Spatial heterogeneity of relationship between distribution of Uroteuthis chinensis and marine environment in offshore waters of northern South China Sea
-
摘要: 头足类是最具开发潜力的渔业种群之一，然而其资源易受环境变化影响，复杂的交互作用致使二者空间关系呈现非均一性。中国枪乌贼 (Uroteuthis chinensis) 是南海北部近海重要的经济物种，且在渔业群落结构中占据优势种地位，故正确理解与掌握该物种资源-环境关系的空间特征，有助于该资源的保护与利用。基于南海北部近海2014年夏季的渔业资源调查数据，构建了地理权重回归模型 (Geographical weighted regression, GWR)，探索该海域中国枪乌贼的资源分布与海洋环境关系的空间特征，阐述主要影响因子。模型评价指标结果表明，GWR的最小赤池信息准则 (Akaike Information Criterion, AIC) 和校正决定系数 (Adjusted R-Squared,
$R_{\rm{adj}}^2 $ ) 分别为224.81和0.46，均优于传统的全局线性回归模型，因此前者能更真实地反映中国枪乌贼资源-环境关系的空间异质性。整个海域，叶绿素 a对资源的影响为正负效应共存，而其余环境变量与资源均为正效应关系。资源分布在广东近海主要受海表盐度、海表温度和叶绿素 a影响，后两者分别为粤西和珠江口—粤东海域的首要影响因子，而北部湾则仅受水深显著影响。在主导环境因子影响下，中国枪乌贼资源密度区域分化特征明显，尤其是珠江口—粤东海域与其他海域差异显著。地理权重回归模型可为探索和理解复杂头足类资源与环境关系的局部特征提供有效手段。Abstract: Cephalopods are one of the most potienial fishery species but are vulnerable to environment changes, and their complex interactions lead to the spatial heterogeneity in resource-environment relationship. Uroteuthis chinensis is an important economic species in the offshore waters of northern South China Sea, occuping a dominant position in the fishery community structure. Therefore, understanding the spatial characteristics of the resource-environment relationship is beneficial to its development, utilization and protection. Based on the fishery resources survey data in the offshore waters of northern South China Sea in summer of 2014, we established a geographically weighted regression (GWR) model to explore the spatial characteristics of the relationship between the resource distribution of U. chinensis and the marine environment in this area, and to reveal the main influencing factors. The results of model evaluation indexes show that the minimum Akaike information criterion (AIC) and adjusted R-Square ($R_{\rm{adj}}^2 $ ) for GWR model were 224.81 and 0.46, respectively, both of which were better than those of the traditional global linear regression model. Thus, the GWR model could more truly reflect the spatial heterogeneity on resource-environment relationship for U. chinensis. The impact of chlorophyll a on resources was a coexistence of positive and negative effects in the whole sea, but the other environment variables had consistent positive effects on resources. The stock distribution in the coastal waters of Guangdong was mainly affected by sea surface salinity, sea surface temperature and chlorophyll a, and the latter two were the primary influencing factors in western Guangdong and Pearl River Estuary-Eastern Guangdong, respectively, but the Beibu Gulf was only significantly affected by water depth. Under the impact of dominant environmental factors, U. chinensis stock denstiy showed obvious regional differentiation characteristics, especially those in the Pearl River Estuary-Eastern Guangdong significantly different from the other areas. In conclusion, GWR model provides an effective means to explore and understand the local characteristics of cephalopod resource-environment relationship. -
