提高黄羽肉种鸡合格种蛋数的选育方法、模型及选育系统

技术领域

本发明属于家禽养殖技术领域，具体涉及一种提高黄羽肉种鸡合格种蛋数的选育方法、模型及选育系统。

背景技术

家禽育种工作分为“选种”和“选配”两步。目前我国传统黄羽肉种鸡产蛋性状的“选种”过程一般以家系选择为主，该方法只能利用一个世代的系谱信息，选种准确性有限。利用混合线性模型进行个体遗传评估的方法尚未黄羽肉种鸡育种中普及。该方法的主要缺点是其统计学前提认为父母传递等量的遗传信息给子代，事实上双亲对所有后裔的遗传贡献均不相同，基于该假设的混合线性模型对个体加性遗传效应(即育种值)解析精度会受影响。当下黄羽肉种鸡选育工作，注重“选种”过程，往往忽略“选配”的作用，而选配是否得当，闭锁群体近交程度能否得到有效控制，往往更能影响群体的遗传进展。

因此，基于上述技术问题需要设计一种新的提高黄羽肉种鸡合格种蛋数的选育方法、模型及选育系统。

发明内容

本发明的目的是提供一种提高黄羽肉种鸡合格种蛋数的选育方法、模型及选育系统。

为了解决上述技术问题，本发明提供了一种提高黄羽肉种鸡合格种蛋数的选育方法，包括：

收集并整理鸡群的相应数据；

根据鸡群的相应数据建立个体遗传评估的神经网络模型；

根据神经网络模型对个体遗传效应解析；以及

根据近交约束进行鸡群配种。

进一步，所述收集并整理鸡群的相应数据的方法包括：

构建产蛋数据文件，该产蛋数据文件包括：

每只鸡的世代、性别、个体编号、父亲编号、母亲编号、总产蛋数、破壳蛋数、软壳蛋数和畸形蛋数；

记录鸡群中每只鸡每日产蛋情况，包括：是否产蛋及蛋的状态；

所述蛋的状态包括：畸形蛋、软壳蛋、破壳蛋；

以鸡群群体产蛋率达到预设百分比时为开产日龄，统计群体开产日龄至预设周龄每只鸡总产蛋数；

鸡群性状记录中剔除系谱记录不完整和个体总产蛋数位于群体均值三倍标准差以外的个体后，保留每只鸡的世代、性别、个体编号、父亲编号、母亲编号、总产蛋数、破壳蛋数、软壳蛋数和畸形蛋数。

