Идентификация генов, ассоциированных с цветовыми характеристиками мясной и жировой ткани скота абердин-ангусской породы

В настоящее время полногеномные ассоциативные исследования и выявление генов-кандидатов по хозяйственно полезным признакам у сельскохозяйственных животных являются актуальными, научно обоснованными и практико-ориентированными, а также выполняют одну из задач Стратегии научно-технического развития Российской Федерации. В данной статье приведены результаты GWAS по цветовым спектральным значениям мяса и жировой ткани крупного рогатого скота абердин-ангусской породы, известной своими мясными характеристиками высокого сорта. Генотипирование животных осуществлялось на чипах высокой плотности BovineHD Genotyping BeadChip, содержащих ≈53 тыс. SNP. После контроля качества их осталось 39 928. По результатам анализа и структурной аннотации были выявлены 25 и 26 генов-кандидатов по цвету мяса и жира соответственно. По функциональной аннотации гены были разделены на 6 групп: функции нервной системы, развитие органов, сосудов, суставов, метаболические процессы и биосинтез, клеточные процессы, мышцы, ткани и кости, репродуктивные свойства и эмбриональное развитие. Полученные гены проверили через базу данных Animal QTL, в результате которого подтверждение нашли 13 генов, из них внутри 3 локализованы SNP, в связи с чем гены LRP2, SCIN и ANTXR1 имеют преимущества для дальнейшего их применения в молекулярной диагностике крупного рогатого скота не только мясного, но и молочного направления продуктивности.

1. Ramanathan R., Suman S.P., Faustman C. Biomolecular Interactions Governing Fresh Meat Color in Post-mortem Skeletal Muscle: A Review. Journal of Agricultural and Food Chemistry. 2020; 68(46): 12779–12787. https://doi.org/10.1021/acs.jafc.9b08098

2. Ramanathan R. et al. Economic Loss, Amount of Beef Discarded, Natural Resources Wastage, and Environmental Impact Due to Beef Discoloration. Meat and Muscle Biology. 2022; 6(1): 13218. https://doi.org/10.22175/mmb.13218

3. Hernández B., Sáenz C., Diñeiro J.M., Alberdi Odriozola C. CIELAB color paths during meat shelf life. Meat Science. 2019; 157: 107889. https://doi.org/10.1016/j.meatsci.2019.107889

4. Girolami A., Napolitano F., Faraone D., Braghieri A. Measurement of meat color using a computer vision system. Meat Science. 2013; 93(1): 111–118. https://doi.org/10.1016/j.meatsci.2012.08.010

5. Tomasevic I. et al. Evaluation of poultry meat colour using computer vision system and colourimeter: Is there a difference? British Food Journal. 2019; 121(5): 1078–1087. https://doi.org/10.1108/BFJ-06-2018-0376

6. Trinderup C.H., Kim Y.H.B. Fresh meat color evaluation using a structured light imaging system. Food Research International. 2015; 71: 100–107. https://doi.org/10.1016/j.foodres.2015.02.013

7. Gagaoua M., Picard B., Monteils V. Associations among animal, carcass, muscle characteristics, and fresh meat color traits in Charolais cattle. Meat Science. 2018; 140: 145–156. https://doi.org/10.1016/j.meatsci.2018.03.004

8. Белоус А.А., Сермягин А.А., Зиновьева Н.А. Цветовая характеристика мяса товарных гибридов: первые результаты. Труды Кубанского государственного аграрного университета. 2020; 86: 140–145. https://doi.org/10.21515/1999-1703-86-140-145

9. Отраднов П.И., Бардуков Н.В., Никипелов В.И., Никипелова А.К., Белоус А.А., Зиновьева Н.В. Применение морфометрических признаков для прогнозирования цветовых характеристик мяса сибирского осетра ленской популяции, разводимого в условиях установки замкнутого водоснабжения. Международный научно-исследовательский журнал. 2023; 11. https://doi.org/10.23670/IRJ.2023.137.63

10. Лисицын А.Б., Козырев И.В. Исследование цветовых характеристик мышечной и жировой ткани и мраморности говядины. Теория и практика переработки мяса. 2016; 1(4): 51–56. https://doi.org/10.21323/2414-438X-2016-1-4-51-56

