Search for Selection Fingerprints in the Genome of Black-and-white Cattle Breeds Based on the Analysis of Whole-genome Sequences of Modern and Museum Samples

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

The effect of artificial selection on the genome variability of Kholmogory and Yaroslavl cattle is assessed based on the analysis of whole-genome sequences of modern and museum specimens dated to the late 19th – early 20th centuries. The analysis of 3,403,441 polymorphic SNPs showed that most of the identified selection fingerprints in the genome of historical Kholmogory and Yaroslavl cattle overlapped with milk productivity QTL. In the modern Kholmogory cattle breed, the dominant selection pressure on loci associated with milk productivity has been preserved, while in the modern Yaroslavl breed, along with milk productivity QTL, loci associated with reproductive qualities were subject to selection.

作者简介

N. Zinovieva

Federal Research Center for Animal Husbandry named after Academy Member L.K. Ernst

Email: n_zinovieva@mail.ru
Moscow oblast, Dubrovitsy, Russia

A. Abdelmanova

Federal Research Center for Animal Husbandry named after Academy Member L.K. Ernst

Moscow oblast, Dubrovitsy, Russia

M. Fornara

Federal Research Center for Animal Husbandry named after Academy Member L.K. Ernst

Moscow oblast, Dubrovitsy, Russia

A. Shakhin

Federal Research Center for Animal Husbandry named after Academy Member L.K. Ernst

Moscow oblast, Dubrovitsy, Russia

R. Chinarov

Federal Research Center for Animal Husbandry named after Academy Member L.K. Ernst

Moscow oblast, Dubrovitsy, Russia

A. Nikolaev

Federal Research Center for Animal Husbandry named after Academy Member L.K. Ernst

