综述：运用种群统计学、谱系和基因组学指标评估家畜遗传多样性的框架

《Frontiers in Genetics》：Framework for assessing genetic variation in livestock using demographic, pedigree, and genomic measures

这篇综述由FAO专家与国际合作者共同提出，建立了一个评估和监测家畜种群遗传变异的综合框架。它整合了种群统计学、谱系和基因组学三种数据源，系统阐述了其各自在评估遗传多样性、近交、有效群体大小(Ne)等方面的应用、局限与互补性。文章强调了将有效群体大小(Ne)作为关键监测指标的重要性，并推荐将基因组学工具与常规监测结合，以支持《动物遗传资源全球行动计划》和“昆明-蒙特利尔全球生物多样性框架”的实施，为全球家畜遗传资源的可持续管理和保护提供循证决策依据。

　　

遗传多样性是家畜种群适应环境变化、抵抗疾病和实现长期遗传改良的基础。它不仅关系到全球粮食安全与生计，其本身也是一种需要共同管理的公共资源。为了应对遗传多样性面临的威胁，联合国粮农组织(FAO)成员国通过了《动物遗传资源全球行动计划》。遗传变异受突变、遗传漂变、选择和迁移四个过程影响。其中，遗传漂变在有效繁殖个体数减少时会加速等位基因固定，导致遗传多样性丧失；而近交则会增加有害隐性等位基因纯合的风险，引发适应度下降，即近交衰退。因此，对遗传变异进行有效监测，是实现家畜遗传资源可持续管理的前提。

目前，主要有三种信息源可用于监测种群内的遗传变异，它们各具特点，需互补使用。

^1.种群统计学方法

种群统计学指标虽不直接提供遗传信息，但能揭示导致遗传变异变化的潜在原因，并对遗传多样性流失和近交率产生影响。核心指标包括：

• •
  种群普查规模：是衡量与种群统计随机性相关灭绝风险的最直接指标。其中，实际参与繁殖的雌雄个体数比总数更具参考价值。FAO的《动物遗传资源活体保护指南》依据种群规模、繁殖能力等因素，将种群的风险状态分为“极危”、“濒危”、“易危”等类别。FAO的国内动物多样性信息系统(DAD-IS)是全球监测品种状态的核心数据库。
• •
  有效群体大小(Ne)：这是一个将现实种群与理想的Wright-Fisher种群联系起来、用于量化遗传漂变和近交程度的黄金指标，其与近交率(ΔF)的关系为Ne = 1/(2ΔF)。通过种群统计学数据可以近似估算Ne，常用方法有：
  • •
    性别比例法：公式为 Ne = 4 * (Nm * Nf) / (Nm + Nf)，其中Nm和Nf分别是参与繁殖的雄性和雌性数量。在家畜中，由于使用的公畜通常远少于母畜，Ne主要受公畜数量影响。
  • •
    家系大小方差法：考虑到父母对后代贡献不均等（如人工授精导致的少数公畜被大量使用）的影响，公式为 Ne = (8Nm - 4) / (V_km+ V_kf+ 4)，其中V_km和V_kf分别是潜在父母本后代数的方差。方差越大，Ne越小。
  • •
    世代间种群规模波动法：当种群经历瓶颈效应时，需用调和平均数公式计算多代平均Ne。
• •
  世代间隔：定义为亲本产下后代的平均年龄。较长的世代间隔通常有利于维持遗传变异，因为它减慢了遗传漂变和近交随时间累积的速度。

尽管种群统计学方法对遗传多样性的估计较为粗略，但其对于理解种群灭绝的 demographic 风险因素至关重要，且数据收集相对容易，是品种管理的基础。

^2.谱系学方法

谱系记录是动物育种项目的基石，通过追踪亲子关系，可以推断中性位点上的基因传递。其核心在于计算基于共祖的身份（identity by descent, IBD）概率。