11. Ветох А.Н., Джагаев А.Ю., Белоус А.А., Волкова Н.А., Зиновьева Н.А. Полногеномные ассоциативные исследования качества мяса по показателям цвета грудки у кур (Gallus gallus L.). Сельскохозяйственная биология. 2023; 58(6): 1068–1078. https://doi.org/10.15389/agrobiology.2023.6.1068rus

12. Сермягин А.А., Боголюбова Н.В., Белоус А.А., Петрякова Г.К., Елаткин Н.П., Зиновьева Н.А. Показатели мясной продуктивности, эффективности использования корма и химического состава мяса бычков абердин-ангусской породы. Аграрная наука. 2023; 12: 67–73. https://doi.org/10.32634/0869-8155-2023-377-12-67-73

13. Zhou Y. et al. Genetic variation in the gene LRP2 increases relapse risk in multiple sclerosis. Journal of Neurology, Neurosurgery and Psychiatry. 2017; 88(10): 864–868. https://doi.org/10.1136/jnnp-2017-315971

14. de Luis D.A., Izaola O., Primo D., de la Fuente B., Aller R. El polimorfismo rs3123554 en el gen receptor canabinoide tipo 2 (CNR2) se relaciona con el peso corporal y la resistencia a la insulina en obesos. Endocrinología, Diabetes y Nutrición. 2017; 64(8): 440–445. https://doi.org/10.1016/j.endinu.2017.06.001

15. Ahluwalia M.K. Nutrigenetics and nutrigenomics — A personalized approach to nutrition. Advances in Genetics. 2021; 108: 277–340. https://doi.org/10.1016/bs.adgen.2021.08.005

16. Chmurzynska A., Mlodzik M.A., Radziejewska A., Szwengiel A., Malinowska A.M., Nowacka-Woszuk J. Caloric restriction can affect one-carbon metabolism during pregnancy in the rat: A transgenerational model. Biochimie. 2018; 152: 181–187. https://doi.org/10.1016/j.biochi.2018.07.007

17. Aiken C.E., Ozanne S.E. Transgenerational developmental programming. Human Reproduction Update. 2014; 20(1): 63–75. https://doi.org/10.1093/humupd/dmt043

18. Ben-Jemaa S. et al. Genome-Wide Analysis Reveals Selection Signatures Involved in Meat Traits and Local Adaptation in Semi-Feral Maremmana Cattle. Frontiers in Genetics. 2021; 12: 675569. https://doi.org/10.3389/fgene.2021.675569

19. Lonergan E.H., Zhang W., Lonergan S.M. Biochemistry of postmortem muscle — Lessons on mechanisms of meat tenderization. Meat Science. 2010; 86(1): 184–195. https://doi.org/10.1016/j.meatsci.2010.05.004

20. Chen P.R. et al. Disruption of anthrax toxin receptor 1 in pigs leads to a rare disease phenotype and protection from senecavirus A infection. Scientific Reports. 2022; 12: 5009. https://doi.org/10.1038/s41598-022-09123-x

21. Chang T. et al. A rapid and efficient linear mixed model approach using the score test and its application to GWAS. Livestock Science. 2019; 220: 37–45. https://doi.org/10.1016/j.livsci.2018.12.012

22. Белоус А.А., Сермягин А.А., Зиновьева Н.А. Система оценки мясного скота по показателям эффективности использования корма и энергии роста на основе применения цифровых и геномных технологий (обзор). Сельскохозяйственная биология. 2022; 57(6): 1055–1070. https://doi.org/10.15389/agrobiology.2022.6.1055rus

23. Galliou J.M. et al. Identification of Loci and Pathways Associated with Heifer Conception Rate in U.S. Holsteins. Genes. 2020; 11(7): 767. https://doi.org/10.3390/genes11070767

24. Wu X. et al. Genome wide association studies for body conformation traits in the Chinese Holstein cattle population. BMC Genomics. 2013; 14: 897. https://doi.org/10.1186/1471-2164-14-897

25. Kayan A. et al. Polymorphism and expression of the porcine Tenascin C gene associated with meat and carcass quality. Meat Science. 2011; 89(1): 76–83. https://doi.org/10.1016/j.meatsci.2011.04.001

26. Buitenhuis B., Janss L.L.G., Poulsen N.A., Larsen L.B., Larsen M.K., Sørensen P. Genome-wide association and biological pathway analysis for milk-fat composition in Danish Holstein and Danish Jersey cattle. BMC Genomics. 2014; 15: 1112. https://doi.org/10.1186/1471-2164-15-1112