编辑推荐：
为提升比利时蓝牛基因组选择（GS）准确性，研究人员评估相关模型，发现功能注释可提高可靠性，仍有改进空间。
解锁比利时蓝牛遗传密码：基因组选择模型新探索
在现代畜牧业蓬勃发展的浪潮中，精准育种成为提升家畜品质、满足不断增长的市场需求的关键 “钥匙”。基因组选择（Genomic Selection，GS）技术凭借高通量基因分型技术的东风，在家畜育种领域掀起了一场革新风暴，让育种工作从传统的 “经验摸索” 迈向精准的 “基因导航” 时代。然而，当全基因组序列（Whole Genome Sequence，WGS）数据这一 “宝藏” 出现时，人们原本期待它能为基因组选择带来质的飞跃，大幅提升预测准确性，可早期研究却令人有些失望。无论是模拟数据还是真实数据的研究都显示，在预测方法不变的情况下，使用 WGS 数据进行预测，准确性提升微乎其微。就好比拿着一张无比精确的地图，却因为没有合适的导航仪，无法充分利用它找到精准的路线。这背后的原因错综复杂，其中罕见变异的低填充准确性以及功能注释的不完善，成为了阻碍 WGS 数据发挥强大威力的 “绊脚石”。
比利时蓝牛，作为肉牛界的 “明星” 品种，因其出色的肌肉发育特性备受关注。但在其育种过程中，如何更精准地选择具有优良肌肉发育基因的个体，一直是育种专家们苦苦思索的难题。为了攻克这一难关，来自比利时列日大学动物基因组学单位（Unit of Animal Genomics, GIGA-R & Faculty of Veterinary Medicine, University of Liège）和瓦隆育种者协会（Walloon Breeders Association）的 Can Yuan、Alain Gillon 等研究人员挺身而出，决心探索出一条提升比利时蓝牛基因组选择准确性的新道路。他们的研究成果发表在《Genetics Selection Evolution》杂志上，为该领域带来了新的曙光。
在这场科研征程中，研究人员采用了一系列先进且巧妙的技术方法。首先是基因型填充技术，他们从 18324 头比利时蓝牛的基因数据出发，通过多步填充，将基因数据提升到序列水平，就像是为基因数据搭建了层层 “云梯”，让其不断升级。在这个过程中，他们严格筛选变异位点，去除那些 “不合格”（低检出率、低次要等位基因频率、偏离哈迪 - 温伯格平衡）的位点，确保数据的高质量。随后，研究人员运用了多种基因组预测模型，包括 GBLUP（基因组最佳线性无偏预测）、BayesR、BayesCπ、BSLMM（贝叶斯稀疏线性混合模型）等，还创新性地结合功能注释，开发了 MGFBLUP（多基因组特征 BLUP）和 BayesRR - RC（贝叶斯分组回归混合模型）等模型，从不同角度 “进攻”，试图找到最精准的预测模型。为了评估这些模型的优劣，他们精心设计了交叉验证实验，将数据巧妙地划分为参考群体和目标群体，反复比较不同模型在不同条件下的预测准确性。
下面让我们来深入了解一下研究人员的重要发现：
- 全基因组序列数据的力量：研究人员对比了使用中等密度标记（MMD）阵列和全基因组序列数据的模型预测准确性。结果令人眼前一亮，使用 WGS 数据的模型可靠性显著提升，平均提高了 1.8%（以 BayesR 模型为例）。这表明 WGS 数据就像一把精准的 “手术刀”，能够更准确地剖析比利时蓝牛的遗传信息，捕捉到更多影响肌肉发育的关键基因变异。但遗憾的是，这种提升有时并不显著，主要是因为常见变异在遗传方差中占主导地位，而罕见变异由于填充准确性低，无法充分发挥其作用，就像拼图中缺失了关键的几块，使得 WGS 数据的潜力无法完全释放。
- 预测模型的较量：在众多预测模型的 “大比拼” 中，不同模型各有千秋。当使用全序列数据时，BayesR 和 BayesRR - RC 等贝叶斯模型表现出色，BayesR 的可靠性比 GBLUP - S 平均高出 1.2%。但有趣的是，使用标准化基因型的 GBLUP - S 在选择常见变异时，可靠性反而增加，这暗示着比利时蓝牛的肌肉发育性状可能受到定向选择的影响。而当使用子集 SNP 时，BSLMM 脱颖而出，成为当之无愧的 “冠军” 模型，它就像一个精准的 “探测器”，能够敏锐地捕捉到那些对肌肉发育性状有重要影响的变异，结合多基因模型和少量具有额外效应的变异，展现出了强大的预测能力。
- 功能注释的价值：功能注释的加入，为基因组选择带来了新的变化。对于贝叶斯混合模型来说，虽然它在人类研究中取得了显著成效，但在比利时蓝牛研究中，效果却不尽如人意。这是因为家畜和人类在种群结构、遗传架构等方面存在巨大差异，就像两个不同的 “生态系统”，使得功能注释在比利时蓝牛中的应用面临诸多挑战。不过，MGFBLUP 框架凭借其独特的灵活性，在使用功能注释时，比 GBLUP 模型的准确性略有提高，而 BayesRR - RC 在使用功能注释时，准确性却有所下降，这也让研究人员意识到，如何更好地利用功能注释，还需要进一步探索。
- 标记子集选择策略：研究人员还探索了基于功能注释和连锁不平衡（LD）修剪的标记子集选择策略。结果发现，这两种策略都能在降低计算成本的同时，达到与使用全序列数据相当的准确性。特别是基于功能注释选择的标记子集，表现更为突出。其中，BSLMM 结合功能注释选择的标记子集，成为了基因组预测的 “最佳拍档”，可靠性最高，比使用 MMD 标记的 GBLUP - C 模型有了显著提升，这为比利时蓝牛的精准育种提供了一种高效、低成本的新策略。
这项研究意义重大，就像在比利时蓝牛的育种道路上点亮了一盏明灯。它不仅为比利时蓝牛的精准育种提供了科学依据和实用方法，让育种专家们能够更准确地选择优良品种，加速品种改良进程；还为其他家畜的基因组选择研究提供了宝贵的借鉴经验，推动了整个家畜育种领域的发展。不过，研究人员也清醒地认识到，目前的研究还存在一些不足之处。比如，功能注释还不够完善，难以准确识别那些真正对性状有重要影响的变异；罕见变异的利用仍然是一个难题，需要进一步提高其填充准确性。未来，研究人员将继续努力，不断改进功能注释方法，探索更有效的罕见变异利用策略，为家畜育种事业的发展注入新的活力，让比利时蓝牛等家畜品种在精准育种的道路上越走越远，为满足全球日益增长的肉类需求贡献更多力量。
