建議接近最佳大小。

模擬模型

在R系統（R Core Team 2014）中開發了隨機仿真模型，其中包括1個主程序和10個子程序。在R代碼中引入并調用了兩個外部軟件庫：（1）用于R的ASReml（Butler等人2007），和（2）Gurobi Optimizer（Gurobi Development Team 2014）。對每個場景重復使用500次獨立迭代的模擬實驗，并且在這些場景之間繪制統計推斷。
討論

遺傳獲益

BwB策略在商業化植物中的應用提供了獲得實質遺傳收益的機會，或許更重要的是，在測試中節省多年的時間。 1800棵樹（從更大的群體中選擇1,200個 - + 600個頂部表型）的譜系的重建可以返回通過大規模全同胞測試程序實現的大約85至95％的遺傳獲得。這種85至95％的效率適用于從Ne = 5至20的選擇強度范圍。如果僅有一個種植材料的遺傳來源，則育種者將使用Ne = 20的目標，并且育種者想要構建種子園?；蛘呷绻嬖诙鄠€已知的種植園的遺傳來源，育種者可能希望使用來自所有種子的材料構建種子園，并且每個來源的Ne = 5的目標可能是適當的?；蛘撸N者可能想使用Ne = 5的目標來為小全同胞生產群體（或克隆生產群體）選擇親本。
事實上，BwB方法非常有效，并且與遺傳增益方面的FS戰略相當，可能會令人驚訝。在這項研究中，重點是在開始樹改良計劃的后代選擇，父母基因型無法選擇。子代選擇的遺傳獲得的一部分來自于鑒定最佳家族，或者換句話說，準確地預測最佳親本的育種值（即使父母本身是未知的或不可獲得的）。親本育種值確定全同胞家族（即中親家族BV）的加性遺傳值。來自后代選擇的遺傳獲得的另一部分來自于鑒定來自頂層家族的突出后代。因此，對于任何個體后代，預測的遺傳增益可以被認為是中親預測的育種值加上家族內預測的遺傳增益的總和。中親值和家族內遺傳值的基礎遺傳方差等于加性遺傳方差的1/2。
中親遺傳值預測基于兩個親本的許多后代的觀察。但是家庭內遺傳偏差通過比較個體后代與其余的兄弟姐妹的表型來確定（概念上）。換句話說，通過單個表型觀察（針對環境錯誤效應進行調整）確定特定子代的預測遺傳值的大部分。低遺傳力性狀的單一表型觀察本質上是基礎遺傳價值（在這種情況下，家庭內遺傳價值）的不精確測量，因此選擇rα的整體精確度a將是有限的。對于基于單個性狀的表型選擇或質量選擇，預測的準確性理論上等于遺傳力的平方根（Falconer 1981; Hodge和White 1992）。在本研究中，h2 = 0.15，因此PH策略的準確性應為ra，a = 0.39，這與本研究中500個模擬運行中的PH策略的平均精確度準確匹配（表2）。使用FS策略和BwB策略，BLUP分析將同時預測中親遺傳值和家族內遺傳偏差，以預測每個后代的遺傳值，并且準確度將高于該基線的rα，a = 0.39。對于給定的遺傳力，假定無限后代測試，可以推導FS和BwB策略的后代選擇的理論最大準確度（見附錄）。在這項研究中，h2 = 0.15，后代選擇的最大準確性是ra，a = 0.74。
對于FS策略，平均精度為ra，a = 0.68（表2），在本研究中假設的遺傳參數接近最大可能;這是對后代的真實和預測的遺傳值的適度高的相關性。 BwB策略接近這種準確性（表2），這表明使用FS策略，育種人員在預測基因遺傳價值方面將投入更多的資源。此外，BwB和FS精度相似的事實意味著使用兩種策略的選擇的遺傳增益也將是類似的（圖2和圖3）。重要的是要注意，如果BwB策略和FS策略之間的比較是基于父母遺傳值預測進行的，則可能發現非常不同的結果。如果親本基因型可供育種者選擇，則該比較是相關的;在這種情況下，FS戰略可能具有實質性優勢。
如果可以使用建議的BwB策略獲得顯著的遺傳增益，則在樹改進程序開始時規避測試周期將具有特別的價值。不管是否使用BwB策略，育種程序將開始于在天然支架或種植園中進行檢查和/或質量選擇，以鑒定BwB的頂部表型群體，或鑒定加群的群體 - 用于隨后的后代測試。 BwB方法將準確識別杰出的基因型，而無需嫁接，種子收集或后代測試，可以節省許多年的工作。然后，最好的基因型將立即供育種者用于建立或部署到種植園。
根據物種生物學，在選擇和移植后，種子生產可能存在相當長的時間滯后。在這種情況下，育種者可以選擇通過建立具有加樹群體的種子園來開始樹改良程序，并且使用從種植園中的加樹收集的OP種子來后代測試這些選擇。當果園開始產生種子時，后代測試可能足夠老，以提供數據對果園中的父母排名。這種方法的預期遺傳增益將取決于許多因素，包括移植到果園和子代測試中的初始選擇的數量，后代測試的數量和設計，以及育種者是否選擇使用譜系重建控制果園中的相關性。從初始選擇的獲得可能大約是我們估計的單獨的表型選擇（圖2和3），在種子果園（roching the seed orchard）之后具有輕微的邊緣增加（例如，Lindgren和El-Kassaby 1989; Prescher等2008）。換句話說，在這種情況下，BwB方法可能不節省時間，但會產生額外的遺傳增益。此外，育種者可以在方案開始時將加速育種工作集中在最佳基因型上，例如頂端嫁接（Hartman和Kestler 1968）或花刺激處理（例如，Pharis和Kuo 1977）。