Moscow oblast, Dubrovitsy, Russia

O. Boronetskaya

Timiryazev Russian State Agrarian University – Moscow Agrarian Academy

Moscow, Russia

V. Trukhachev

Timiryazev Russian State Agrarian University – Moscow Agrarian Academy

Moscow, Russia

参考

  1. Nakahama N. Museum specimens: An overlooked and valuable material for conservation genetics // Ecol. Res. 2021. № 36. P. 13–23. https://doi.org/10.1111/1440-1703.12181
  2. Nakahama N., Isagi Y. Recent transitions in genetic diversity and structure in the endangered semi-natural grassland butterfly, Melitaea protonella, in Japan // Insect Conserv. and Diversity. 2018. № 11. P. 330–340. https://doi.org/10.1111/icad.12280
  3. Marsoner T., Vigl L.V., Manck F. et al. Indigenous livestock breeds as indicators for cultural ecosystem services: A spatial analysis within the Alpine Space // Ecol. Indicators. 2018. № 94 (2). P. 55–63. https://doi.org/10.1016/j.ecolind.2017.06.046
  4. Zinovieva N.A., Sheiko I.P., Dotsev A.V. et al. Genome-wide SNP analysis clearly distinguished the Belarusian Red cattle from other European cattle breeds // Animal Genet. 2021. № 52 (5). P. 720–724. https://doi.org/10.1111/age.13102
  5. Zinovieva N.A., Sermyagin A.A., Dotsev A.V. et al. Animal genetic resources: Developing the research of allele pool of Russian cattle breeds – minireview // Sel’skokhozyaistvennaya Biologiya [Agricultural Biology]. 2019. № 54 (4). P. 631–641. https://doi.org/10.15389/agrobiology.2019.4.631eng
  6. Багиров В.А., Зиновьева Н.А. Современное состояние и мировой опыт сохранения генетических ресурсов сельскохозяйственных животных // Успехи наук о животных. 2024. № 1. C. 5–24.
  7. Шичкин Г.И., Бутусов Д.В. Ежегодник по племенной работе в молочном скотоводстве в хозяйствах Российской Федерации. 2022 год. М.: ВНИИ-плем, 2023. 255 с.
  8. Лискун Е.Ф. Русские отродья крупного рогатого скота. М.: Новый агроном, 1928. 211 с.
  9. Лискун Е.Ф. Отечественные породы крупного рогатого скота. М.: Гос. изд-во с.-х. лит., 1949. 176 с.
  10. Диамидов А.М., Жиркович Е.Ф. Разведение и породы крупного рогатого скота. М., 1934. 408 с.
  11. Лискун Е.Ф. Чем хорош русский северный скот. Петроград: Изд-во Наркомзема, 1919. 23 с.
  12. Сабанеев Л.П Очерки Зауралья и степное хозяйство на башкирских землях. М.: типография В. Гогье, 1873. 162 с.
  13. Felius M. Cattle Breeds – an Encyclopedia. Doetinchem: Senefelder Mis- set., 1995.
  14. Абдельманова А.С., Харзикова В.Р., Форнара М.С. и др. Оценка генетических взаимосвязей пород крупного рогатого скота черно-пестрого корня с предковыми популяциями на основе полно-геномного SNP-генотипирования современных и музейных образцов // С.-хоз. биология. 2024. Т. 59. № 4. C. 605–619. https://doi.org/10.15389/agrobiology.2024.4.605rus
  15. Zinovieva N.A., Dotsev A.V., Sermyagin A.A. et al. Study of genetic diversity and population structure of five Russian cattle breeds using whole-genome SNP analysis // Sel’skokhozyaistvennaya Biologiya [Agricultural Biology]. 2016. № 51 (2). P. 788–800. https://doi.org/10.15389/agrobiology.2016.6.788eng
  16. Sermyagin A.A., Dotsev A.V., Gladyr E.A. et al. Whole-genome SNP analysis elucidates the genetic structure of Russian cattle and its relationship with Eurasian taurine breeds // Genetics, Selection, Evolution. 2018. № 50. P. 37. https://doi.org/10.1186/s12711-018-0408-8
  17. Yurchenko A., Yudin N., Aitnazarov R. et al. Genome-wide genotyping uncovers genetic profiles and history of the Russian cattle breeds // Heredity. 2018. № 120(2). P. 125–137. https://doi.org/10.1038/s41437-017-0024-3
  18. Abdelmanova A.S., Kharzinova V.R., Volkova V.V. et al. Genetic diversity of historical and modern populations of Russian cattle breeds revealed by microsatellite analysis // Genes. 2020. № 11. P. 940. https://doi.org/10.3390/genes11080940
  19. Zinovieva N.A., Dotsev A.V., Sermyagin A.A. et al. Selection signatures in two oldest Russian native cattle breeds revealed using high-density single nucleotide polymorphism analysis // PLoS One. 2020. № 15 (11). https://doi.org/10.1371/journal.pone.0242200
  20. Wandeler P., Hoeck P.E., Keller L.F. Back to the future: Museum specimens in population genetics // Trends in Ecology & Evolution. 2007. № 22 (12). P. 634–642. https://doi.org/10.1016/j.tree.2007.08.017