进一步，所述根据鸡群的相应数据建立个体遗传评估的神经网络模型的方法包括：

所述神经网络模型为：

ANNs＝c(a，h

其中，c为含接触层、隐含层和输出层的数据集；a为模型接触层神经元；h

神经网络各层连接权初始权重设置为0.5，约束权重系数介于0.35～0.65之间；

使用累积方差作为神经网络模型精度评价的指标：

其中，y′

当e小于给定的限度后，认为神经网络模型收敛，达到精度要求。

进一步，所述根据神经网络模型对个体遗传效应解析的方法包括：

获取产蛋数据文件；

初始化神经网络模型；

利用总产蛋数训练神经网络模型，以获取总产蛋数育种值；

利用破壳蛋数训练神经网络模型，以获取破壳蛋数育种值；

利用软壳蛋数训练神经网络模型，以获取软壳蛋数育种值；利用畸形蛋数训练神经网络模型，以获取畸形蛋数育种值；

根据总产蛋数育种值、破壳蛋数育种值、软壳蛋数育种值和畸形蛋数育种值获取综合育种值，即

EBV＝总产蛋数EBV*x+破壳蛋EBV*y+软壳蛋EBV*z+畸形蛋EBV*u；

其中，x为总产蛋数育种值的权重(可以为0.8)；y为破壳蛋数育种值的权重；z为软壳蛋数育种值的权重；u为畸形蛋数育种值的权重。

进一步，所述根据近交约束进行鸡群配种的方法包括：

根据产蛋数据文件获取个体近交系数，根据个体近交系数的均值获取群体近交系数：

其中，F

对近交系数的约束，分别约束个体最大近交增量(F

综合育种值最小遗传进展为综合育种值标准差的0.5倍；

在满足近交系数约束和最小遗传进展约束的前提下，闭锁选育群体两个世代进行同质选配，即

综合育种值最高的公鸡配综合育种值最高的母鸡，公母比大于1:3；

后续世代进行“随机选配”，即公鸡与母鸡随机组合组建家系，公母比大于1:3。

第二方面，本发明还提供一种个体遗传评估的神经网络模型，

所述神经网络模型为：

ANNs＝c(a，h

其中，c为含接触层、隐含层和输出层的数据集；a为模型接触层神经元；h

神经网络各层连接权初始权重设置为0.5，约束权重系数介于0.35～0.65之间；

使用累积方差作为神经网络模型精度评价的指标：

其中，y′

当e小于给定的限度后，认为神经网络模型收敛，达到精度要求。

第三方面，本发明还提供一种提高黄羽肉种鸡合格种蛋数的选育系统，包括：

收集模块，收集并整理鸡群的相应数据；

模型构建模块，根据鸡群的相应数据建立个体遗传评估的神经网络模型；

解析模块，根据神经网络模型对个体遗传效应解析；以及

选育配种模块，根据近交约束进行鸡群配种。

进一步，所述选育系统适于采用上述的提高黄羽肉种鸡合格种蛋数的选育方法对鸡群进行选育配种。

本发明的有益效果是，本发明通过收集并整理鸡群的相应数据；根据鸡群的相应数据建立个体遗传评估的神经网络模型；根据神经网络模型对个体遗传效应解析；以及根据近交约束进行鸡群配种，实现了克服传统混合线性模型缺点，充分解析加性和非加性遗传效应，能自动进化的选育体系，来应对黄羽肉种鸡大规模育种中的大量复杂数据，以提高黄羽肉种鸡合格种蛋数。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所涉及的提高黄羽肉种鸡合格种蛋数的选育方法的流程图；

图2是本发明所涉及的神经网络模型求解方法流程图；

图3是本发明所涉及的提高黄羽肉种鸡合格种蛋数的选育系统的原理框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

图1是本发明所涉及的提高黄羽肉种鸡合格种蛋数的选育方法的流程图。

如图1所示，本实施例1提供了一种提高黄羽肉种鸡合格种蛋数的选育方法，包括：收集并整理鸡群的相应数据；根据鸡群的相应数据建立个体遗传评估的神经网络模型；根据神经网络模型对个体遗传效应解析；以及根据近交约束进行鸡群配种，实现了利用多世代系谱信息，克服传统混合线性模型缺点，提高个体遗传评估准确性，充分解析加性和非加性遗传效应，结合个体遗传评定结果能自动进化的选育体系实现精准选配，来应对黄羽肉种鸡大规模育种中的大量复杂数据，以提高黄羽肉种鸡合格种蛋数。

在本实施例中，所述收集并整理鸡群的相应数据的方法包括：待选育群体至少有2个世代的系谱记录，个体(每只鸡)均有生产成绩记录，公鸡产蛋成绩用全同胞母鸡产蛋均值代替；构建产蛋数据文件，该产蛋数据文件包括：每只鸡的世代、性别、个体编号、父亲编号、母亲编号、总产蛋数、破壳蛋数、软壳蛋数和畸形蛋数；记录鸡群中每只鸡每日产蛋情况，包括：是否产蛋及蛋的状态；所述蛋的状态包括：畸形蛋(蛋重小于35g或大于60g的种蛋)、软壳蛋、破壳蛋；以鸡群群体产蛋率达到预设百分比(例如5％)时为开产日龄，统计群体开产日龄至预设周龄(例如66周龄)每只鸡总产蛋数；鸡群性状记录中剔除系谱记录不完整和个体总产蛋数位于群体均值三倍标准差(正负三倍标准差)以外的个体后，保留每只鸡的世代、性别、个体编号、父亲编号、母亲编号、总产蛋数、破壳蛋数、软壳蛋数和畸形蛋数，将数据存储为“eggNumber.txt”。

