The impact of additive-genetic relationships captured by single nucleotide polymorphisms (SNPs) on the accuracy of genomic breeding values (GEBVs) has been demonstrated, but recent studies on data obtained from Holstein populations have ignored this fact. However, this impact and the accuracy of GEBVs due to linkage disequilibrium (LD), which is fairly persistent over generations, must be known to implement future breeding programs. The data set used to investigate these questions consisted of 3,863 German Holstein bulls genotyped for 54,001 SNPs, their pedigree and daughter yield deviations for milk yield, fat yield, protein yield and somatic cell score. A cross-validation methodology was applied, where the maximum additive-genetic relationship (a max ) between bulls in training and validation was controlled. GEBVs were estimated by a Bayesian model averaging approach (BayesB) and an animal model using the genomic relationship matrix (G-BLUP). The accuracy of GEBVs due to LD was estimated by a regression approach using accuracy of GEBVs and accuracy of pedigree-based BLUP-EBVs. Accuracy of GEBVs obtained by both BayesB and G-BLUP decreased with decreasing a max for all traits analyzed. The decay of accuracy tended to be larger for G-BLUP and with smaller training size. Differences between BayesB and G-BLUP became evident for the accuracy due to LD, where BayesB clearly outperformed G-BLUP with increasing training size. GEBV accuracy of current selection candidates varies due to different additive-genetic relationships relative to the training data. Accuracy of future candidates can be lower than reported in previous studies because information from close relatives will not be available when selection on GEBVs is applied. A Bayesian model averaging approach exploits LD information considerably better than G-BLUP and thus is the most promising method. Cross-validations should account for family structure in the data to allow for long-lasting genomic based breeding plans in animal and plant breeding.

DGAT1 encodes diacylglycerol O -acyltransferase (EC 2.3.1.20 ), a microsomal enzyme that catalyzes the final step of triglyceride synthesis. It became a functional candidate gene for lactation traits after studies indicated that mice lacking both copies of DGAT1 are completely devoid of milk secretion, most likely because of deficient triglyceride synthesis in the mammary gland. Our mapping studies placed DGAT1 close to the region of a quantitative trait locus (QTL) on bovine chromosome 14 for variation in fat content of milk. Sequencing of DGAT1 from pooled DNA revealed significant frequency shifts at several variable positions between groups of animals with high and low breeding values for milk fat content in different breeds (Holstein–Friesian, Fleckvieh, and Braunvieh). Among the variants was a nonconservative substitution of lysine by alanine (K232A), with the lysine-encoding allele being associated with higher milk fat content. Haplotype analysis indicated the lysine variant to be ancestral. Two animals that were typed heterozygous ( Qq ) at the QTL based on marker-assisted QTL-genotyping were heterozygous for the K232A substitution, whereas 14 animals that are most likely qq at the QTL were homozygous for the alanine-encoding allele. An independent association study in Fleckvieh animals confirmed the positive effect of the lysine variant on milk fat content. We consider the nonconservative K232A substitution to be directly responsible for the QTL variation, although our genetic studies cannot provide formal proof.

Abstract Background The use of genome-wide association studies (GWAS) has led to the identification of numerous quantitative trait loci and candidate genes in dairy cattle. To obtain sufficient power of GWAS and to identify quantitative trait nucleotides, whole-genome sequence data is required. Sequence data facilitates the identification of potential causal variants; however, sequencing of whole genomes is still expensive for a large number of animals. Imputation is a quick and efficient way of obtaining sequence data from large datasets. Milk production traits are complex and influenced by many genetic and environmental factors. Although extensive research has been performed for these traits, with many associations unveiled thus far, due to their crucial economic importance, complex genetic architecture, and the fact that causative variants in cattle are still scarce, there is a need for a better understanding of their genetic background. In this study, we aimed to identify new candidate loci associated with milk production traits in German Holstein cattle, the most important dairy breed in Germany and worldwide. For that purpose, 252,285 cattle were imputed to the sequence level and large-scale GWAS was carried out to identify new association signals. Results We confirmed many known and identified 30 previously unreported candidate genes for milk, fat, and protein yield. While all of the genes were functionally associated with the traits, some showed pleiotropic effects as well. Specifically, association with mammary gland development, fatty acid synthesis, metabolism of lipids, or milk production QTLs in other farm animals has been reported. Variants associated with these genes explained a large percentage of genetic variance, compared to random ones. Conclusions Our findings proved the power of large samples and sequence-based GWAS in detecting new association signals. In order to fully exploit the power of GWAS, one should aim at very large samples combined with whole-genome sequence data. Although milk production traits in cattle are comprehensively researched, the genetic background of these traits is still not fully understood, with the potential for many new associations to be revealed, as shown in our study. With constantly growing sample sizes, we expect more insights into the genetic architecture of production traits in the future.

