整合多组学先验信息来提升肉牛基因组预测的准确性
发布时间：
2025-07-15
近日，中国农业科学北京畜牧兽医研究所牛遗传育种科技创新团队通过整合多组学信息，筛选功能变异，显著提升重要经济性状的预测准确性，为揭示复杂性状遗传基础和优化基因组选择策略提供了新思路。国内外研究表明利用转录组、表观组等多组学信息可有效鉴定与表型相关的功能调控位点，同时，通过整合基因表达、表观修饰等信息到预测模型，可显著提高预测准确性。
近日，中国农业科学北京畜牧兽医研究所牛遗传育种科技创新团队通过整合多组学信息，筛选功能变异，显著提升重要经济性状的预测准确性，为揭示复杂性状遗传基础和优化基因组选择策略提供了新思路。国内外研究表明利用转录组、表观组等多组学信息可有效鉴定与表型相关的功能调控位点，同时，通过整合基因表达、表观修饰等信息到预测模型，可显著提高预测准确性。
研究团队基于华西牛的43个经济性状表型和填充测序变异，通过构建覆盖基因组、转录组、代谢组和表观组等层次的11个功能SNPs分组，研发整合组学基因组预测方法。研究发现本方法与WGS数据相比，高评分的前10%SNP组的预测准确率大幅提高。利用BayesB模型基于WGS数据的高评分前10%SNP组的预测准确率平均提高了11.6%，利用GBLUP方法平均提高了7.54%，在日增重和宰前活重中，BayesB预测准确率分别提高6.70%和5.73%。本研究为整合组学信息优化变异筛选、提高基因组预测准确性，研发改进基因组选择策略提供新思路。
研究目标 ：
整合多层次生物学先验信息（多组学数据）以提升肉牛基因组预测（GP）准确性，并识别与复杂性状相关的功能变异。
研究方法:
1. 数据整合: 基于10,213,925个全基因组测序（WGS）变异，构建11个功能特征集：
基因组：编码/非编码区、LD（连锁不平衡）、变异密度、选择信号、保守位点
转录组：eQTL（表达数量性状位点）
代谢组：mQTL（代谢物数量性状位点）
表观组：开放染色质区（OCR）、低甲基化区（HMR）
2. 功能变异贡献评估
使用GREML（基因组限制最大似然）估计各特征集对43个经济性状的遗传方差贡献。
计算每个变异的“功能评分”，筛选前5%、10%、30%为高影响变异（top sets）。
3. 预测模型比较
对比GBLUP和BayesB模型在top/bottom变异集上的预测准确性（5折交叉验证）。
4. GWAS与QTL富集分析
验证top变异是否与已知QTL（如体重、肉品质）显著富集。
关键结果
1. 功能变异贡献•
保守区（31.78倍）和选择信号（14.48倍）对遗传力富集最显著。
调控区（如启动子、UTR）虽仅占0.11%基因组，但解释6.22%遗传方差（172.96倍富集）。
代谢组数据（mQTL）预测贡献优于转录组（eQTL）。
2. 预测准确性提升
Top 10%变异集较WGS整体显著提升准确性：
BayesB模型：平均提升11.6%（最高为脾脏重SW，提升31.52%）。
GBLUP模型：平均提升7.54%。
BayesB整体优于GBLUP，尤其在高遗传力性状中。
3. GWAS验证
Top变异显著富集于体重相关QTL（如日均增重、胴体重），与CattleQTL数据库结果一致。
结论
整合多组学功能注释可有效识别关键变异，提升基因组预测准确性。
选择信号、保守区及调控变异是肉牛复杂性状遗传架构的核心。
BayesB模型更适用于多基因控制的性状，未来可结合机器学习进一步优化。
创新点
首次系统整合进化、表观、转录、代谢四层数据于肉牛GP。
提出功能评分+分层筛选策略，突破传统WGS预测瓶颈。
关键词：
下一页：
Copyright © 2023 山东商都恒昌清真肉类有限公司