黄鳝 (Monopterus albus) 属于硬骨鱼纲、合鳃鱼目、合鳃鱼科，为淡水肉食性鱼类[1]，主要分布于中国、日本、印度，以及泰国、印度尼西亚、缅甸等一些东南亚国家[2]。在我国，黄鳝分布在除青藏高原以外的广泛区域，是我国重要的名特优淡水经济鱼类之一，其肉质鲜美，具有很高的营养价值[3]。根据《中国渔业统计年鉴》数据，湖北、江西、安徽、湖南、四川是我国黄鳝养殖主产区，在2016—2020年间年均产量超30万吨，其中湖北省的产量最高，其年产量占全国的40%以上[4-8]。黄鳝通常在完成第一次产卵后会由雌性转为雄性，导致适龄繁育的雌性亲本数量稀缺，极大限制了其产业发展[9]。目前，我国黄鳝养殖主要依赖于野生苗种捕捞，质量参差不齐，这种高强度捕捞对黄鳝养殖产业的可持续性及种质资源造成了极大破坏。在育种方面，目前尚无国家认定的黄鳝养殖品种，因此开展黄鳝品种选育、筛选优良品系、进行家系管理，是当下黄鳝育种工作中的迫切需求。笔者课题组已实现黄鳝全人工繁育技术的突破，已应用于规模化育苗，并开展了家系选育工作，为下一步黄鳝良种的选育奠定了基础。
在黄鳝后续良种选育工作中，亲子鉴定及系谱管理技术是避免其近交衰退的关键技术。传统家系选育工作存在繁琐及环境差异等问题，传统标记手段也存在幼体标记困难及造成应激、损伤、脱落等问题。开发高效亲子鉴定技术可为黄鳝良种选育和种质资源保护及利用提供技术支持。亲子鉴定又称亲权鉴定，可以通过遗传特征相互验证亲本和子代之间是否存在亲缘关系。在育种生产中开展亲子鉴定可有效避免近交导致的种质退化问题。微卫星序列 (Simple sequence repeats, SSR) 具有高度的多态性、稳定性、呈共显性遗传、数量丰富且遵循孟德尔遗传定律的优点，在水生动物亲子鉴定中应用广泛。文萍等[10]使用2组微卫星多重PCR体系对黄喉拟水龟 (Mauremys mutica) 进行亲子鉴定，在父本信息未知时，母本的鉴定准确率为87%；苗贵东等[11]通过2组微卫星多重PCR体系对大菱鲆 (Scophthalmus maximus) 7个家系开展了亲子鉴定，准确率达到98.26%；谢敏敏等[12]通过建立2组微卫星多重PCR体系，对鼋 (Pelochelys cantorii) 家系进行亲子鉴定分析，得到10个位点的双亲排除率为98%；Dong等[13]为了评估中国明对虾 (Fenneropenaeus chinensis) 养殖群体亲缘鉴定的可行性，使用5个微卫星位点，获得了92.9%的鉴定成功率；辛苗苗等[14]使用7个微卫星位点对多倍体中华鲟 (Acipenser sinensis) 进行亲子鉴定分析，得到双亲累计排除率为99.99%；Yang等[15]利用10个微卫星位点对鳜 (Siniperca chuatsi) 5个全同胞家系进行了亲子鉴定，得到的实际鉴定率为95%，且随机选择了69个后代进行双盲试验，结果表明95%的子代可以正确聚类；Zhu等[16]筛选出了14个用于评价斑节对虾 (Penaeus monodon) 亲子关系的微卫星标记，并用其中多态性最高的6个微卫星标记获得了99%的鉴定准确率。
目前，黄鳝已开发出较多的微卫星标记，如刘臻等[17]通过富集文库法开发了20个微卫星标记，设计了8对4碱基重复高度多态性的微卫星引物，分析了3种不同性别表型黄鳝群体的遗传多样性；Li等[18]使用富集文库法分离了16对微卫星引物，分析了两个黄鳝自然群体的遗传多样性和群体结构；Zhang等[19]通过RAD (Restriction-site associated DNA tags，简化基因组) 测序在基因组中鉴定出了9 897个微卫星，并筛选出28对多态性引物。但上述研究开发的微卫星标记仅用于遗传多样性分析，目前尚未见利用微卫星多重PCR体系对黄鳝进行亲子鉴定的相关研究报道。本研究利用笔者课题组前期发表的高度多态性微卫星标记[20]和基于黄鳝基因组数据开发的新的微卫星标记[21]，结合繁育的黄鳝全同胞家系，建立了基于微卫星多重PCR的亲子鉴定技术，为后续黄鳝育种以及种质资源保护提供基础。
1. 材料与方法
1.1 实验材料
黄鳝样本取自中国水产科学研究院长江水产研究所窑湾基地。雌、雄亲本按照1∶1比例得到11个全同胞家系，雌、雄亲本完成繁殖后取背部肌肉于−80 ℃保存，每个家系在孵化出膜至30日龄随机选取10尾于−80 ℃保存。随机挑选4个黄鳝家系子代各10尾和随机候选亲本4尾，同样−80 ℃保存。
1.2 基因组DNA的提取
基因组DNA采用苯酚-氯仿法[22]提取，用1% (w) 琼脂糖凝胶电泳以及分光光度计检测DNA浓度及完整性。将合格的DNA用双蒸水 (ddH2O) 稀释至100 ng·μL−1，于−20 ℃保存。
1.3 多态性微卫星引物的筛选
黄鳝全基因组数据来源于中国科学院国家基因研究中心数据库 (CRA003062)。使用MISA对黄鳝全基因组序列中的完美型SSR进行检索[23]，检索标准与课题组前期筛选微卫星的标准一致。挑取了148个SSR位点，同时提取SSR位点前后200 bp的序列，使用Primer premier 3.0软件设计引物。随机选取6尾黄鳝的混合DNA为模板，进行微卫星引物的扩增效果及初步的多态性验证，共获得35对扩增效果理想的引物。另挑选课题组前期发表的具有高度多态性的15对微卫星引物，共50对微卫星引物，以参与繁殖的22尾黄鳝亲本DNA为模板进行筛选，选择扩增等位基因数较多、出峰质量较好的位点。
1.4 多重PCR体系的构建及优化
对筛选获得的16对微卫星引物进行荧光修饰 (FAM、HEX、ROX、TAMRA) ，由武汉天一辉远科技有限公司合成，以亲本DNA为模板进行多重PCR构建。构建过程中避免产生引物二聚体、发卡结构和错配等现象，优化模板DNA浓度、退火温度、延伸时间等反应条件。根据片段大小将引物分为两组，两组引物等比混合开展预实验，根据出峰结果调整引物浓度，最终确定最佳的多重PCR体系。