Abstract Background Body conformation, including withers height, is a major selection criterion in horse breeding and is associated with other important traits, such as health and performance. However, little is known about the genomic background of equine conformation. Therefore, the aim of this study was to use imputed sequence-level genotypes from up to 4891 German Warmblood horses to identify genomic regions associated with withers height and linear conformation traits. Furthermore, the traits were genetically characterised and putative causal variants for withers height were detected. Results A genome-wide association study (GWAS) for withers height confirmed the presence of a previously known quantitative trait locus (QTL) on Equus caballus (ECA) chromosome 3 close to the LCORL / NCAPG locus, which explained 16% of the phenotypic variance for withers height. An additional significant association signal was detected on ECA1. Further investigations of the region on ECA3 identified a few promising candidate causal variants for withers height, including a nonsense mutation in the coding sequence of the LCORL gene. The estimated heritability for withers height was 0.53 and ranged from 0 to 0.34 for the conformation traits. GWAS identified significantly associated variants for more than half of the investigated conformation traits, among which 13 showed a peak on ECA3 in the same region as withers height. Genetic parameter estimation revealed high genetic correlations between these traits and withers height for the QTL on ECA3. Conclusions The use of imputed sequence-level genotypes from a large study cohort led to the discovery of novel QTL associated with conformation traits in German Warmblood horses. The results indicate the high relevance of the QTL on ECA3 for various conformation traits, including withers height, and contribute to deciphering causal mutations for body size in horses.

Background: To date, genome-scale analyses in the domestic horse have been limited by suboptimal single nucleotide polymorphism (SNP) density and uneven genomic coverage of the current SNP genotyping arrays. The recent availability of whole genome sequences has created the opportunity to develop a next generation, high-density equine SNP array. Results: Using whole genome sequence from 153 individuals representing 24 distinct breeds collated by the equine genomics community, we cataloged over 23 million de novo discovered genetic variants. Leveraging genotype data from individuals with both whole genome sequence, and genotypes from lower-density, legacy SNP arrays, a subset of ~5 million high-quality, high-density array candidate SNPs were selected based on breed representation and uniform spacing across the genome. Considering probe design recommendations from a commercial vendor (Affymetrix, now Thermo Fisher Scientific) a set of ~2 million SNPs were selected for a next-generation high-density SNP chip (MNEc2M). Genotype data were generated using the MNEc2M array from a cohort of 332 horses from 20 breeds and a lower-density array, consisting of ~670 thousand SNPs (MNEc670k), was designed for genotype imputation. Conclusions: Here, we document the steps taken to design both the MNEc2M and MNEc670k arrays, report genomic and technical properties of these genotyping platforms, and demonstrate the imputation capabilities of these tools for the domestic horse.