在本实施例中，所述根据鸡群的相应数据建立个体遗传评估的神经网络模型的方法包括：

所述神经网络模型为：

ANNs＝c(a，h

其中，c为含接触层、隐含层和输出层的数据集；a为模型接触层神经元；h

神经网络各层连接权初始权重设置为0.5，约束权重系数介于0.35～0.65之间；选取sigmoid函数作为激活函数；

使用累积方差作为神经网络模型精度评价的指标：

其中，y′

当e小于给定的限度后，认为神经网络模型收敛，达到精度要求，便预更精确的对个体遗传效应解析。

图2是本发明所涉及的神经网络模型求解方法流程图。

在本实施例中，所述根据神经网络模型对个体遗传效应解析的方法包括：获取产蛋数据文件；初始化神经网络模型；利用总产蛋数训练神经网络模型，以获取总产蛋数育种值；利用破壳蛋数训练神经网络模型，以获取软壳蛋数育种值；利用畸形蛋数训练神经网络模型，以获取畸形蛋数育种值；根据总产蛋数育种值、软壳蛋数育种值、畸形蛋数育种值获取综合育种值，即

EBV＝总产蛋数EBV*x+破壳蛋EBV*y+软壳蛋EBV*z+畸形蛋EBV*u；

其中，x为总产蛋数育种值的权重(可以为0.8)；y为破壳蛋数育种值的权重(可以为0.05)；z为软壳蛋数育种值的权重(可以为0.05)；u为畸形蛋数育种值的权重(可以为0.1)；总产蛋数EBV为总产蛋数育种值；破壳蛋EBV为破壳蛋数育种值；软壳蛋EBV为软壳蛋数育种值；畸形蛋EBV为畸形蛋数育种值；

神经网络模型求解方法如图2所示；其中，性状记录文件共含9列数据，分别为：世代、性别、个体编号、父亲编号、母亲编号、总产蛋数、破壳蛋数、软壳蛋数和畸形蛋数；

通过“newff”函数初始化神经网络模型：设置神经网络接触层神经元数量为3，隐含层层数为系谱记录的世代数k减去1，每个隐含层神经元数量为该世代家系数N

通过“train”函数训练各性状模型：所有性状均采用相同系谱数据，即eggNumber.txt文件第3～5列；总产蛋数、破壳蛋数、软壳蛋数和畸形蛋数响应模型训练依次使用eggNumber.txt文件中第6～10列数据，并将训练后的模型分别命名为：enNet.train，ceNet.train，seNet.train和deNet.train；模型最大迭代次数为1000次。

通过“sim”函数训练各性状模型：总产蛋数、破壳蛋数、软壳蛋数和畸形蛋数育种值求解分别使用上述enNet.train，ceNet.train，seNet.train和deNet.train模型；与前述步骤使用相同系谱；求解后的育种值数据集分别命名为：eggNumberEBV，crackEggEBV，softEggEBV和deformEggEBV。

将总产蛋数、破壳蛋、软壳蛋合和畸形蛋依次分配0.8、0.05、0.05和0.1的权重，计算综合育种值，即：EBV＝总产蛋数EBV*0.8+破壳蛋EBV*0.05+软壳蛋EBV*0.05+畸形蛋EBV*0.1。

在本实施例中，所述根据近交约束进行鸡群配种的方法包括：根据产蛋数据文件获取个体近交系数，根据个体近交系数的均值获取群体近交系数：

其中，F

对近交系数的约束，分别约束个体最大近交增量(F

综合育种值最小遗传进展为综合育种值标准差的0.5倍；

在满足近交系数约束和最小遗传进展约束的前提下，闭锁选育群体两个世代进行同质选配，即

综合育种值最高的公鸡配综合育种值最高的母鸡，公母比大于1:3；

后续世代进行“随机选配”，即公鸡与母鸡随机组合组建家系，公母比大于1:3。

个体近交系数的计算依据通径系数原理计算：

其中F

个体近交系数的计算方法为：

构建临时系谱文件，该文件共3列数据，分别为个体编号、父亲编号和母亲编号，

利用inbreeding函数求解个体近交系数，输出个体近交系数结果到文件“fx.txt”，

收集上述种鸡后裔相应性状记录，代入已建立的模型重复上述步骤，再次训练模型，如此循环往复实现神经网络模型的进化。

本实施例中，结合具体的案例进行说明：

案例1：青脚麻鸡母系产蛋性能选育；

本实施例选用江苏立华牧业股份有限公司的青脚麻鸡配套系母系公鸡，进行66周龄总产蛋数选育。

1，已知群体性别、系谱和66周产蛋数如下表1：

表1：青脚麻鸡母系产蛋表

2，表型数据的清洗：

计算群体66周产蛋数均值为168.8枚，标准差为6.12。个体4014产蛋数为150，小于群体均值-3倍标准差，将该个体从群体中剔除。将上述数据存储为文本文档格式，并命名为“eggNumber.txt”。