PCR反应体系10 μL，包含2×PCR Mix 5 μL，10 pmol·μL−1上下游引物各0.5 μL，基因组DNA 1 μL以及灭菌超纯水3 μL。扩增程序为：95 ℃预变性5 min；95 ℃变性30 s，62~53 ℃退火30 s，72 ℃延伸30 s，共10个循环，其中退火温度每次循环下降1 ℃；95 ℃变性30 s，52 ℃退火30 s，72 ℃延伸30 s，共25个循环；72 ℃延伸20 min。使用1% (w) 的琼脂糖凝胶电泳检测扩增产物的完整性，然后由ABI3730XL测序仪进行毛细管电泳检测 (由武汉天一辉远生物科技有限公司完成)，使用GeneMarker[24]读取各位点等位基因大小。
1.5 数据统计及分析
将整理的亲本与子代基因型结果导入Cervus 3.0[25]进行等位基因频率分析、模拟分析和亲子鉴定分析。模拟分析设置模拟子代数为10 000个，候选亲本数为父母本各11对，对100%的候选亲本进行抽样模拟分析，允许1%的分型错误，置信度为95%。在性别已知和未知的情况下，基于16个微卫星位点模拟分析不同候选亲本数情况下的鉴定率，设置模拟子代数目为10 000个，候选亲本数分别为20、50、100、150和200对，抽样比例为100%，允许1%的分型错误，置信度为95%。根据多态信息含量大小将16个微卫星位点排序，分析微卫星位点数与鉴定率之间的关系。统计所有子代样本在某一位点出现的所有基因型，单个样本在该位点存在对应基因型则记为1，否则记为0，构建基因型0/1矩阵，并根据该矩阵利用NTSYS软件[26]对110尾家系子代进行聚类分析。利用NTSYS软件对4个家系共40尾子代进行聚类分析，验证微卫星多重PCR体系的准确率。
其中单个位点的非亲排除率 (NEP) 由Cervus 3.0软件计算得到，累积非亲排除率 (CEP) 计算公式如下：
$$ R_{\rm{CEP}}=1-{\prod} _{i=1}^{n}{(1-R}_{\mathrm{N}\mathrm{E}\mathrm{P},i}) $$ (1) 式中：RCEP为累积非亲排除率；RNEP, i为第i个微卫星位点的NEP值；n为微卫星位点排除概率的数目。CE-1P对应用NE-1P计算，CE-2P对应用NE-2P计算，CE-PP对应用NE-PP计算。
2. 结果
2.1 微卫星的筛选与多重PCR建立
从黄鳝基因组预测的148个微卫星位点，筛选获得了扩增效果较好的微卫星引物35对。进而以30尾亲本为模板，从50对微卫星引物中筛选得到16对多态性高、扩增效果好的微卫星引物。
将筛选的16对微卫星引物进行不同组合并优化反应程序、调整引物浓度比例，最终确定2 组多重PCR (表1)。2组多重PCR的扩增效率都较好，分型结果符合预期。A组多重PCR体系各位点如见图1。
表 1 黄鳝 2 组微卫星多重PCR的引物信息Table 1. Primer information of two multiplex PCR sets of microsatellites in M. albus分组
Group位点
Locus重复单元
Reapet motif退火温度
Tm/℃引物序列
Primer sequence荧光标记
Fluorescence label片段长度
Size/bp比例
RatioA Mta027 (GCA)7 52 F: CTGCGGTAACAAGCGTATCA
R: CTGGGGATCCCAGTCAAACTFAM 147~154 3 Mta141 (GT)17 52 F: CAGAGATGGTCGACTGGTGA
R: AGAGCCATGGGAAGCACTTAFAM 185~312 2 Mta031 (ATG)8 52 F: AGAGGCAGCTCATGGACACT
R: TTCATGGCTGAGCTGACTTGFAM 242~265 3 Ma28 (ATC)7 52 F: GGGATTGTCTGGAATGCTGT
R: GTGAACCCTGAACAGACGGTHEX 144~168 3 Ma39 (GAT)8 52 F: AGGTGAAGGGGAACACACTG
R: TTGCCCTGTCCATTTTTCTCHEX 193~224 3 Ma71 (TCA)13 52 F: TCACATTGCCCAGAGAACAG
R: GGCAGCATCAAGAGACCTTCHEX 258~269 2 Ma24 (CTG)9 52 F: TCGTCTGGCTCAGAGGAGAT
4R: AGCTGCAGCAGGAGGAATACTAMRA 125~143 7 Mta026 (CAG)8 52 F5: TGAACATCCCTTCTTCCACC
R: GTCATGGGTTTGTGTTGCTGTAMRA 171~182 4 Ma85 (TGC)9 52 F: GTGGAAGAAGCTGGATGAGC
R: CACATGGGGTGTTCTCACTGTAMRA 208~236 5 Mta013 (AGG)9 52 F: GAGCGTCTTTTCCATCCTTG
R: CCTACTGCTGCTTCTGGTCCROX 131~150 4 Mta025 (GCT)7 52 F: GCCAAGCAAACGTGTGAGTA
R: AACGAGCTGCGTGTTAAGGTROX 172~184 3 Ma78 (TAAGA)5 52 F: CTGACGGTTGTGTGTAACGG
R: CACGTACGCCGGTTAAACTTROX 214~235 3 B Mta033 (TGT)7 52 F: TGGAGGCAGGAGAAGGAGTA
R: TGAAAGACTCCTCGCAACCTFAM 158~170 1 Mta021 (TGT)7 52 F: AGAGTCTTGCTCGGTTTCCA
R: AGAGTCTTGCTCGGTTTCCAFAM 201~210 1 Ma5 (TCTAC)7 52 F: TTCAGGTTCGGGACTTTGAC
R: AGACGGTTGTGTCAGGAAGGFAM 231~256 1 Mta148 (GT)15 52 F: TTTTCCCAGCAGCTGATTTC
R: CATGACAACAGGACGCAAACHEX 158~174 1 2.2 亲子鉴定分析
