捕捉生物互作效应：基于KEGG通路整合的biBLUP模型显著提升复杂性状预测精度

针对复杂性状预测中基因组互作效应被忽视的难题，研究团队开发了整合KEGG通路信息的biBLUP（biological interaction Best Linear Unbiased Prediction）模型。通过模拟和酵母（6,642株系）、水稻实证数据验证，该模型使生长速率和开花期预测精度最高提升62%和16.29%，为解析性状遗传架构提供了新范式。

　　

在生命科学领域，复杂性状如作物产量、疾病易感性的遗传解析始终是重大挑战。传统全基因组关联分析（GWAS）多聚焦于单个基因效应，而大量研究表明，基因间互作（epistasis）才是性状变异的"暗物质"。然而，现有统计模型往往将生物通路中精密的分子互作网络简化为数学交互项，导致预测精度受限。这种"黑箱化"处理方式，使得研究者虽手握海量组学数据，却难以捕捉生物体内真实的互作景观。

针对这一瓶颈，Ning Gao等人在《Journal of Integrative Agriculture》发表的研究中，创新性地将京都基因与基因组百科全书（KEGG）通路知识融入最佳线性无偏预测（BLUP）框架，提出biBLUP模型。该工作通过模拟和跨物种实证，证明整合生物互作信息可显著提升预测效能，为复杂性状研究开辟了新路径。

关键技术包括：1）构建基于KEGG通路基因集的互作矩阵；2）开发混合模型框架biBLUP整合主效与互作效应；3）采用6,642株酵母菌株的生长速率数据和水稻开花期数据进行模型验证；4）通过五折交叉验证评估预测准确性提升幅度。

Abstract

研究系统论证了忽略生物互作会导致模型预测偏差。模拟显示，当性状受通路内基因互作主导时，传统模型预测精度下降达38%，而biBLUP通过加权KEGG互作项可逆转这一劣势。

Results

在酵母全基因组数据中，聚焦尿囊素代谢通路（KEGG map00232）的互作效应建模，使生长速率预测R²从0.21跃升至0.29（提升40.36%）。水稻开花期预测中，整合植物激素信号转导通路（KEGG map04075）的互作项，准确率提升16.29%，且检测到已知的Hd1-Hd3a上位性互作。

Discussion

该研究突破性地实现了"生物知识驱动"的统计建模转型：1）KEGG通路作为先验信息约束模型搜索空间，缓解了高维数据过拟合；2）通路级互作效应捕获能力为解析多基因协同机制提供新工具；3）跨物种验证证实模型普适性。这种"干湿结合"策略，为从分子互作网络到表型的"基因型-表型"映射建立了可解释的桥梁。

研究启示深远：在精准育种中，biBLUP可优化亲本选配策略；在医学遗传学领域，为多基因病风险预测提供新思路。正如作者指出，未来整合单细胞互作组等多维数据，或将进一步释放模型潜力。这项工作标志着复杂性状研究从"统计相关"迈向"机制驱动"的关键一步。