For genomic selection in populations with a small reference population, combining populations of the same breed or populations of related breeds is an effective way to increase the size of the reference population. However, genomic predictions based on single nucleotide polymorphism (SNP)-chip genotype data using combined populations with different genetic backgrounds or from different breeds have not shown a clear advantage over using within-population or within-breed predictions. The increasing availability of whole-genome sequencing (WGS) data provides new opportunities for combined population genomic prediction. Our objective was to investigate the accuracy of genomic prediction using imputation-based WGS data from combined populations in pigs. Using 80K SNP panel genotypes, WGS genotypes, or genotypes on WGS variants that were pruned based on linkage disequilibrium (LD), three methods [genomic best linear unbiased prediction (GBLUP), single-step (ss)GBLUP, and genomic feature (GF)BLUP] were implemented with different prior information to identify the best method to improve the accuracy of genomic prediction for combined populations in pigs. In total, 2089 and 2043 individuals with production and reproduction phenotypes, respectively, from three Yorkshire populations with different genetic backgrounds were genotyped with the PorcineSNP80 panel. Imputation accuracy from 80K to WGS variants reached 92%. The results showed that use of the WGS data compared to the 80K SNP panel did not increase the accuracy of genomic prediction in a single population, but using WGS data with LD pruning and GFBLUP with prior information did yield higher accuracy than the 80K SNP panel. For the 80K SNP panel genotypes, using the combined population resulted in a slight improvement, no change, or even a slight decrease in accuracy in comparison with the single population for GBLUP and ssGBLUP, while accuracy increased by 1 to 2.4% when using WGS data. Notably, the GFBLUP method did not perform well for both the combined population and the single populations. The use of WGS data was beneficial for combined population genomic prediction. Simply increasing the number of SNPs to the WGS level did not increase accuracy for a single population, while using pruned WGS data based on LD and GFBLUP with prior information could yield higher accuracy than the 80K SNP panel.

中文翻译：

---

使用基于归因的全基因组测序数据来提高猪组合种群基因组预测的准确性

对于参考种群较少的人群进行基因组选择，将相同品种的种群或相关品种的种群相结合是增加参考种群规模的有效方法。但是，基于单核苷酸多态性（SNP）芯片基因型数据的基因组预测，使用具有不同遗传背景或不同品种的组合种群，并没有显示出超过使用种群内或品种内预测的明显优势。全基因组测序（WGS）数据的可用性不断提高，为组合人群基因组预测提供了新的机会。我们的目标是使用来自猪群的基于推算的WGS数据调查基因组预测的准确性。使用80K SNP面板基因型，WGS基因型，或基于连锁不平衡（LD）修剪的WGS变体的基因型，三种方法[基因组最佳线性无偏预测（GBLUP），单步（ss）GBLUP和基因组特征（GF）BLUP]已在不同的先验信息下实施确定提高猪组合种群基因组预测准确性的最佳方法。总共使用PorcineSNP80样本对来自三个具有不同遗传背景的约克郡人口分别具有生产和繁殖表型的2089和2043个个体进行了基因分型。从80K到WGS的插补精度达到92％。结果表明，与80K SNP面板相比，使用WGS数据并不能提高单个人群中基因组预测的准确性，但是将WGS数据与LD修剪和GFBLUP一起使用具有先验信息的确比80K SNP面板产生了更高的准确性。对于80K SNP面板基因型，与GBLUP和ssGBLUP的单个人群相比，使用合并的人群会导致准确度略有改善，没有变化，甚至略有降低，而使用WGS数据时，准确性提高了1％至2.4％ 。值得注意的是，GFBLUP方法对于合并人口和单一人口均表现不佳。WGS数据的使用对于总体人群基因组预测是有益的。仅将SNP的数量增加到WGS的水平并不能提高单个人群的准确性，而将基于LD和GFBLUP的经过修剪的WGS数据与先验信息一起使用可以比80K SNP面板提供更高的准确性。对于80K SNP面板基因型，与GBLUP和ssGBLUP的单一人群相比，使用合并的人群会导致准确度略有改善，没有变化，甚至略有降低，而使用WGS数据时，准确度提高了1％至2.4％ 。值得注意的是，GFBLUP方法对于合并人口和单一人口均表现不佳。WGS数据的使用对于总体人群基因组预测是有益的。仅将SNP的数量增加到WGS的水平并不能提高单个人群的准确性，而将基于LD和GFBLUP的经过修剪的WGS数据与先验信息一起使用会比80K SNP面板产生更高的准确性。对于80K SNP面板基因型，与GBLUP和ssGBLUP的单个人群相比，使用合并的人群会导致准确性略有改善，没有变化，甚至略有降低，而使用WGS数据时，准确性提高了1％至2.4％ 。值得注意的是，GFBLUP方法对于合并人口和单一人口均表现不佳。WGS数据的使用对于总体人群基因组预测是有益的。仅将SNP的数量增加到WGS的水平并不能提高单个人群的准确性，而将基于LD和GFBLUP的经过修剪的WGS数据与先验信息一起使用可以比80K SNP面板提供更高的准确性。甚至与GBLUP和ssGBLUP的单个种群相比，准确性甚至略有下降，而使用WGS数据时，准确性提高了1到2.4％。值得注意的是，GFBLUP方法对于合并人口和单一人口均表现不佳。WGS数据的使用对于总体人群基因组预测是有益的。仅将SNP的数量增加到WGS的水平并不能提高单个人群的准确性，而将基于LD和GFBLUP的经过修剪的WGS数据与先验信息一起使用可以比80K SNP面板提供更高的准确性。甚至与GBLUP和ssGBLUP的单个种群相比，准确性甚至略有下降，而使用WGS数据时，准确性提高了1到2.4％。值得注意的是，GFBLUP方法对于合并人口和单一人口均表现不佳。WGS数据的使用对于总体人群基因组预测是有益的。仅将SNP的数量增加到WGS的水平并不能提高单个人群的准确性，而将基于LD和GFBLUP的经过修剪的WGS数据与先验信息一起使用可以比80K SNP面板提供更高的准确性。