• •
  核心指标：主要包括近交系数(F)和亲缘系数(φ)。近交系数是个体两个等位基因IBD的概率；亲缘系数是两个个体间等位基因IBD的概率，也等于它们后代的预期近交系数。在品种水平上，最小化平均亲缘系数是维持遗传多样性的推荐策略。
• •
  谱系Ne的估算：与种群统计学思路一致，谱系Ne可通过近交率或亲缘系数的变化来估算。常用方法包括跨代近交率的线性回归，或利用个体近交系数和等效完全世代数(EqG)进行校正估算。已有多种软件支持这些计算。
• •
  局限性与考量：谱系分析受限于记录完整性、记录时期长度以及可能存在的错误。此外，它基于期望值，忽略了孟德尔抽样和选择的作用。在比较不同种群或不同时期的指标时，必须考虑谱系深度和所选时间尺度的差异。

尽管全球范围内拥有完整谱系记录的品种比例有限，但对于已建立系统的品种，谱系指标能为育种者提供强有力的决策支持。例如，法国的VARUME项目就建立了一个基于谱系数据的反刍动物和马属动物遗传多样性观测站，定期发布各品种的遗传变异指标报告。

^3.基因组学方法

基因组数据能直接、全面地揭示种群中存在的遗传变异，提供了前所未有的精确度。

• •
  标记选择与采样：单核苷酸多态性(SNP)芯片和全基因组测序(WGS)是当前主流技术。SNP芯片成本较低、分析流程成熟，但可能对远离芯片设计群体的品种引入“ascertainment bias”（ ascertainment bias）。WGS信息最全，尤其适用于评估有害等位基因构成的“遗传负荷”，但成本和数据分析复杂度高。为代表性评估遗传多样性，建议每个品种至少对100个个体（尽量无亲缘、性别和年龄平衡）进行中密度SNP芯片分型。
• •
  种群结构分析：了解种群结构对于正确解读遗传多样性结果至关重要。主成分分析(PCA)和基于模型的聚类分析（如ADMIXTURE）是常用的可视化与推断种群亚结构和个体来源的工具。近年来，基于深度学习（如POPVAE, Neural ADMIXTURE）的新方法也开始应用于解析复杂的基因组关系。
• •
  基因组Ne的估算：
  • •
    基于近交(ΔF)的方法：利用连续世代个体的基因组近交系数（如基于纯合片段(ROH)计算的F_ROH）变化ΔF_ROH，代入公式Ne = 1/(2ΔF_ROH)计算。
  • •
    基于连锁不平衡(LD)的方法：连锁不平衡描述了不同位点等位基因的非随机关联，其水平受遗传漂变影响。通过测量全基因组SNP之间的LD水平，可以回溯估算历史上多个世代前的Ne。这是目前最常用的基因组Ne估计方法，已有多种成熟软件。
    尽管基因组工具非常强大，但在全球范围内对家畜品种进行常规分子监测的体系仍不普遍，主要受技术、组织和资金能力所限。

^4.综合评估与建议

三种数据源在数据收集、结果解读上各有属性和挑战。种群统计学信息对评估 demographic 灭绝风险不可或缺；谱系学能在中性假设下推断遗传变异；基因组学则提供最直接的遗传变异图谱，但需谨慎选择标记和分析参数。

在实际监测中，应优先使用哪种方法取决于品种的具体情况。对于谱系记录完整的大群体，谱系和 demographic 指标已足够；对于小群体或谱系未知的群体，则需依赖 demographic 数据和基因组表征。无论采用哪种方法，有效群体大小(Ne)都被认为是衡量遗传多样性和流失的关键指标。

基于综述，核心建议包括：

1. 1.
   应定期（间隔约等于物种世代长度）评估家畜种群的遗传变异，至少使用一种Ne指标。
2. 2.
   推荐将Ne估计值报告并整合至DAD-IS数据库中。
3. 3.
   在可能的情况下，应互补使用 demographic、谱系和基因组数据，以增强结果的可靠性和可解释性。对于大规模、高强度选择的种群，应更加重视基因组数据。
4. 4.
   采样应力求代表性和足够规模（如每品种100个个体）。
5. 5.
   品种风险状态的分类应继续参照FAO的《动物遗传资源活体保护指南》。

通过实施这一综合框架，将有助于各国和育种者更好地监测和管理家畜遗传多样性，提升种群适应未来挑战的潜力，最终支持全球粮食安全与生物多样性保护目标的实现。