Abstract Background Limitations of the concept of identity by descent in the presence of stratification within a breeding population may lead to an incomplete formulation of the conventional numerator relationship matrix ( $$\mathbf{A}$$ A ). Combining $$\mathbf{A}$$ A with the genomic relationship matrix ( $$\mathbf{G}$$ G ) in a single-step approach for genetic evaluation may cause inconsistencies that can be a source of bias in the resulting predictions. The objective of this study was to identify stratification using genomic data and to transfer this information to matrix $$\mathbf{A}$$ A , to improve the compatibility of $$\mathbf{A}$$ A and $$\mathbf{G}$$ G . Methods Using software to detect population stratification (ADMIXTURE), we developed an iterative approach. First, we identified 2 to 40 strata ( $$k$$ k ) with ADMIXTURE, which we then introduced in a stepwise manner into matrix $$\mathbf{A}$$ A , to generate matrix $${\mathbf{A}}^{{\varvec{\Gamma}}}$$  A Γ  using the metafounder methodology. Improvements in consistency between matrix $$\mathbf{G}$$ G and $${\mathbf{A}}^{{\varvec{\Gamma}}}$$  A Γ  were evaluated by regression analysis and through the comparison of the overall mean and mean diagonal values of both matrices. The approach was tested on genotype and pedigree information of European and North American Brown Swiss animals (85,249). Analyses with ADMIXTURE were initially performed on the full set of genotypes (S1). In addition, we used an alternative dataset where we avoided sampling of closely related animals (S2). Results Results of the regression analyses of standard $$\mathbf{A}$$ A on $$\mathbf{G}$$ G were – 0.489, 0.780 and 0.647 for intercept, slope and fit of the regression. When analysing S1 data results of the regression for $${\mathbf{A}}^{{\varvec{\Gamma}}}$$  A Γ  on $$\mathbf{G}$$ G corresponding values were – 0.028, 1.087 and 0.807 for $$k$$ k =7, while there was no clear optimum $$k$$ k . Analyses of S2 gave a clear optimal $$k$$ k =24, with − 0.020, 0.998 and 0.817 as results of the regression. For this $$k$$ k differences in mean and mean diagonal values between both matrices were negligible. Conclusions The derivation of hidden stratification information based on genotyped animals and its integration into $$\mathbf{A}$$ A improved compatibility of the resulting $${\mathbf{A}}^{{\varvec{\Gamma}}}$$  A Γ  and $$\mathbf{G}$$ G considerably compared to the initial situation. In dairy breeding populations with large half-sib families as sub-structures it is necessary to balance the data when applying population structure analysis to obtain meaningful results.

Personality affects the behavior of dairy cows in response to various situations on farm, such as novel or social challenges, which can affect the welfare of individual cows. Personality traits are evaluated through behavioral testing, typically in unfamiliar environments, but this can be a time-consuming process. Using a novel object test (NOT) and a forced human approach test (FHAT), we tested 222 individual dairy cows and retested a subset of cows (n = 78) 8 mo afterward. The aim was to see if personality traits can be identified in a familiar environment and if traits were consistent in between test and retest. Principal component analysis was used to identify personality traits. Extracted components (personality traits) were named according to determining variables (loadings <-0.63 or >0.63). Based on identified personality traits we calculated the intraclass correlation (ICC) coefficient and the differences between personality trait in test and retest to assess consistency. We identified 3 personality traits from NOT measurements ("explorative," "boldness," and "sociable") explaining 85% of the variance and one trait from behavioral measurements in the FHAT ("trusting") explaining 74% of the variance. Mean ICC of 0.6 with a standard deviation of 0.18 shows that although traits are consistent at herd level, cows react individually in stressful situations. As both tests were carried out in a familiar environment and results are similar to other studies that used unfamiliar environments, we can conclude that tests can be performed in a familiar environment.

Accurate prediction of traits with complex genetic architecture is crucial for selecting superior candidates in animal and plant breeding and for guiding decisions in personalized medicine. Whole-genome prediction (WGP) has revolutionized these areas but has inherent limitations in incorporating intricate epistatic interactions. Downstream “omics” data are expected to integrate interactions within and between different biological strata and provide the opportunity to improve trait prediction. Yet, predicting traits from parents to progeny has not been addressed by a combination of “omics” data. Here, we evaluate several “omics” predictors — genomic, transcriptomic and metabolic data — measured on parent lines at early developmental stages, and demonstrate that the integration of transcriptomic with genomic data leads to higher success rates in the correct prediction of untested hybrid combinations in maize. Despite the high predictive ability of genomic data, transcriptomic data alone outperformed them and other predictors for the most complex heterotic trait, dry matter yield. An eQTL analysis revealed that transcriptomic data integrate genomic information from both, adjacent and distant sites relative to the expressed genes. Together, these findings suggest that downstream predictors capture physiological epistasis that is transmitted from parents to their hybrid offspring. We conclude that the use of downstream “omics” data in prediction can exploit important information beyond structural genomics for leveraging the efficiency of hybrid breeding.

Sperm mitochondria are vital organelles for energy production and pre- and post-fertilization sperm functions. The potential influence of the age of the bull and season on the sperm-borne mitochondrial copy number and the transcription activity has not yet been investigated. Therefore, the expression patterns of all protein-coding mitochondrial genes were identified throughout the year along with mitochondrial copy numbers in young and old bulls' spermatozoa. For that, high-quality semen samples (