16个微卫星位点在黄鳝22尾亲本和110尾子代中的遗传参数如表2所示。等位基因数 (Na) 为3~9，平均等位基因数为5.562；观测杂合度和期望杂合度分别为0.421~0.771和0.382~0.797，平均观测杂合度和期望杂合度分别为0.627和0.619；多态信息含量 (PIC) 为0.347~0.766，平均多态信息含量为0.564，其中Ma71、Ma78、Mta021、Mta027和Mta033表现为中度多态性，其余11个位点均表现为高度多态性。16个位点均未偏离Hardy-Weinberg平衡。
表 2 16 个微卫星位点的遗传参数Table 2. Genetic parameters of 16 SSR loci位点
Locus等位基因数
Na观测杂合度
Ho期望杂合度
He多态信息含量
PICNE-1P NE-2P NE-PP 无效等位基因频率
FNullMa5 5 0.758 0.704 0.647 0.723 0.555 0.380 −0.037 6 Ma24 6 0.550 0.546 0.513 0.833 0.662 0.472 −0.018 2 Ma28 9 0.679 0.660 0.613 0.747 0.574 0.384 −0.017 3 Ma39 9 0.771 0.797 0.766 0.570 0.393 0.206 0.004 0 Ma71 5 0.485 0.494 0.444 0.873 0.732 0.579 0.005 4 Ma78 4 0.489 0.490 0.401 0.880 0.780 0.662 −0.001 5 Ma85 8 0.583 0.717 0.676 0.682 0.504 0.308 0.106 6 Mta013 4 0.583 0.647 0.586 0.775 0.615 0.444 0.046 6 Mta021 4 0.667 0.578 0.485 0.830 0.714 0.574 −0.076 9 Mta025 4 0.652 0.588 0.522 0.822 0.676 0.517 −0.055 4 Mta026 4 0.636 0.621 0.545 0.799 0.657 0.498 −0.020 5 Mta027 3 0.432 0.382 0.347 0.928 0.803 0.675 −0.086 5 Mta031 8 0.756 0.746 0.714 0.640 0.457 0.259 −0.019 3 Mta033 4 0.606 0.509 0.430 0.870 0.756 0.625 −0.100 9 Mta141 8 0.735 0.764 0.732 0.620 0.438 0.244 0.018 8 Mta148 5 0.644 0.666 0.603 0.760 0.600 0.430 0.008 3 双亲未知时单个亲本的累积非亲排除率 Combined non-exclusion probability (First parent): 0.013 807 65 已知单亲时另一个亲本的累积非亲排除率 Combined non-exclusion probability (Second parent): 0.000 339 45 双亲未知时父母本组合的累积非亲排除率 Combined non-exclusion probability (Parent pair): 0.000 001 26 注：NE-1P代表双亲基因型未知时，单个位点的单亲排除率；NE-2P表示已知单亲基因型时，另一亲本单个位点的排除率；NE-PP表示双亲基因型未知时，单个位点的双亲排除率。 Note: NE-1P represents exclusion probability and of the first parent given only the genotype; NE-2P represents exclusion probability for one candidate parent given the genotype of a known parent of the opposite sex; NE-PP represents exclusion probability probability of a parent pair given only the genotype. 将16个微卫星位点根据多态信息含量由大到小排序探究微卫星数量与鉴定率之间的关系。结果如图2所示，随着微卫星位点数的增加，亲子鉴定的模拟鉴定率和实际鉴定率逐渐上升。当位点数为8时，亲子鉴定的模拟鉴定率和实际鉴定率均达到95%。当位点数继续增加，模拟鉴定率无限接近100%，实际鉴定率则保持在95%左右。实际亲子鉴定结果显示，110尾子代中仅有6尾子代的三联LOD≤0，无法准确匹配到真实的父母本，运用16个微卫星位点的实际鉴定成功率为95%。
利用构建的2组多重PCR体系计算黄鳝11个家系单个位点的排除概率和累计排除概率，结果见表2。NE-1P、NE-2P、NE-PP分别为0.570~0.928、0.393~0.803、0.143~0.675，CE-1P、CE-2P、CE-PP分别为0.999 999 99、0.999 999 91、0.999 964 76，模拟亲本已知的情况准确率为99.96%，置信度为95%。说明在理想情况下，使用这16个微卫星标记进行黄鳝的亲子鉴定可以在置信度95%的情况下达到99.96%的准确率。
此外，分别开展了在候选亲本性别已知和未知的情况下进行不同候选亲本数 (20、50、100、150、200对) 的模拟分析。结果如图3所示，当候选亲本数为20对，在候选亲本性别已知或未知的情况下，父本、母本和父母本联合都能够得到99%以上的鉴定率。当候选亲本数为50对时，无论父母本性别是否已知，父母本联合的鉴定率也都在95%左右，单亲本的鉴定率也在93%左右。当候选亲本数为100对时，无论父母本性别是否已知，父母本联合的鉴定率保持在95%以上，但单亲本的鉴定率下降到了90%以下。当候选亲本数为150对时，在候选亲本性别已知和未知的情况下，父母本联合仍然能够得到95%以上的鉴定率。当候选亲本数继续增加至200对时，鉴定率在父母本联合且性别已知的情况下依然有较高的鉴定率 (94.88%)，而在性别未知的情况下，鉴定率明显下降 (89.56%)。单亲本的鉴定率在亲本数为200对时下降至80%左右。
![]()