譜系重建精度

上面討論的潛在遺傳增益假設系譜重建的100％準確性。譜系重建可以用SNP或SSR進行，但是使用這兩種技術，在基因分型過程中將總是存在一些錯誤。例如，一些個體可能具有針對一些或所有基因座的缺失數據，并且具有數據的一些個體不能以高置信度分配給父親。然而，隨著技術的改進和足夠數量的標記，可以實現相當高的精度。

如前所述，Hansen和McKinney（2010）能夠使用12個SSR標記將兩個親本分配給北方甘薯種植園中98％的后代。然而，他們注意到，在收集這種種子的果園中花粉污染極低（約3％）。較高水平的花粉污染在林木種子園中是常見的（El-Kassaby等人1989; Adams等人1997; Slavov等人2005），并且這可以使譜系重建更具挑戰性。例如，在基于樟子松數據的模擬研究中，Wang et al。 （2010）能夠將兩個親本分配到果園克隆交配的97％的后代，但對于涉及外國（非果園）的交配，他們的準確度甚至母親父親分配顯著較低，約78％的后代正確分配。本研究采用平均9.3個等位基因的9個SSR位點進行。對于來自具有40％污染率的59個克隆的種子園的Pseudotsuga menziesii種群，El-Kassaby等人（2007）使用九個SSR標記來分配雙親成功43％至58％。鑒于在分配親本方面可能有不到100％的成功，本研究中討論的隨機和頂表型亞群的大小可以被認為是最小值。例如，育種者可以選擇對更大數量的樹進行基因分型，但是然后僅使用可以以高水平的置信度分配親本或同胞的數據。在本研究中提出的BwB策略方面，花粉污染的主要影響將在隨機子群體。 Lstib?rek等人的理論研究（2012）證實，種子果園的大量子代中的表型預選將顯著降低由花粉污染引起的后代的頻率，這取決于許多因素，包括果園的遺傳優勢，實際水平花粉污染，性狀的遺傳性和表型預選擇的強度。隨后是對樟子松第一代種子園的應用研究，報告的花粉污染為21％至70％。選擇來自果園的整體后代群體的頂部10％的表型，隨后的gentotyping顯示預選群體具有小于5％的花粉污染（或者換句話說，小于5％的那些頂部表型具有來自果園外的父母）（Korecky等人2014）。與BwB策略相關，這些結果表明Top Phenotype子群體可能相對沒有花粉污染;然而，未選擇的隨機亞群可能具有高水平的花粉污染。對于大小為NR = 1,800的隨機亞群，那些后代的數目將是來自種子園外的親本的后代。關于這些后代的數據因此將提供關于果園中的親本以及因此關于感興趣的后代的更少的信息，即，將是最終選擇的群體的候選者的具有更高遺傳質量的后代。這將影響由BwB策略產生的遺傳增益多少可以通過沿著圖1和2中的線向左移動（朝向較低的NR）來近似。 2-3，例如，通過將NR從1,800減少到1,200。在這個例子中，即使從隨機子群體中丟失1/3的數據將使遺傳增益降低小于1％，因此似乎很清楚，隨機子群體中花粉污染的影響將降低整體遺傳只獲得少量。
大多數譜系重建和BwB文獻（無論是模擬或實際應用）是基于已知的父母基因型，這使得兒科重建的工作更容易。如果父母基因型是未知的，譜系重建變得更加困難，但仍然可能的。對于林木，Massah et al。 （2010）研究了具有未知父母的黃柏（Callitropsis nootkatensis）群體的譜系重建，并且能夠鑒定群體和家庭關系。 Grattapaglia et al。 （2014）使用10個SSR標記平均每個位點13.2個等位基因，以確認質量控制授粉家庭的父母在櫟樹的克隆種子園。他們報告高同一性概率和父母排斥，并表示等位基因變異應提供良好的鑒定力，即使更復雜的交配模式與一些未知的父母。
漁業遺傳學家在這個研究領域非?；钴S。 Rodriguez-Barreto et al。 （2013）在沒有父本信息的情況下研究了野生種群的禿鷲（Seriola dumerili）的基礎建設。僅使用四個高信息SSR（每個標記7個等位基因，H0> 0.80），他們能夠估計親本和構建家族的數量。 Rodríguez-Ramilo et al。 （2007）研究了由具有已知譜系結構的139個全同胞家族組成的Scophthalmus maximus（turbot）群體，但假定不知道親本基因型。使用10個SSR平均15.1等位基因，他們將分子相關性轉換為coancestry（Queller和晚安1989年）。對于560人群，檢查所有可能的成對關系，并且不相關的對，半同胞和全同胞的分類相當準確，約80％?？雌饋硭坪?strong>更大數量的標記將提高科學重建的準確性。在基于油棕（Elaeis guineensis）的數據的模擬研究中，Cros等人（2014）檢驗了從分子相關性估計的真實coancestry和祖先之間的相關性。他們發現10個SSR將給出大約0.80的相關性，而36個SSR將增加相關性到大于0.90。這個結果支持這樣的想法，育種者可以簡單地增加標記的數量，以達到所需的譜系重建精度水平。
稍有不同的方法可能是直接使用分子相關性矩陣來估計方差和預測育種值。這將避免將所有個體正確地分類為無關，半同胞或全同胞的困難，并且具有能夠使用所有基因分型個體的另外的優點。作為例子，Blonk等人（2010）比較了使用重建的譜系和分子相關性對大豆，自然交配種群的Solea solea（共同的唯一）與未知父母做的育種價值預測。人口規模為1,953人，譜系重建能夠分配親子關系其中1338。使用交叉驗證，他們確定估計育種值的準確度為0.54與譜系重建和0.55與1,338個人的分子相關性。然而，他們指出，如果所有1,953個個體用分子相關性進行分析，精度提高到0.60。

