奶牛还没产奶，科学家怎么知道它能产得多？

直到老师讲到，通过组学研究可以更好地筛选奶牛的育种潜力，我才一下子想起今年8月去肯尼亚的事。

当时其中一站是国际家畜研究所（ILRI），还去了它的 Kapiti 研究站。

在那儿，我听到的更多是结论性的东西，看了育种，也实地看了牛羊是怎么养、怎么记录的。

现场拍的

说实话，难得去一趟非洲，Kapiti 在内罗毕东边的半干旱草原上，同时还是个野生动物保护区，这种地方一般人也去不了，单纯以看风景的心态去看也挺好玩的。

但中间缺了一大块育种方面的内容，我在研究所的时候真是没听明白了，这回听课算是补上了。考虑到牛奶的营养价值，这个话题也挺适合做个科普，大家一起长点知识。

先说一个容易被忽略的事实：想选出下一代产奶表现好的母牛，不能只看母牛，公牛同样重要。公牛自己不产奶，但会把影响产奶性状的遗传变异传给女儿，特别是种公牛，价值很大。

所以传统做法里有个重要环节，叫后裔测定。简单说，就是让公牛先有一批女儿，等女儿长大、产犊、开始泌乳，再收集它们的产奶记录，来判断这头公牛的育种价值。牛的繁殖周期比较长，这个过程要等好几年，还得攒够足够多的后代记录[1]。

但很显然，父母哪怕相同，后代拿到的遗传组合也不完全相同，光靠系谱这类参考，很难判断每头牛各自继承了哪些有利的遗传变异。这时候基因组学就派上用场了：不只知道它是谁的后代，还能进一步了解它实际继承了怎样的遗传组合[2]。

两条评估路径的简图

说到基因检测，前两天评论区就有人拿着一张基因检测报告问我：这个结果，是不是说明我的生活方式可以异于常人了？我一看，好家伙，这只是某个基因位点的特征跟普通人不太一样，而且效应也不强。这种结果的解读很复杂，要严谨点说的话，大多数时候参考意义都不大，并不是找到一个基因、有就好、没有就不好这么直接的逻辑。

奶牛的产奶量也是这个特点。它受到很多遗传变异的共同影响，更何况最后产多少奶，还跟吃什么、是否生病、处于哪个泌乳阶段等因素有关，并不是找到一个高产基因就解决了。就算某个基因影响很大，后天因素也很重要（要不然，我们营养师这份工作也就没多大意义了）。

所以基因组选择的基本做法，是先建立参考群体，把一批动物的遗传信息和生产表现联系起来。比如用母牛建参考群体，就收集它们的 DNA 信息、记录产奶量；用公牛建，就可以用它女儿们的生产表现[3]。接着研究者再用模型分析：在考虑环境因素之后，哪些遗传标记以及它们的组合，跟产奶性状的差异有关。

这里有一个很重要的词，叫 SNP，中文是单核苷酸多态性。你可以简单理解为，在 DNA 的同一个位置上，不同个体可能用了不同的碱基，也就是组成 DNA 的“字母”有一个不一样。这些差异，就可以成为识别遗传信息的标记。

同一位置的单碱基差异示意。序列并非真实产奶相关位点，也不表示某个字母更好。

检测它们可以用 SNP 芯片。这里说的芯片，可不是往牛身上插一块板子，它是实验室里检测样本用的：事先设计好，只测预先选定的一批位点，不用每次都把 DNA 从头到尾测一遍，效率就高很多[4]。

这些标记里，有的可能本身就和性状有关，更多的是跟起作用的位置挨得近、一起遗传下来，所以能提供预测线索。接下来通过模型，把很多标记的统计效应综合起来，估计候选牛的遗传价值；也可以利用这些标记，看候选牛和那些已有记录的牛在遗传上有多接近，借这种联系来预测[2,5]。