3，建立个体遗传评估的神经网络模型：

神经网络模型的建立和求解方法包括：首先输入代码：library(AMORE)；

读取产蛋数据文件：myData<-read.table("eggNumber.txt"，header＝T)；

调整数据格式：myData<-myData[，3:9]

建立神经网络模型，其中接触层含有4个神经元，三个隐含层分别含有8，4，2个神经元，输出层含有1个神经元：myNet<-newff(n.neurons＝c(4，8，4，2，1)，learning.rate.global＝0.01，error.criterium＝"LMS"，hidden.layer＝"sigmoid"，output.layer＝"purelin"，method＝"ADAPTgd")；

求取总产蛋数育种值：

训练模型：enNet.train<-train(myNet，P＝myData[，1:3]，T＝mydata[，4]，.shows＝100，show.step＝1000)；

求取育种值enEBV<-sim(myNet.train$net，myData[，1:3])；

求取破壳蛋育种值：

训练模型：ceNet.train<-train(myNet，P＝mydata[，1:3]，T＝mydata[，5]，.shows＝100，show.step＝1000)；

求取育种值ceEBV<-sim(myNet.train$net，mydata[，1:3])；

求取软壳蛋育种值：

训练模型：seNet.train<-train(myNet，P＝mydata[，1:3]，T＝mydata[，6]，.shows＝100，show.step＝1000)；

求取育种值seEBV<-sim(myNet.train$net，mydata[，1:3])；

求取畸形蛋育种值：

训练模型：deNet.train<-train(myNet，P＝mydata[，1:3]，T＝mydata[，7]，.shows＝100，show.step＝1000)；

求取育种值deEBV<-sim(myNet.train$net，mydata[，1:3])；

经计算，四世代总产蛋数、破壳蛋、软壳蛋和畸形蛋的个体遗传成绩如下表2：

表2：青脚麻鸡个体遗传成绩表

4，计算个体综合育种值，EBV＝总产蛋数*0.8+破壳单*0.05+软壳蛋*0.05+畸形蛋*0.1，依据综合育种值高低。计算可得4001、4002、4011、4112、4113和4114个体综合育种值为：9.34、7.40、6.93、5.46、5.28和4.96。

选留1只公鸡和3只母鸡：公鸡为4001，母鸡分别为：4002、4112和4113，多留一只母鸡4011号作为后备母鸡。

5，计算待留种个体近交系数：

本步骤的方法包括：输入代码：library(pedigreeTools)；

读取系谱文件：myPed<-read.table("eggNumber.txt"，header＝T)[3:5]；

计算个体近交系数：myFx<-inbreeding(myPed)；

输出个体近交系数结果到文件“fx.txt”，输入代码：write.table(myFx，"fx.txt")

查询fx.txt可知，4001公鸡与四只候选母鸡的后裔近交系数分别为：0.5、0.25、0.25和0.25，控制群体近交增量为0.375，则放弃母鸡4002，采用4112、4113和4011号母鸡作为候选鸡；控制最小遗传进展为7.4枚，则放弃母鸡4113，采用4112、4113和4011号母鸡作为候选鸡，完成继代纯繁，下一世代期望遗传进展为(9.34*2+6.93+5.46)/4＝7.77枚。

6，后裔成绩收集：

待第五世代开产，收集产蛋成绩至66周龄，将第五世代产蛋记录添加至文件eggNumber.txt，重复3，算出第五世代个体育种值。由于第五世代数据加入，模型会更加稳健。

案例2：黄脚麻鸡通用母系产蛋性能选育

本实施例选用江苏立华牧业股份有限公司的黄脚麻鸡配套系通用母系公母鸡，进行43周龄总产蛋数选育。

1，已知群体性别、系谱和43周产蛋数如下表3：

表3：黄脚麻鸡母系产蛋表

2，表型数据的清洗：

计算群体43周产蛋数均值为109.5枚，标准差为10.2。个体产蛋数均位于均值三倍标准差以内，不需删除异常数据。将上述数据存储为文本文档格式，并命名为“eggNumber.txt”。