表型準確性

上面討論的潛在遺傳增益也假定了精確的表型。換句話說，假設的遺傳參數來自良好設計和維持良好生存的子代測試;因此，對于在BwB情景下預測的增益是準確的，選擇條件必須相似。如果人工林比后代測試的異質性顯著更大，那么遺傳性將會更低，并且本研究中估計的BwB增益和效率將向上偏移。然而，對于大的種植園基地，似乎可能育種者可以定位一些具有良好生長和良好一致性的小塊，類似于維持的后代測試。在這項研究中，這種塊的必要總尺寸大約在6和24公頃之間。
在本研究中提出的BwB策略中，有三個群體必須被表型化（即測量或檢查）：總BwB群體以及隨機和頂表型亞群體。我們設想隨機子群體將用一種方法表型化，并且其他兩種群體將以不同的方法一起處理。
對于隨機亞群，表型應該在種植園的至少兩個部分（即兩個不同的部位）進行。這些地點應具有高生存期，均勻間隔，并且優選地具有很少的地點內變化（即，在測量隨機群體的平面部分處的低環境變化水平）。為了減少環境誤差，一個選擇是使用行列網格繪制網站，并使用空間分析技術來模擬環境變化（Dutkowski et al。2002）。另一種選擇是使用由Gezan等人建議的事后阻塞。 （2006），有效地創建25至50棵樹的小隨機不完全塊，以納入BLUP模型。
對于BwB和頂部表型群體，情況有些不同。在這里討論的情況下，BwB人口的規?？梢詮?,940棵樹（約6公頃的種植園，假設間隔3×3米）到23,760棵樹（約24公頃的種植園）。我們設想一個非常類似于用于大規模選擇的過程（Zobel和Talbert 1984; White等人2007）?？傊?，現場工作人員會將種植園從四到六行掃描，以獲得出色的表型。當潛在的頂部表型位于時，船員將評估特征，如莖形態，疾病的不存在，近鄰的存活等。如果樹似乎是適當的，船員將采取測量該樹和其最近鄰居的15-20，以便將頂部表型樹的測量表達為與相鄰樹（或B比較樹）的偏差。在本研究中，最終的頂部表型群體（其將被基因分型以確定親本）的大小為NT = 600。在NT = 600的情況下，每個候選者使用15-20個比較樹將導致在9,000和12,000個比較樹之間進行測量。這是一個重要的努力，大致相當于在最大FS策略（23,760）中測量的樹的一半?？梢酝ㄟ^減少比較樹的數量或通過減少頂部表型群體中的數量來減少測量的鄰居的數量。
關于比較樹的數量的減少，對于大規模選擇，建議的數量通常在大約4-6個鄰居（例如，Brown和Goddard 1961; White等人2007，第333頁）。比較樹的目的是為了精確地計算頂部表型樹與群體的偏差，來估計位點勢（或者換句話說，該微點上的群體平均值）。使用15-20個鄰居應該給出相當精確的偏差測量。可能減少要測量的鄰居的數量（可能減少到6-10），但這也可能略微減少遺傳收益。
關于Top表型數量的減少，似乎對NT = 600以上的基因分型相對沒有什么好處，因為這樣做的唯一目標是確保足夠的基因型來選擇足夠的不相關的樹以滿足所需的有效群體大?。∟e）。根據Ne的大小，可能使用NT <600，對遺傳增益幾乎沒有影響。工作負荷和精度之間的最佳平衡（即NT的大小和每個表型樹的比較樹的數量）是未來研究的一個領域。