  21. McHugo G.P., Dover M.J., MacHugh D.E. Unlocking the origins and biology of domestic animals using ancient DNA and paleogenomics // BMC Biol. 2019. V. 17. № 1. P. 98. https://doi.org/10.1186/s12915-019-0724-7
  22. Kijas J.W., Lenstra J.A., Hayes B. et al. Genome-wide analysis of the world’s sheep breeds reveals high levels of historic mixture and strong recent selection // PLoS Biol. 2012. № 10 (2). https://doi.org/10.1371/journal.pbio.1001258
  23. Qanbari S., Gianola D., Hayes B. et al. Application of site and haplotype-frequency based approaches for detecting selection signatures in cattle // BMC Genomics. 2011. № 12. P. 318. https://doi.org/10.1186/1471-2164-12-318
  24. Yurchenko A.A., Daetwyler H.D., Yudin N. et al. Scans for signatures of selection in Russian cattle breed genomes reveal new candidate genes for environmental adaptation and acclimation // Sci. Rep. 2018. № 8. https://doi.org/10.1038/s41598-018-31304-w
  25. Ruvinskiy D., Igoshin A., Yurchenko A. et al. Resequencing the Yaroslavl cattle genomes reveals signatures of selection and a rare haplotype on BTA28 likely to be related to breed phenotypes // Animal Genet. 2022. № 53 (5). P. 680–684. https://doi.org/10.1111/age.13230
  26. Трухачев В.И., Боронецкая О.И., Остапчук А.М. и др. Краннологическая коллекция Музея животноводства им. Е.Ф. Лискуна как объект изучения морфологических, генетических и зоотехнических особенностей пород крупного рогатого скота // Аграрная наука. 2023. № 368 (3). C. 22–31. https://doi.org/10.32634/0869-8155-2023-368-3-22-31
  27. Purcell S., Neale B., Todd-Brown K. et al. PLINK: A tool set for whole-genome association and population-based linkage analyses // Am. J. Hum. Genet. 2007. V. 81. № 3. P. 559–575. https://doi.org/10.1086/519795
  28. Zhao F., McParland S., Kearney F. et al. Detection of selection signatures in dairy and beef cattle using high-density genomic information // Genet. Sel. Evol. 2015. V. 47. P. 49. https://doi.org/10.1186/s12711-015-0127-3
  29. Sabeti P.C., Varilly P., Fry B. et al. Genome-wide detection and characterization of positive selection in human populations // Nature. 2007. № 449 (7164). P. 913–918. https://doi.org/10.1038/nature06250
  30. Gautier M., Klassmann A., Vitalis R. REHH 2.0: A reimplementation of the R package REHH to detect positive selection from haplotype structure // Mol. Ecol. Res. 2017. № 17. P. 78–90. https://doi.org/10.1111/1755-0998.12634
  31. McLaren W., Gil L., Hunt S.E. et al. The ensemble variant effect predictor // Genome Biol. 2016. V. 17. № 1. P. 122. https://doi.org/10.1186/s13059-016-0974-4
  32. Smedley D., Haider S., Durinck S. The BioMart community portal: an innovative alternative to large, centralized data repositories // Nucl. Acids Res. 2015. V. 43. P. 589–598. https://doi.org/10.1093/nar/gkv350
  33. Zerbino D.R., Achuthan P., Akanni W. et al. Ensembl 2018 // Nucl. Acids Res. 2018. V. 46. Is. D1. P. D754–D761. https://doi.org/10.1093/nar/gkx1098
  34. Perez G., Barber G.P., Benet-Pages A. et al. The UCSC genome browser database: 2025 update // Nucl. Acids Res. 2025. № 6: 53. P. D1243–D1249. https://doi.org/10.1093/nar/gkae974
  35. Huang D., Sherman B., Lempicki R. Systematic and integrative analysis of large gene lists using DAVID bioinformatics resources // Nat. Protoc. 2009. V. 4. P. 44–57. https://doi.org/10.1038/nprot.2008.211
  36. Huang D.W., Sherman B.T., Lempicki R.A. Bioinformatics enrichment tools: Paths toward the comprehensive functional analysis of large gene lists // Nucl. Acids Res. 2009. V. 37. № 1. P. 1–13. https://doi.org/10.1093/nar/gkn923.
  37. Hu Z.-L., Park C.A., Reecy J.M. Bringing the Animal QTLdb and CorrDB into the future: Meeting new challenges and providing updated services // Nucl. Acids Res. 2022. V. 50. Is. D1. P. D956–D961. https://doi.org/10.1093/nar/gkab1116
  38. NCBI Resource Coordinators: Database resources of the National Center for Biotechnology Information // Nucl. Acids Res. 2016. V. 44. Is. D1. P. D7–D19. https://doi.org/10.1093/nar/gkv1290
  39. Safran M., Rosen N., Twik M. et al. The GeneCards suite // Practical Guide to Life Science Databases. Singapore: Springer, 2022. P. 27–56. https://doi.org/10.1007/978-981-16-5812-9_2