图 3 黄鳝16个微卫星标记基于不同亲本数的模拟分析Figure 3. Simulation analysis of 16 pairs microsatellite markers of M. albus based on different candidate parent2.3 家系聚类分析
NTSYS聚类分析的结果如图4所示，结果表明11个家系的子代仅有2尾无法正确聚类，分别为个体1-07和101-07，其余子代个体均可以正确聚类，鉴定准确率为98.18%。
![]()
图 4 110个黄鳝家系聚类分析图注：右侧数字代表家系，其中1-07和101-07为聚类错误的子代编号。Figure 4. Cluster analysis diagram of 110 families of M. albusNote: The numbers on the right represent families, and 1-07 and 101-07 are clustered incorrectly.2.4 群体遗传多样性分析
利用两组多重PCR体系对黄鳝11个子代家系群体和全部候选亲本群体独立进行遗传多样性分析，结果见表3。11个子代家系群体的平均等位基因数为0.489，平均观测杂合度和期望杂合度分别为0.632和0.489，平均多态信息含量为0.394。比较候选亲本群体和11个子代家系群体的遗传多样性，发现候选亲本群体的平均等位基因数、观测杂合度和多态信息含量均要高于11个子代家系群体。
表 3 黄鳝子代和亲本群体的遗传多样性Table 3. Genetic diversities of offsprings and parents of M. albus群体
Population平均等位基因数
Mean Na平均观测杂合度
Mean Ho平均期望杂合度
Mean He平均多态信息含量
Mean PIC子代-1 Offspring-1 2.750 0.619 0.495 0.408 子代-41 Offspring-41 2.813 0.688 0.554 0.453 子代-68 Offspring-68 2.375 0.669 0.475 0.375 子代-70 Offspring-70 2.063 0.488 0.386 0.301 子代-77 Offspring-77 2.563 0.719 0.536 0.436 子代-79 Offspring-79 2.125 0.575 0.430 0.334 子代-81 Offspring-81 2.563 0.806 0.574 0.457 子代-85 Offspring-85 2.125 0.494 0.384 0.311 子代-88 Offspring-88 2.375 0.556 0.466 0.373 子代-96 Offspring-96 2.438 0.639 0.506 0.411 子代-101 Offspring-101 3.188 0.700 0.574 0.474 亲本 Parents 5.625 0.556 0.636 0.570 2.5 亲子鉴定的应用
利用另外4个家系的子代和候选亲本44尾个体进行聚类分析。结果如图5，表明仅有个体10-04和23-08无法正确聚类，子代聚类准确率为95%，并且所有4个候选亲本均能正确聚类，说明本实验建立的微卫星多重PCR体系可以用于黄鳝家系的亲子鉴定。
![]()
图 5 亲子鉴定应用聚类分析注：“-”前的数字代表家系、后面的数字代表子代标号，M代表家系对应的母本，F代表家系对应的父本，其中10-04为聚类错误的子代编号。Figure 5. Cluster analysis of parentage test applicationNote: The number before "-" represents the family; the number after "-" represents the offspring label; M represents the female parent corresponding to the family; F represents the male parent corresponding to the family, and 10-04 was clustered incorrectly.3. 讨论
3.1 微卫星多重PCR体系
自20世纪80年代Chamberlain等[27]成功建立多重PCR (Multiplex polymerase chain reaction, MPCR) 体系以来，以其高效、敏感、大幅降低成本、提高检测效率的优势，在基因分型、遗传分析等领域得到广泛应用[28-31]。建立多重PCR反应体系，需要保证同种荧光标记引物的扩增产物不会重叠，以避免基因型误读，从而实现多重优势。本实验筛选获得16个微卫星位点的平均He、平均Ho和平均PIC分别为0.627、0.619和0.564。根据Botstein的标准[32]，11个位点为高度多态性位点，5个位点为中度多态性位点，这一结果与在兰州鲇 (Silurus lanzhouensis) [33]和圆口铜鱼 (Coreius guichenoti) [34]中用于亲子鉴定的微卫星位点多态性水平相近，表明这16个位点具有丰富的遗传多样性，能够用于后续的亲子鉴定。张毅等[35]提出影响多重PCR的关键因素是体系中引物之间是否兼容以及引物浓度的比例。本实验将16对微卫星引物依据扩增产物的片段大小及初步实验，在退火温度确定的情况下根据电泳结果不断地调整引物浓度的比例来保证每对引物的扩增效果，最终构建了2组多重PCR体系，包括A组的十二重PCR体系和B组的四重PCR体系。其中本实验A组十二重PCR体系经过不断调整最终确定了各引物浓度的比例，而B组四重PCR体系仅实验一次就获得了良好的扩增效果，说明当多重PCR体系中引物数量多的时候，引物浓度的比例尤为重要。
3.2 微卫星标记在黄鳝亲子鉴定中的应用