3，建立个体遗传评估的神经网络模型：

神经网络模型有两个隐含层分别含有4和2个神经元，其余操作步骤和参数均与案例1中步骤3一致。

4，依据育种值高低：

查阅myEBV.txt可得第三世代15个个体育种值排序结果如表4所示：

表4：黄脚麻鸡个体育种值表

依据综合育种值排序结果，选留A3005号公鸡，A3002、A3004和3008号母鸡，A3102母鸡作为备选。

5，计算待留种个体近交系数：

操作步骤同案例1中步骤5。

查询fx.txt可知，A3005公鸡与A3002、A3004、3008和A3102母鸡的后裔近交系数分别为：0.25、0.25、0.25、和0，控制群体近交增量为0.375，候选公鸡与候选母鸡配套合适。控制最小遗传进展为3.5，则放弃备选母鸡A3102。后代预期遗传进展为：(6.6*3+2.64+2.31+0.44)/4＝6.30枚。

6，后裔成绩收集：

待第四世代开产，收集产蛋成绩至43周龄，将第五世代产蛋记录添加至文件eggNumber.txt，重复3，算出第五世代个体育种值。由于第五世代数据加入，模型会更加稳健。

与其他选育方法效果对比：种鸡产蛋性能属于低遗传力性状，其产蛋成绩容易受环境变化影响。最原始的选育方法为个体表型选择，选择准确性很低，几乎无法带来遗传进展；家系选择是目前鸡育种工作中最常用的选育方法，其缺点是只能利用一个世代的系谱信息，对育种数据造成极大的浪费。基于混合线性模型的育种值选择可以部分校正不同生产环境(如场，年和季节)等影响，并可以利用所有系谱信息，提高了个体遗传评估的准确性。基于传统系谱的混合模型，其计算前提是认为父母各贡献一半的遗传信息给子代，基于该假设构建亲缘关系矩阵(即A矩阵)，利用A矩阵完成混合模型方程的解析。事实上父母传递给子代的遗传信息各不相同，即便是全同胞个体，其基因组序列同样存在差异。神经网络可以构建多个隐含层，两层以上的隐含层即可模拟复杂数学模型，为个体遗传精准评估提供了机会。

分别用传统选育方法和案例中方法进行对比，如表5所示：

表5：对比表：

本实施例采用的提高黄羽肉种鸡合格种蛋数的选育方法可以在选种准确性、后裔遗传进展等方面均有提升。

在本实施例中，上述提高黄羽肉种鸡合格种蛋数的选育方法中所涉及的各个参数的具体含义如下表所示：

实施例2

在实施例1的基础上，本实施例2还提供一种个体遗传评估的神经网络模型，

所述神经网络模型为：

ANNs＝c(a，h

其中，c为含接触层、隐含层和输出层的数据集；a为模型接触层神经元；h

神经网络各层连接权初始权重设置为0.5，约束权重系数介于0.35～0.65之间；

使用累积方差作为神经网络模型精度评价的指标：

其中，y′

当e小于给定的限度后，认为神经网络模型收敛，达到精度要求。

实施例3

图3是本发明所涉及的提高黄羽肉种鸡合格种蛋数的选育系统的原理框图。

如图3所示，在实施例1和实施例2的基础上，本实施例3还提供一种提高黄羽肉种鸡合格种蛋数的选育系统，包括：收集模块，收集并整理鸡群的相应数据；模型构建模块，根据鸡群的相应数据建立个体遗传评估的神经网络模型；解析模块，根据神经网络模型对个体遗传效应解析；以及选育配种模块，根据近交约束进行鸡群配种。

在本实施例中，所述选育系统适于采用上述的提高黄羽肉种鸡合格种蛋数的选育方法对鸡群进行选育配种。

综上所述，本发明通过收集并整理鸡群的相应数据；根据鸡群的相应数据建立个体遗传评估的神经网络模型；根据神经网络模型对个体遗传效应解析；以及根据近交约束进行鸡群配种，实现了克服传统混合线性模型缺点，充分解析加性和非加性遗传效应，能自动进化的选育体系，来应对黄羽肉种鸡大规模育种中的大量复杂数据，以提高黄羽肉种鸡合格种蛋数。

在本申请所提供的几个实施例中，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。