有了经过检验的模型，一头牛虽然还很年轻、还没有自己的产奶记录，也能靠 DNA 信息先拿到一个初步的遗传评价，不用再干等那么多年。比如美国的荷斯坦奶牛用上基因组选择以后，选来繁育下一代种公牛的那批公牛，世代间隔（可以理解为父辈生下下一代时的平均年龄）从大约 7 年缩短到了不到 2.5 年[1]。

以上这些很多地方我用“模型”一个词就带过了，但背后其实有很多概念、方法和数据解释。课上还讲到转录组、蛋白质组、代谢组等不同层次的信息，我就略过不表了。

理解了这些，再看肯尼亚的研究，就不只是“做了个基因检测”这么简单。大牧场的生产记录相对集中，好统计一点；但肯尼亚很多都是小农户，每户的牛不多，还得搞清楚这些牛的亲属关系，以及买卖、配种是怎么回事。

国际家畜研究所（ILRI）的研究人员和合作者 2019 年发表过一项针对肯尼亚小农户的研究，在纳入分析的牛群里，约 95% 只有 1~3 头正在产奶的牛[6]。单看一户，能拿到的泌乳数据实在太少。基因组信息的用处，就是把这些分散的记录联系到一起，不是非得先有个大牧场，才有机会参与遗传改良。

数学层面的方法论，很多人已经觉得够难了，落地时还有另一种难：数据到底怎么来。这项研究里研究人员给农户发了量奶的容器和记录本，每周选一天，记下每头牛早晚的产奶量；数据采集员每两周上门测量、核对一次，还要收集牛毛样本做基因分型[6]。还是得有实地的数据收集。

这次在肯尼亚还去了好几个研究所。最让我触动的，是国际玉米小麦改良中心（CIMMYT）那一站，讲的是 AI 怎么帮农作物育种。

我平时做营养调查，以前做相关科研时，膳食评估就特别让人头疼，工具往往也不够精确。结果在现场看到，研究人员开发了一套叫 Sikia 的软件，背后依托 AI，访谈时能根据农户的回答自己生成追问，交流更流畅，也能收集到更多信息[7]。

在田间和当地农民访谈的照片

它还支持斯瓦希里语这样的当地语言，收集到的信息也能更好地归类[8]。这样就能更准确地了解农户对种子的需求和他们自己的观察。前期数据更精准、更丰富，后面那些先进的技术和方法才有用武之地。这套工具我了解得越多，越觉得超出预期，真有一种未来可期的感觉。

总之，通过这些技术、这些一项项具体的小工作，很多分散的小农户、小规模养殖，都可以借助合适的数据收集和遗传评估方法，进入有组织的育种体系。

当时现场还见到了一位工作人员，之前做过很多宣传报道工作，还有一起见的一位农户大哥。说实话，一开始听着觉得很多是套话，看得出来是提前准备过的。不过故事本身很简单：

约瑟芬和丈夫 2014 年从内罗毕回老家务农，日子原本很不轻松。后来听朋友介绍，有一种产奶表现更好的杂交奶牛，两口子就攒钱，2019 年从一位参加了非洲奶牛遗传增益项目（ADGG）的农户手里买了一头。买回来之后奶量果然上去了，家里够喝，多的还能拿去卖，尽量每周存下一点钱。她家有 5 个孩子，她自己小时候，家里就为她上学的费用发过愁；有了卖奶的收入，就能帮着交孩子的学费[9]。

所以说，好奶牛能让孩子“更聪明”——最直接的原因是家里经济条件改善了，能拿出更多钱用在教育上，牛奶本身的营养倒在其次。

说实话，去肯尼亚也好，在清华听课也好，都没有什么直接的收益，但跑到非洲，见了很多风土人情，看到了在不同的条件下，研究者是怎么做访谈、怎么研发软件、怎么做育种的；在清华这边，虽然我已经准备逃课了，但至少两天学下来，我感觉“脑子痒痒”的，似乎在长脑子，这种体验挺难忘的。

在 AI 时代，很多东西都可以很丝滑地生产出来，但这种线下的经历真的很难得。也希望大家有机会多用身体去感受，坐进教室，走进现场，亲身去经历这个世界。

非洲之行特别感谢盖茨基金会的带队探访！～