近年来，微卫星亲子鉴定被广泛应用于种质资源保护、新品种选育及种群遗传管理等方面，尤其在品种选育工作中能避免近亲交配并指导生产[36-38]。在微卫星亲子鉴定中，主要根据累计排除概率 (CE-PP) 判定。赵桐茂[39]研究表明，如果CE-PP<80%，则不能确定存在亲子关系；如果95%<CEP≤99%，则可能存在亲子关系；如果CE-PP≥99.73%，则可以认为存在亲子关系。本实验中，16个微卫星位点的CE-PP达到99.99%，说明这批微卫星可以用于黄鳝的亲子鉴定；16个微卫星位点的模拟鉴定率高达99.96%，实际鉴定率达95%，这一结果与哲罗鱼 (Hucho taimen)[40]和黄河鲤 (Cyprinus carpio haematoperus)[41]的结果相近。在实际生产进行亲子鉴定时，往往是在更多的候选亲本中鉴定亲本和子代的关系。本实验进行了不同亲本数的模拟分析，结果表明16个微卫星标记在亲本性别未知的150对亲本和亲本性别已知的200对亲本的情况下，均可达到95%的准确率。利用另外4个黄鳝家系对建立的微卫星多重PCR体系进行验证，结果显示仅有2尾子代聚类错误，说明本实验建立的多重PCR体系可用于黄鳝亲子鉴定。尽管随着家系数量继续增加，亲子鉴定的准确率会逐渐降低，但本实验建立的亲子鉴定技术可以满足一定规模黄鳝育种对亲本数的要求，可以为开展黄鳝新品种选育工作、选育家系规模确定提供参考。此外，根据子代聚类分析的结果，可以将不同家系的子代区分开来，实际生产中在亲本缺失的情况下，可以对混养的不同家系黄鳝进行区分，以有效防止近亲繁殖。
在亲子鉴定中出现实际鉴定率低于模拟鉴定率的情形，原因可能是基因型误读及无效等位基因的存在[42]。根据O'reilly等[43]的研究，在基因分型过程中存在2%~3%的分型错误；此外，二、三碱基重复的微卫星标记在读取基因型大小时可能会因为碱基重复单元较短而出现基因型的误读，使得基因分型的结果存在一定误差。本实验中，实际鉴定率 (95%) 略低于模拟鉴定率 (99.96%) ，筛选的16个微卫星位点中有且仅有一个位点 (Ma85) 的无效等位基因频率大于10%，这可能是造成实际鉴定率略低的原因。
3.3 群体的遗传多样性分析
群体的遗传多样性主要通过有效等位基因数、杂合度 (Ho/He) 和多态信息含量表示，遗传参数越高，多态性越高，说明群体的遗传多样性越高。通过分析发现，各个位点的PIC与NE-PP大致呈反比关系，与韩叶等[44]对大麻哈鱼 (Oncorhynchus keta) 的研究结果一致。比较各子代家系与亲本群体之间的遗传多样性，发现亲本群体的平均期望杂合度和平均PIC均高于子代各群体，说明亲本群体的遗传多样性高于各子代家系群体的遗传多样性，在各子代家系群体中，子代家系81的杂合度最高，子代家系101和子代家系77次之。比较各子代家系群体之间的多态信息含量，发现子代家系101的多态信息含量最高，子代家系81和41次之。综合杂合度和多态信息含量的比较，得出子代家系81和101具有较高的遗传多样性，说明其具有较高的育种潜力，可以作为家系选育的基础群体。11个子代家系群体观测杂合度为0.631，期望杂合度为0.618，多态信息含量为0.562，整体而言杂合度和多态信息含量均低于我国长江中下游湖北、安徽、江苏、浙江4省的野生黄鳝群体[45-46]和江西1个野生黄鳝群体，但高于天津3个野生黄鳝群体[47]，说明选育家系子代群体的遗传多样性相比野生群体有所下降。
4. 结论
本研究筛选得到了16个高度多态性的微卫星标记，建立了2组可用于黄鳝亲子鉴定的微卫星多重PCR体系，在黄鳝110尾子代及22尾亲本中达到了95%的鉴定率，研究结果有助于黄鳝的家系选育与管理，并可为其种质资源保护和良种选育提供理论依据和技术手段。
-
![]()
图 1 南海北部近海研究区域位置及站点分布
Figure 1. Location of survey area and stations in offshore waters of northern South China Sea
![]()
图 2 南海北部近海环境因子空间分布
Figure 2. Spatial distribution of environmental factors in offshore waters of northern South China Sea
![]()
图 3 环境变量的相关分析
注：*. P<0.05.
Figure 3. Correlation analysis among environment variables
Note: *. P<0.05.
![]()
图 4 不同变量组合的OLR模型结果
注：每一行代表一个最佳变量组合，其中选中的变量以蓝色格子标注，白色则为未选中的变量。
Figure 4. OLR model of different variable combinations
Note: Each row represents the best combination of variables. The selected variables and unselected variables were marked by the blue boxes and white boxes, respectively.
![]()
图 5 GWR模型的南海北部近海环境变量回归系数空间分布
注：“+”表示P<0.05。
Figure 5. Spatial distribution of regression coefficient for environmental variables in GWR model in offshore waters of northern South China Sea
Note: "+" indicates P<0.05.
![]()
图 6 南海北部近海中国枪乌贼的首要影响因子空间分布
Figure 6. Spatial distribution of primary influencing factor of U. chinensis in offshore waters of northern South China Sea
![]()
图 7 南海北部近海中国枪乌贼资源密度空间分布及其在3个区域的比较
注：A. 环北部湾；B. 粤西；C. 珠江口—粤东；*. P<0.05。
Figure 7. Spatial distribution of U. chinensis stock density and comparison among three regions in offshore waters of northern South China Sea
Note: A. Surrounding Beibu Gulf; B. Western Guangdong; C. Pearl River Estuary extending to eastern Guangdong; *. P<0.05.