  40. Ruch P., Teodoro D. UniProt: The universal protein knowledgebase in 2021 // Nucl. Acids Res. 2021. V. 49. Is. D1. P. D480–D489. https://doi.org/10.1093/nar/gkaa1100.
  41. Lim D., Kim N., Lee S. et al. Characterization of genes for beef marbling based on applying gene coexpression network // Int. J. Genomics. 2014. P. 1–10. https://doi.org/10.1155/2014/708562
  42. Atashi H., Chen Y., Wilmot H. et al. Single-step genome-wide association for selected milk fatty acids in Dual-Purpose Belgian Blue cows // J. Dairy Sci. 2023. № 106 (9). P. 6299–6315. https://doi.org/10.3168/jds.2022-22432
  43. Gonzalez Guzman J.L., Lázaro S.F., do Nascimento A.V. et al. Genome-wide association study applied to type traits related to milk yield in water buffaloes (Bubalus bubalis) // J. Dairy Sci. 2020. № 103 (2). P. 1642–1650. https://doi.org/10.3168/jds.2019-16499
  44. Rodrigues G.R.D., Brito L.F., Mota L.F.M. et al. Genome-wide association studies and functional annotation of pre-weaning calf mortality and reproductive traits in Nellore cattle from experimental selection lines // BMC Genomics. 2024. № 18. V. 25: 1196. https://doi.org/10.1186/s12864-024-1113-4
  45. Ren H., He X., Lu Y. et al. Unveiling the common loci for six body measurement traits in Chinese Wenshan cattle // Front. Genet. 2023. V. 14. https://doi.org/10.3389/fgene.2023.1318679
  46. Lau L.Y., Nguyen L.T., Reverter A. et al. Gene regulation could be attributed to TCF3 and other key transcription factors in the muscle of pubertal heifers // Vet. Med. Sci. 2020. V. 6. Is. 4. P. 695–710. https://doi.org/10.1002/vms3.278
  47. Youssef O.A., Safran S.A., Nakamura T. et al. Potential role for snORNAs in PKR activation during metabolic stress // Proc. Natl Acad. Sci. 2015. V. 112 (16). P. 5023–5028. https://doi.org/10.1073/pnas.1424044112
  48. Ozaki H., Loenneke J.P., Buckner S.L., Abe T. Muscle growth across a variety of exercise modalities and intensities: Contributions of mechanical and metabolic stimuli // Med. Hypotheses. 2016. № 88. P. 22–26. https://doi.org/10.1016/j.mehy.2015.12.026
  49. Terakado A.P.N., Costa R.B., de Camargo G.M.F. et al. Genome-wide association study for growth traits in Nelore cattle // Animal. 2018. V. 12. Is. 7. P. 1358–1362. https://doi.org/10.1017/S1751731117003068
  50. Khan M.Z., Chen W., Naz S. et al. Determinant genetic markers of semen quality in livestock // Front. Endocrinol. (Lausanne). 2024. V. 15. https://doi.org/10.3389/fendo.2024.1456305
  51. Karuthadurai T., Das D.N., Kumaresan A. et al. Sperm transcripts associated with odorant binding and olfactory transduction pathways are altered in breeding bulls producing poor-quality semen // Front. Vet. Sci. 2022. V. 9. https://doi.org/10.3389/fvets.2022.799386
  52. Rafter P., Gormley I.C., Purfield D. et al. Genome-wide association analyses of carcass traits using copy number variants and raw intensity values of single nucleotide polymorphisms in cattle // BMC Genomics. 2021. V. 22 (1). P. 757. https://doi.org/10.1186/s12864-021-08075-2.
  53. Taye M., Lee W., Jeon S. et al. Exploring evidence of positive selection signatures in cattle breeds selected for different traits // Mamm. Genome. 2017. V. 28. P. 528–541. https://doi.org/10.1007/s00335-017-9715-6
  54. Marina H., Pelayo R., Suárez-Vega A. et al. Genome-wide association studies (GWAS) and post-GWAS analyses for technological traits in Assaf and Churra dairy breeds // J. Dairy Sci. 2021. V. 104 (11). P. 11850–11866. https://doi.org/10.3168/jds.2021-20510
  55. Jaton C., Schenkel F.S., Sargolzaei M. et al. Genome-wide association study and in silico functional analysis of the number of embryos produced by Holstein donors // J. Dairy Sci. 2018. V. 101 (8). P. 7248–7257. https://doi.org/10.3168/jds.2017-13848
  56. Ai H., Fang X., Yang B. et al. Adaptation and possible ancient interspecies introgression in pigs identified by whole-genome sequencing // Nat. Genet. 2015. V. 47. P. 217–225. https://doi.org/10.1038/ng.3199
  57. Jung E.J., Park H.B., Lee J.B. et al. Genome-wide association analysis identifies quantitative trait loci for growth in a Landrace purebred population. // Animal Genet. 2014. V. 45 (3). P. 442–444. https://doi.org/10.1111/age.12117

补充文件

附件文件
动作
1. JATS XML
下载

版权所有 © Russian Academy of Sciences, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».