第一部分:近年来,繁殖障碍已逐渐成为规模化猪场中影响母猪淘汰的最重要原因,在实际生产中大约有10%的母猪因不发情或者晚发情等繁殖障碍因素被淘汰,不仅消耗大量的饲料费用及饲养猪舍,同时也耗费饲养人员大量人力精力,显著地影响猪的生产效益,因此对母猪的繁殖障碍进行遗传解析并将其应用于育种选择具有重要的意义。本研究以白色杜洛克×二花脸F2资源群体为对象,使用Illumina 60K芯片进行基因型检测,开展繁殖障碍的初步遗传解析。在此基础上,将19头祖代F0个体进行深度重测序,并使用Imputation填充技术将416头F2个体60,000个标记基因型填充到了基因组全序列,然后分析繁殖障碍表型与基因组全序列的关联性,以挖掘与繁殖障碍极显著关联的分子标记。结果显示,从60K数据填充到基因组全序列的平均准确性为0.94,证明基因型填充策略的有效性和准确性;基因组全序列关联分析结果在7号染色体的33.36Mb处鉴别到与繁殖障碍显著关联的SNP标记(rs335782084:显著性p值达到了1.52E-11),该位点可以解释16%的表型变异,通过LOD下降2的策略在该位点附近检测到一个置信区间为5.25Mb的QTL;在该置信区间内结合功能分析挖掘到两个候选基因:RAB23和BAK1。该结果与本研究团队前期基于60K的GWAS分析以及基于微卫星的连锁不平衡分析的研究结果相比,显著提高了关联分析的显著性,p值的显著性提高了约10E+5到10E+7数量级,而且QTL的置信区间从约28Mb显著缩小到5.25Mb。本研究的结果将为实际生产中进行繁殖障碍的选育提供有效借鉴。第二部分:目前,电子自动饲喂系统已广泛地用于猪的自动饲喂与育种并显著地提高了生产效率。本研究使用Osborne电子自动饲喂系统对197头杜洛克、243头长白和383头大白3个主要的商业品种共823头个体进行长期、持续的采食数据测定。获取了采食次数、采食时间、采食量等行为指标以及体重和日龄的信息,对猪的生长性能和采食行为进行了深入分析。生长性能的研究结果显示,杜洛克、长白和大白均表现出典型的S型生长曲线(慢速-快速-慢速3个生长阶段),在整个测定期间,杜洛克表现出更快的生长速率。采食行为的研究结果显示,猪在一天内的采食次数分布出现上午及下午两个高峰期(上午8:00到9:00和下午的14:00到15:00),并且在采食次数的高峰期伴随着每次采食量和每次采食时间的低谷期,这说明集中采食的群体内部个体间存在激烈的竞争,合理的设定饲养密度十分重要;同时我们计算了猪的有效采食时间,结果发现杜洛克和大白的有效采食时间为19min、长白的有效采食时间为16min,通过采食速度的分析发现长白的采食速度比杜洛克和大白更快;而且当采食时间超过20min后猪的采食量变化接近0,这说明猪在20min后已完成采食,任由其待在饲喂系统中会造成设备利用效率的下降和饲料的浪费;研究建议可以改进设备装置,设置每头猪每次在饲喂系统停留的最长时间的阈值,超过该阈值则自动驱离猪只。最后本研究分析了猪在不同季节的日采食量,结果发现杜洛克、长白、大白均表现出在秋季的采食量明显高于低温和缺少食物冬季以及初春(差异显著性p值为0.000009)。本研究通过对采食行为的深入研究,可以为生产实践带来有效的指导意义。第三部分:在生猪养殖生产中,饲料成本占生产成本约60%到70%左右,是生产成本的最主要部分。饲料转化效率(Feed conversion ratio,FCR)是体现猪将饲料转化成活体增重的重要指标,也是影响生猪养殖效益的重要因素,进行饲料转化效率的遗传改良是现代育种的重要目标,能为养猪业带来显著效益。本研究利用电子自动测定系统采集了990头纯种杜洛克公猪的采食数据并计算出饲料转化效率,并使用Illumina 60K芯片对表型测定个体进行基因分型,结合已构建的403个个体全基因组序列的参考单倍型数据库,使用Imputation技术将低密度的芯片数据填充到全基因组序列,形成了60K芯片及基因组全序列两套基因型数据。随后对这两套数据进行遗传力估计、全基因组关联分析和全基因组选择的研究。研究结果显示,Imputation的平均准确性为0.90,表明填充群与参考群无亲缘关系时填充准确率略低,提示需增加参考单倍型数量及改进填充策略以提高填充准确性。基于60K芯片数据和全基因组序列数据的饲料转化效率的加性遗传力分别是0.20和0.38,使用全基因组序列估计的加性遗传力比芯片数据提高了0.18;基于60K芯片数据和全基因组序列的全基因组关联分析,都未检测到基因组显著水平的与饲料转化效率关联的信号位点;全基因组选择的研究结果显示,基于60K芯片数据和全基因组序列计算的估计基因组育种值与表型的相关分别为0.70和0.63;为了评估基因组预测的准确性,我们采用了五等分数据交叉验证和单个体循环缺失交叉验证两种方案进行预测的准确性和可靠性的评估。第一种方案,基于60K数据和全基因组序列预测的准确性分别为0.14和0.17,且基于60K芯片的预测基因组育种值与估计基因组育种值的相关性为0.66;基于全基因组序列的预测基因组育种值与估计基因组育种值的相关性为0.74;提升标记密度使得预测的准确性提高了21.4%,并且预测基因组育种值与估计基因组育种值间的相关性提高了12.1%。第二种方案,我们发现预测基因组育种值与估计基因组育种值的相关性为0.83,预测的准确性为0.34,预测的准确性比第一种方案提高了142.8%,并且指标间的相关性提高了25.8%。本研究通过结合基因组填充技术对饲料转化效率进行全基因组关联分析和全基因组选择的研究发现,提升标记密度可以提高遗传力的估计并且提高全基因组预测的准确性,本研究结果将为饲料转化效率的遗传选育和基因组选择提供有效的借鉴参考。