编辑推荐：
为探究伊比利亚猪不同品系肠道微生物组成差异及遗传背景对其影响，研究人员对 Entrepelado 和 Retinto 品系及其杂交猪进行研究。结果发现不同品系间微生物群有差异，机器学习模型能有效分类遗传群体。该研究为猪产业应用提供参考。
在动物养殖领域，肠道微生物对于家畜的重要性愈发凸显。众多研究表明，肠道微生物与家畜的多种复杂表型性状紧密相关，比如影响牛的甲烷排放、兔子的肌肉内脂肪含量和抗逆性，以及猪的生长和胴体组成等。伊比利亚猪作为一种在市场上备受瞩目的猪种，因其高品质的肉类产品而闻名，其高肌内脂肪沉积和独特的脂肪酸谱，特别是高油酸含量，使其在国内外市场需求不断增长。
然而，尽管已知肠道微生物对猪的生产表型有重要影响，但伊比利亚猪不同品系之间的肠道微生物组成差异却从未被比较研究过。不同品系的伊比利亚猪在遗传和表型上存在显著差异，例如 Retinto 品系在肉质和繁殖力方面表现更优，而 Entrepelado 品系则具有重要的母本效应，影响后代生长。同时，猪的微生物组受到多种因素影响，包括宿主遗传、母本因素、饲养环境、饮食和年龄等，且微生物组数据复杂，传统分析方法难以有效处理。因此，为了深入了解伊比利亚猪肠道微生物的奥秘，来自西班牙多个研究机构的研究人员开展了一项重要研究，相关成果发表在《Animal Microbiome》杂志上。
研究人员为开展此项研究，运用了多种关键技术方法。在样本采集方面，选取了伊比利亚猪的两个纯育品系 Entrepelado（74 头）和 Retinto（63 头）以及它们的杂交后代（100 头），从西班牙 INGA FOOD S.A 公司的伊比利亚测试中心采集粪便样本。在实验技术上，通过 16S rRNA 基因扩增子测序分析微生物群落，利用多种生物信息学工具对测序数据进行处理和分析，包括质量控制、引物修剪、序列变异推断和分类注释等。此外，使用了九种监督机器学习（ML）算法构建预测模型，对伊比利亚猪进行分类，并通过交叉验证和特征选择优化模型。
研究结果如下：
- 微生物群组成：在对 237 头伊比利亚猪粪便样本的 16S rRNA 基因测序后，共获得 16,820,609 条原始读数，对应 12,158 个扩增子序列变体（ASVs）。经过筛选，确定了 16 个门、26 个纲、57 个目、96 个科和 262 个属。其中，厚壁菌门（Firmicutes）是最丰富的门，平均相对丰度达 93.9%，其次是拟杆菌门（Bacteroidota），占 4.5%。在属水平上，链球菌属（Streptococcus）在所有遗传背景的动物中占主导地位。通过计算 alpha 和 beta 多样性发现，不同遗传群体的 alpha 多样性无显著差异，但 beta 多样性分析表明遗传群体、年龄和批次对微生物群组成有显著影响12。
- 分类结果：评估九种 ML 模型的分类性能发现，在区分四个遗传群体的场景中，Catboost 分类器（CB）表现最佳，平均受试者工作特征曲线下面积（AUROC）为 0.64。在纯种场景中，使用相同的 CB 分类器，AUROC 达到 0.77。总体而言，纯种动物比杂交动物更易区分，且父本场景的分类性能优于母本场景，杂种优势场景的分类性能较差。特征选择后，模型性能普遍提升，如纯种场景中支持向量机（SVM）模型的 AUROC 从 0.77 提高到 0.8334。
- 差异丰度分析：通过贝叶斯线性模型确定了不同遗传群体间差异丰度的属，共鉴定出 20 个差异丰度属，其中 16 个在纯种之间存在差异。例如，Aacetinomaculum、Butyricicoccus 和 Romboutsia 在 EE 和 RR 品系之间表现出最显著的差异丰度。这些差异丰度属在特征选择过程中也被确定为重要特征5。
研究结论和讨论部分指出，该研究证实了伊比利亚猪品系及其杂交后代的肠道微生物群存在差异，且受遗传和非遗传因素影响。机器学习算法，尤其是 CatBoost 和随机森林（RF），在分析中表现出较高的分类性能，SVM 在特定场景下也取得了显著成果。差异丰度分析确定的属与短链脂肪酸（SCFAs）的产生和脂质代谢相关，这表明微生物组成的差异可能导致伊比利亚猪不同遗传群体在脂肪相关性状上的差异，为进一步理解伊比利亚猪的肉质差异提供了微生物学依据。不过，研究也存在一定局限性，如在母本效应和杂种优势效应的研究上，可能需要更大的样本量来深入探究。未来，进一步研究这些微生物属与特定性状的关联，特别是与肉质性状的关系，将为伊比利亚猪的养殖和育种提供更有价值的参考，有助于推动猪产业的发展 。