表 1 全局回归模型OLR与地理权重回归模型GWR参数结果
Table 1 Results of parameters for ordinary linear regression (OLR) and geographical weighted regression (GWR) models
变量
Variable全局回归模型
OLR model地理权重回归模型 GWR model 最小值
Minimum下四分位值
Lower quartile中值
Median上四分位值
Upper quartile最大值
Maximum截距 Intercept 3.16 3.07 3.14 3.16 3.18 3.23 表温 tem_top −0.38 −0.46 −0.40 −0.28 −0.16 −0.06 表盐 sal_top 0.34 0.21 0.23 0.30 0.38 0.48 水深 Depth 0.33 0.07 0.21 0.59 0.85 1.04 叶绿素 a Chl-a 0.41 −0.25 −0.09 0.02 0.39 0.52 
下载: 导出CSV
-
[1] 张壮丽, 叶孙忠, 洪明进, 等. 闽南—台湾浅滩渔场中国枪乌贼生物学特性研究[J]. 福建水产, 2008(1): 1-5. [2] 郭金富, 陈丕茂. 南海头足类资源开发利用研究[J]. 热带海洋, 2000, 19(4): 51-58. [3] 黄梓荣. 南海北部陆架区头足类的种类组成和资源密度分布[J]. 南方水产, 2008, 4(5): 1-7. [4] SIN Y W, YAU C, CHU K H. Morphological and genetic differentiation of two loliginid squids, Uroteuthis (Photololigo) chinensis and Uroteuthis (Photololigo) edulis (Cephalopoda: Loliginidae), in Asia[J]. J Exp Mar Biol Ecol, 2009, 369(1): 22-30. doi: 10.1016/j.jembe.2008.10.029
[5] JIN Y, LIU B L, CHEN X J, et al. Morphological beak differences of loliginid squid, Uroteuthis chinensis and Uroteuthis edulis, in the northern South China Sea[J]. J Oceanol Limnol, 2018, 36(2): 559-571. doi: 10.1007/s00343-017-6285-0
[6] 韩青鹏, 陆化杰, 陈新军, 等. 南海北部海域中国枪乌贼角质颚的形态学分析[J]. 南方水产科学, 2017, 13(4): 122-130. [7] 李建华, 张鑫浩, 金岳, 等. 基于耳石和角质颚微结构的中国枪乌贼年龄与生长比较[J]. 海洋渔业, 2018, 40(5): 513-521. [8] SUKRAMONGKOL N, TSUCHIYA K, SEGAWA S. Age and maturation of Loligo duvauceli and L. chinensis from Andaman Sea of Thailand[J]. Rev Fish Biol Fish, 2006, 17(2/3): 237-246.
[9] JIN Y, LI N, CHEN X J, et al. Comparative age and growth of Uroteuthis chinensis and Uroteuthis edulis from China Seas based on statolith[J]. Aquac Fish, 2019, 4(4): 166-172. doi: 10.1016/j.aaf.2019.02.002
[10] ISLAM R, HAJISAMAE S, PRADIT S, et al. Feeding habits of two sympatric loliginid squids, Uroteuthis (Photololigo) chinensis (Gray, 1849) and Uroteuthis (Photololigo) duvaucelii (d'Orbigny, 1835), in the lower part of the South China Sea[J]. Molluscan Res, 2018, 38(3): 155-162. doi: 10.1080/13235818.2017.1409066
[11] 欧瑞木. 中国枪乌贼性腺成熟度分期的初步研究[J]. 海洋科学, 1983(1): 44-46. [12] JIANG L H, KANG L, WU C W, et al. Complete mitochondrial genome of the Loligo chinensis[J]. Mitochondrial DNA B, 2017, 2(2): 504-505. doi: 10.1080/23802359.2017.1361347
[13] JIANG L H, KANG L S, WU C W, et al. A comprehensive description and evolutionary analysis of 9 Loliginidae mitochondrial genomes[J]. Hydrobiologia, 2017, 808(1): 115-124.
[14] 欧瑞木. 南海北部鱿鱼资源周期波动机制的初步探讨[J]. 水产科技情报, 1978(9): 1-4, 32. [15] BRUNSDON C, FOTHERINGHAM A S, CHARLTON M E. Geographically weighted regression: a method for exploring spatial nonstationarity[J]. Geogr Anal, 1996, 28(4): 281-298.
[16] FOTHERINGHAM A S, BRUNSDON C, CHARLTON M. Geographically weighted regression: the analysis of spatially varying relationships [M]. Chichester: Wiley, 2002: 1-64.
[17] FOTHERINGHAM A S, CHARLTON M, BRUNSDON C. The geography of parameter space: an investigation of spatial non-stationarity[J]. Int J Geogr Inf Syst, 1996, 10(5): 605-627. doi: 10.1080/02693799608902100
[18] LIU C D, WAN R, JIAO Y, et al. Exploring non-stationary and scale-dependent relationships between walleye (Sander vitreus) distribution and habitat variables in Lake Erie[J]. Mar Freshw Res, 2017, 68(2): 270-281. doi: 10.1071/MF15374
[19] LIU C D, LIU J C, JIAO Y, et al. Exploring spatial nonstationary environmental effects on Yellow Perch distribution in Lake Erie[J]. PeerJ, 2019, 7: e7350. doi: 10.7717/peerj.7350
[20] LIKONGWE P, KIHORO J, NGIGI M, et al. Modeling spatial non-stationarity of Chambo in South-East Arm of Lake Malawi[J]. Asian J Appl Sci Eng, 2015, 4(2): 81-90.