較大的BwB群體

重要的是要注意，應該可以通過增加NBwB超過本研究中檢查的23,760個最大值來獲得額外的遺傳增益。回想一下，這里概述的FS戰略僅僅是為了提供一些BwB收益與傳統育種和測試計劃可能獲得的收益進行比較的基礎。因此，圖6和7中的Bmaximum增益。 2-3，即100％FS增益是任意的。 。如圖2和圖3所示，可以看出，BwB群體的大小從NBwB = 5,940增加到NBwB = 11,880增加約2％（并且將QBwB / FS增加約3至5％）。將BwB的大小從NBwB = 11,880加倍到NBwB = 23,760，使增益增加相似的量。這意味著NBwB的進一步增加將產生進一步的收益。在操作上，這意味著將檢查更多的公頃的種植園以鑒定另外的頂部表型，從而增加選擇強度和家庭內的增益。顯然，在某些時候，來自增加NBwB的邊際回報將太小，不足以證明額外的努力，但由于步行計劃可能是一個低成本操作，育種者應該考慮大于23,760棵樹的BwB種群。

BwB超過第一個周期

雖然本研究的重點是樹木改良計劃的啟動，BwB方法的效率和在本研究中估計的潛在遺傳增益表明BwB方法可能有超越第一個改進周期的優勢。沒有理由認為這種方法不能與先進世代一起使用。如果可能從未結構化的種植園中獲得Buncover ^遺傳信息，育種者可以選擇簡單地建立種植園，并且當需要和方便時，恢復Bprogeny測試信息。換句話說，育種者可以支付預付成本來建立子代測試，然后等待信息，或者他可以稍后支付成本來進行BwB基因分型以收集必要的遺傳信息?；蛘?，育種者可以考慮一種補充方法，將少量的復制后代測試與BwB方法相結合，其中大型種植園地基中的所有樹木都被視為選擇候選者。一些親本/家族信息將來自復制的后代測試，并且可以從種植園中選擇少數頂部表型以增加選擇強度和遺傳獲得，并且這些將被基因分型以控制譜系并優化最佳親本基因型。
BwB超過第一周期的效用將在很大程度上取決于由該方法產生的親本育種值預測的準確性，并且這應當是額外研究的主題。另一個重要的研究課題是綜合研究家系重建中的錯誤對BwB效率的影響。

結論

本研究的目的是檢查BwB策略從植物中發現遺傳信息的有效性，作為開始樹木改良計劃的一種方式，并避免育種和測試的初始循環。假設可以準確地進行子代重建，很明顯，BwB方法將是有效的，并且該策略將返回來自后代選擇的遺傳獲得的80-98％，如果育種和測試程序具有幾年前開始。
這項研究沒有進行成本效益分析，因為基因分型成本繼續下降，其他與野外作業相關的成本（育種，試驗機構，大規模選擇種植園的檢查等）在不同國家之間差別很大和程序。應該進行詳細的成本/效益分析，以評估實際經濟效率，同時給出表示實際樹木改進計劃的具體成本和時間要素。然而，我們認為BwB方法將是成本有效的，需要低水平的基因分型和相對低的評價BwBand隨機人群的投資（至少與子代測試建立，維護和測量的成本相比）。 BwB策略要求1,200到3,600棵樹進行基因分型，并且基于本研究的結果，我們建議對1,200到1,800棵樹的隨機子群體和不超過600棵樹的頂部表型子群體進行基因分型應該給出接近最佳的結果。 如果最終選擇的群體很小（例如，Ne = 5），則頂表型亞群體的大小可能減少以便節省基因分型成本。 頂部表型亞群應該從非常大的群體（BwB群體）中預選擇，大約24,000棵或更多的樹，可能在典型的種植園中建立。 大的BwB群體不需要全部測量，但應該對小的頂部表型群體進行徹底和精確的測量。