多性状全基因组关联最佳线性无偏预测：特异性 SNP 权重提升遗传值预测可靠性

《Genetics Selection Evolution》：Multitrait genome-wide association best linear unbiased prediction of genetic values

为解决传统基因组预测方法问题，研究人员开展多性状 GWABLUP 研究，发现性状特异性 SNP 权重可提高预测可靠性1215。

　　在生命科学领域，基因组预测对于生物遗传评估和育种工作至关重要。传统的基因组最佳线性无偏预测（GBLUP）和单核苷酸多态性 - 最佳线性无偏预测（SNP-BLUP）方法，虽然应用广泛，但存在一定局限性。它们假设所有单核苷酸多态性（SNP）对总遗传方差的贡献相同，这显然与实际情况不符。而贝叶斯变量选择方法虽能给重要 SNP 分配更多方差或权重，却因采用蒙特卡罗马尔可夫链（MCMC）采样技术，计算复杂且要求高。

在此背景下，挪威生命科学大学（Faculty of Life Sciences, Norwegian University of Life Sciences）的 Theo Meuwissen 和 GHPC Consulting and Service PTY, LTD 的 Vinzent Boerner 开展了一项研究。该研究旨在拓展多性状 GWABLUP（Genome-Wide Association based Best Linear Unbiased Prediction，基于全基因组关联的最佳线性无偏预测）方法，使其使用性状特异性 SNP 权重，并与使用相同 SNP 权重的方法进行比较。研究成果发表在《Genetics Selection Evolution》杂志上。

研究人员使用了一个包含 3 个奶牛性状（牛奶产量、蛋白质产量和体细胞计数）的数据集，其中涉及 32,201 头挪威红牛。该数据由 Geno SA 提供，包含奶牛的产量偏差、可靠性以及 617,739 个 SNP 的基因分型信息。研究的主要技术方法如下：

1. 计算 SNP 权重：通过全基因组关联研究（GWAS）结果，计算出统一的 SNP 权重和性状特异性 SNP 权重。具体是将 GWAS 估计的 SNP 效应及其标准误差转化为性状特异性的似然比，进而得到后验概率作为 SNP 权重34。
2. 多性状 SNP-BLUP 分析：构建多性状 SNP-BLUP 模型，对不同权重设置下的模型进行分析，包括未加权的 SNP-BLUP（SNP_unw-BLUP）、各性状使用相同权重的 SNP-BLUP（SNP_eqw-BLUP）和各性状使用特异性权重的 SNP-BLUP（SNP_tsw-BLUP）56。
3. 模型求解与验证：利用 APEX 线性模型套件中的迭代双预条件共轭梯度算法求解模型方程，以 1988 头 2018 年出生的奶牛记录作为验证集，通过比较预测的基因组估计育种值（GEBV）与实际产量偏差（YD）的相关性来评估预测可靠性78。

研究结果如下：

1. 模型收敛情况：SNP_unw-BLUP、SNP_eqw-BLUP 和 SNP_tsw-BLUP 模型分别在 451、2446 和 5211 次迭代后收敛。使用 SNP 权重，尤其是性状特异性 SNP 权重，会显著减缓模型收敛速度910。
2. SNP 权重分布：不同性状在不同染色体上存在具有高后验概率（PP>0.9）的 SNP。牛奶产量和蛋白质产量的高概率 SNP 峰值有较多重叠，而产量性状与体细胞计数的重叠较少11。
3. 预测可靠性：与未加权的 SNP-BLUP 相比，使用 SNP 权重（SNP_eqw-BLUP 和 SNP_tsw-BLUP）可使牛奶和蛋白质产量的基因组预测可靠性显著提高 11 - 13%。SNP_tsw-BLUP 在三个性状上均获得最高可靠性，尽管对体细胞计数的提升不显著1213。
4. 预测偏差：未使用 SNP 权重的体细胞计数分析存在显著的通胀偏差，而使用 SNP 权重的分析几乎无偏差14。

研究结论和讨论部分指出，多性状 GWABLUP 模型中使用性状特异性 SNP 权重，能为所分析的三个性状产生可靠性最高的估计育种值（EBV）。对于体细胞计数这一与其他性状相关性较低的性状，使用相同 SNP 权重会降低 EBV 的可靠性，而性状特异性 SNP 权重可解决这一问题。与未加权的多性状 SNP-BLUP 相比，多性状 GWABLUP 模型可使 EBV 的可靠性提高多达 13%。此外，研究还探讨了提高基因组预测准确性的方法，以及不同 GWAS 分析策略和 SNP 权重设置的影响。该研究为基因组预测提供了更有效的方法，在奶牛育种等领域具有重要的应用价值，有助于优化育种决策，提高育种效率。