利用转录组数据来提高对猪免疫性状的预测能力

《animal》：Using transcriptomic data to improve the prediction of immunity traits in pigs

基因组与转录组交互模型在猪免疫性状预测中的应用

　　
### 研究背景与意义
随着动物育种技术的进步，将健康相关性状纳入选育标准成为提高动物抗病性和适应性的重要手段。本研究聚焦于猪的免疫相关性状，旨在探索基因组与转录组数据联合建模对预测免疫指标及生产性能（如 carcass weight）的潜力。研究通过整合255头杜洛克猪的健康数据与多组学信息，验证了不同混合模型在预测准确性上的差异，并提出了优化模型策略的建议。

### 研究方法
1. **数据来源**：
- **样本群体**：255头60天左右的健康杜洛克猪，分为6个批次，性别均衡。
- **表型测量**：涵盖13项免疫指标（如免疫球蛋白浓度、细胞亚群比例）及1项生产性状（屠宰体重）。测量方法包括ELISA、流式细胞术和血清学检测。
- **多组学数据**：基因组数据（基于Illumina芯片）和转录组数据（RNA-seq， NovaSeq平台）均经过严格质量控制与标准化处理。

2. **模型构建与比较**：
- **基础模型**：单独使用基因组（G）或转录组（T）数据建模。
- **联合模型**：将基因组与转录组作为独立效应纳入模型（GT），并进一步调整基因-转录组间的重叠信息：
- **GTC模型**：通过遗传方差（h2）调整转录组效应。
- **GTCi模型**：基于转录组效应的遗传方差（h2_t）进行校正。
- **多组学模型（M）**：引入权重参数（r）动态分配基因与转录组的影响。
- **模型验证**：采用交叉验证（500次迭代）评估预测准确性，并通过似然比检验（LRT）比较模型拟合效果。

### 关键发现
1. **方差解释与遗传参数**：
- **转录组优势**：在13项免疫指标中，转录组数据单独建模（T模型）解释的方差比例（t2）普遍高于0.5，表明转录组是免疫性状的重要预测因子。例如，T helper细胞比例和血清haptoglobin浓度分别达到88%和85%的方差解释率。
- **基因-转录组交互作用**：加入基因组数据后（GT模型），部分免疫指标（如IgG浓度）的方差解释率略有提升，但未显著改变整体趋势。通过校正基因-转录组重叠（GTC、GTCi、M模型），方差解释率进一步优化，其中GTCi模型表现最佳，尤其在γδ T细胞、中性粒细胞和淋巴细胞计数等指标上。
- **遗传方差稳定性**：校正重叠信息后，转录组模型（如GTCi）的遗传方差（h2）与原始G模型相比变化较小，但更接近实际生物学机制，例如基因表达可能通过表观遗传调控间接影响免疫应答。

2. **预测准确性**：
- **转录组主导的性状**：如T helper细胞（T模型准确率0.46）、γδ T细胞（0.59）和血清CRP（0.53），其预测准确率显著高于基因组模型（G模型准确率普遍低于0.4）。
- **多组学模型优势**：在GTCi和M模型中，中性粒细胞计数（准确率0.61）和淋巴细胞比例（0.60）的预测性能提升约20%-30%，表明校正基因-转录组冗余信息能有效提高模型鲁棒性。
- **生产性状（carcass weight）**：转录组数据贡献有限（t2=0.001），基因组模型（G）与多组学模型（M）的预测效果接近，但均显著优于纯转录组模型（T）。

3. **模型优化策略**：
- **GTCi模型**：通过迭代计算转录组效应的遗传方差（h2_t），有效分离了基因表达中的遗传贡献与环境噪声，适用于高转录组贡献的性状（如HP浓度、γδ T细胞）。
- **多组学权重模型（M）**：引入动态权重参数（r）分配基因与转录组的影响，在复杂性状（如IgM浓度）中表现稳定，但计算复杂度较高。
- **局限性**：对于低遗传方差性状（如单核细胞计数），多组学模型未显示显著优势，需结合其他生物标志物或更大样本量验证。

### 讨论与启示
1. **转录组作为中间表型**：
- 研究发现，转录组数据（如T helper细胞比例）能高效捕获遗传变异对免疫性状的影响，可能通过调控基因表达程序实现表型转化。这一结论与Flori等（2011）关于免疫性状遗传的早期研究一致，表明转录组可作为遗传信息与直接表型之间的桥梁。

2. **模型选择原则**：
- **高转录组贡献性状**（如HP浓度、γδ T细胞）：推荐GTCi或M模型，通过校正冗余信息提升预测精度。
- **中等转录组贡献性状**（如IgG浓度）：GT模型或GTCi模型更优，需平衡计算成本与精度需求。
- **低转录组贡献性状**（如carcass weight）：纯基因组模型（G）或联合模型（GT）已足够，需关注采样时间与组织特异性（如屠宰体重与60天血液转录组关联性低）。

3. **应用前景**：
- **选育策略**：将γδ T细胞比例、中性粒细胞计数等高遗传方差性状纳入育种目标，可显著提升群体抗病性。
- **技术延伸**：建议开发针对免疫相关基因的靶向转录组面板，降低测序成本（如Haas等，2025年针对产肉性状的研究）。
- **纵向研究**：需扩大样本量和时间跨度，验证转录组数据在不同生理阶段（如感染后）的稳定性与预测效能。

### 结论
本研究证实，通过校正基因-转录组冗余信息（如GTCi模型），可显著提升免疫相关性状的预测精度，尤其在转录组贡献率高的指标（如HP浓度、T细胞亚群）。同时，多组学模型（M）在动态分配基因与转录组权重时表现稳健，但需更多实验验证其普适性。这些成果为整合多组学数据到猪育种提供了方法论支持，也为其他物种的免疫性状预测研究奠定了基础。

### 补充说明
- **数据可及性**：原始RNA-seq数据已上传至NCBI（Bioproject: PRJNA1267984），后续可下载验证模型。
- **伦理合规**：实验经西班牙伦理委员会批准（RD 53/2013），符合欧盟动物保护指令（2010/63/EU）。
- **局限性**：样本量较小（255头），且转录组数据采集时间（60天）与屠宰时间（180天）间隔较长，需后续研究验证时间动态关联。