[21] WINDLE M J S, ROSE G A, DEVILLERS R, et al. Exploring spatial non-stationarity of fisheries survey data using geographically weighted regression (GWR): an example from the Northwest Atlantic[J]. ICES J Mar Sci, 2010, 67(1): 145-154. doi: 10.1093/icesjms/fsp224
[22] WINDLE M J S, ROSE G A, DEVILLERS R, et al. Spatio-temporal variations in invertebrate-cod-environment relationships on the Newfoundland-Labrador Shelf, 1995-2009[J]. Mar Ecol Prog Ser, 2012, 469: 263-278. doi: 10.3354/meps10026
[23] CULLEN D W, GUIDA V. Use of geographically weighted regression to investigate spatial non-stationary environmental effects on the distributions of black sea bass (Centropristis striata) and scup (Stenotomus chrysops) in the Mid-Atlantic Bight, USA[J]. Fish Res, 2021, 234: 105795. doi: 10.1016/j.fishres.2020.105795
[24] FENG Y J, LIU Y, CHEN X J. Modeling monthly spatial distribution of Ommastrephes bartramii CPUE in the Northwest Pacific and its spatially nonstationary relationships with the marine environment[J]. J Ocean Univ China, 2018, 17(3): 647-658. doi: 10.1007/s11802-018-3495-9
[25] 陈广威, 陈吕凤, 朱国平, 等. 南乔治亚岛冬季南极磷虾渔场时空分布及其驱动因子[J]. 生态学杂志, 2017, 36(10): 2803-2810. [26] 陈吕凤, 朱国平. 基于地理权重回归模型的南设得兰群岛北部南极磷虾渔场空间分布影响分析[J]. 应用生态学报, 2018, 29(3): 938-944. [27] 贾明秀, 黄六一, 褚建伟, 等. 基于GAM和GWR模型分析环境因子对南极磷虾资源分布的非线性和非静态性影响[J]. 中国海洋大学学报(自然科学版), 2019, 49(8): 19-26. [28] 赵杨, 张学庆, 卞晓东. 基于地理加权回归的渤海沙氏下鱵鱼仔稚鱼栖息地指数[J]. 应用生态学报, 2018, 29(1): 293-299. [29] 白思琦, 邹晓荣, 张鹏, 等. 环境因子对东南太平洋智利竹䇲鱼渔场时空分布异质性影响[J]. 南方水产科学, 2021, 17(1): 17-24. [30] WANG D, WAN R, LI Z, et al. The non-stationary environmental effects on spawning habitat of fish in estuaries: a case study of Coilia mystus in the Yangtze Estuary[J]. Front Mar Sci, 2021, 8: 766616. doi: 10.3389/fmars.2021.766616
[31] 蔡研聪, 徐姗楠, 陈作志, 等. 南海北部近海渔业资源群落结构及其多样性现状[J]. 南方水产科学, 2018, 14(2): 10-18. doi: 10.3969/j.issn.2095-0780.2018.02.002 [32] 曾雷, 陈国宝, 李纯厚, 等. 大亚湾湾口游泳生物群落季节异质特征与生态效应分析[J]. 南方水产科学, 2019, 15(3): 22-32. doi: 10.12131/20180246 [33] NAKAYA T, CHARLTON M, BRUNSDON C, et al. GWR4.09 user manual: windows application for geographically weighted regression modelling [EB/OL]. (2016-03-24)[2023-01-11]. https://gwrtools.github.io/author/taylor-oshan.html.
[34] 陈强, 朱慧敏, 何溶, 等. 基于地理加权回归模型评估土地利用对地表水质的影响[J]. 环境科学学报, 2015, 35(5): 1571-1580. [35] YU H R, GONG H L, CHEN B B, et al. Analysis of the influence of groundwater on land subsidence in Beijing based on the geographical weighted regression (GWR) model[J]. Sci Total Environ, 2020, 738: 139405. doi: 10.1016/j.scitotenv.2020.139405
[36] 袁玉芸, 瓦哈甫·哈力克, 关靖云, 等. 基于GWR模型的于田绿洲土壤表层盐分空间分异及其影响因子[J]. 应用生态学报, 2016, 27(10): 3273-3282. doi: 10.13287/j.1001-9332.201610.022 [37] MELA C F, KOPALLE P K. The impact of collinearity on regression analysis: the asymmetric effect of negative and positive correlations[J]. Appl Econ, 2002, 34(6): 667-677. doi: 10.1080/00036840110058482
[38] KALA A K, TIWARI C, MIKLER A R, et al. A comparison of least squares regression and geographically weighted regression modeling of West Nile virus risk based on environmental parameters[J]. PeerJ, 2017, 5: e3070. doi: 10.7717/peerj.3070
[39] CIANNELLI L, FAUCHALD P, CHAN K S, et al. Spatial fisheries ecology: recent progress and future prospects[J]. J Mar Syst, 2008, 71(3/4): 223-236.
[40] LI Y, JIAO Y, BROWDER J A. Modeling spatially-varying ecological relationships using geographically weighted generalized linear model: a simulation study based on longline seabird bycatch[J]. Fish Res, 2016, 181: 14-24. doi: 10.1016/j.fishres.2016.03.024
[41] BOOTH A J. Incorporating the spatial component of fisheries data into stock assessment models[J]. ICES J Mar Sci, 2000, 57(4): 858-865. doi: 10.1006/jmsc.2000.0816
[42] BABCOCK E A, PIKITCH E K, MCALLISTER M K, et al. A perspective on the use of spatialized indicators for ecosystem-based fishery management through spatial zoning[J]. ICES J Mar Sci, 2005, 62(3): 469-476. doi: 10.1016/j.icesjms.2005.01.010
[43] 马彩华. 南海地理学与鱼类生物多样性及渔业区划关系的研究 [D]. 青岛: 中国海洋大学, 2004: 9. -
期刊类型引用(1)
1. 韩豪祥，廉杰，金洪宇，马波. 额尔齐斯河黑鲫胚胎及早期仔鱼发育特征. 中国水产科学. 2024(06): 684-692 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 467
- HTML全文浏览量: 176
- PDF下载量: 67
- 被引次数: 1
粤公网安备 44010502001741号
