编辑推荐：
为解决大西洋鲑饲料效率（FE）个体水平研究缺乏及个体采食量（IFI）测量难题，研究人员利用 X 射线成像结合 YOLO-XBeads 模型，分析 IFI、FCR、pRFI、gRFI 等性状遗传参数及相关性。发现相关性状具遗传性，为育种提供依据。
在水产养殖领域，饲料成本占据大西洋鲑养殖的重要份额，提升饲料效率（Feed Efficiency, FE）是降低成本、减少环境影响的关键。然而，长期以来，大西洋鲑个体水平的饲料效率研究面临重大瓶颈 —— 缺乏精准测量个体采食量（Individual Feed Intake, IFI）的有效方法。传统养殖环境中，鱼群密集游动、可视性差，难以追踪个体摄食情况，导致饲料转化率（Feed Conversion Ratio, FCR）、表型剩余采食量（Phenotypic Residual Feed Intake, pRFI）、遗传剩余采食量（Genetic Residual Feed Intake, gRFI）等关键 FE 指标的遗传参数及与生长性状的关联研究进展缓慢。尽管部分研究尝试通过间接选择生长速率或脂肪沉积等性状改善 FE，但结论存在争议，亟需直接针对个体 IFI 和 FE 的遗传学分析。
为突破这一困境，挪威 MOWI 育种群体的研究人员开展了一项创新性研究，相关成果发表在《Aquaculture》。研究旨在通过技术创新与遗传分析，揭示大西洋鲑个体 FE 及生长性状的遗传规律，为高效育种提供科学依据。
研究采用的关键技术包括：
- X 射线成像技术：对 700 尾摄食含放射不透明珠饲料的大西洋鲑稚鱼进行多时间点成像，获取个体消化道内的珠粒图像以量化 IFI。
- YOLO-XBeads 深度学习模型：基于 YOLOv5 预训练模型，针对 X 射线图像中的珠粒检测与计数进行微调，实现 IFI 的自动化精准评估。
- 遗传参数估计与相关性分析：利用统计模型计算 IFI、FCR、pRFI、gRFI、体重（Body Weight, BW）、平均日增重（Average Daily Gain, ADG）、全身体脂（Whole-Body Fat, WBF）等性状的遗传力（h2），并分析性状间的表型和遗传相关性（r?）。
研究结果
1. YOLO-XBeads 模型的有效性验证
通过 X 射线图像训练的 YOLO-XBeads 模型表现卓越，检测结果与真实值的决定系数（R2）达 0.99，平均绝对百分比误差为 2.60%–5.94%。相较于传统图像软件和人工计数，该模型分析效率提升两个数量级，显著降低了时间、人力和成本投入。
2. 关键性状的遗传参数
- IFI：遗传力为 0.20±0.05–0.50±0.07，表明个体间采食量差异受遗传因素显著影响。
- 生长性状（ADG、BW）：遗传力分别为 0.44±0.06–0.55±0.06 和 0.50±0.06–0.55±0.06，显示强遗传性。
- FE 指标（pRFI、gRFI、FCR）：遗传力较低（pRFI：0.11±0.05–0.16±0.07；gRFI：0.06±0.03–0.18±0.06；FCR：0.09±0.04–0.23±0.06），但仍存在可遗传变异。
- WBF：遗传力高达 0.62±0.06，提示脂肪沉积的遗传调控潜力。
3. 性状间的遗传相关性
- IFI 与生长性状：IFI 与 ADG、BW 的遗传相关性强（rg=0.71±0.07–0.96±0.01），表明 ADG 可解释 IFI 遗传变异的较大比例。
- FE 指标内部关联：不同 FE 指标间遗传相关性极高（rg=0.86±0.05–0.99±0.01），暗示共享遗传调控机制。
- FE 与 WBF 的关系：WBF 与 IFI、BW、ADG 呈中等遗传相关（rg=0.52±0.09–0.64±0.07），但 FE 指标与 ADG、WBF 的遗传相关性较弱（rg=0.00±0.21–0.38±0.17；rg=?0.03±0.18–0.21±0.19），提示通过选择生长或脂肪沉积间接改善 FE 的效果有限。
结论与讨论
本研究首次通过 X 射线成像与深度学习模型的结合，建立了大西洋鲑个体 IFI 的高效测量体系，突破了传统方法的技术壁垒。研究证实，IFI、FE 及生长性状在个体水平具显著遗传性，且 FE 指标与生长性状的遗传关联存在特异性：尽管 IFI 与生长高度相关，但独立于生长的 pRFI 和 gRFI 变异仍存在，表明可通过直接选择 FE 指标实现遗传改良，而无需完全依赖生长性状的间接选择。此外，WBF 与生长性状的中等相关性提示其在育种中需综合考量。
研究结果为大西洋鲑育种提供了关键科学依据：通过靶向 IFI 和 FE 指标的直接选择，有望在维持生长性能的同时提升饲料利用效率，降低养殖成本与环境负荷。值得注意的是，本研究聚焦淡水稚鱼阶段，后续需进一步验证海水阶段的遗传规律，以完善全养殖周期的育种策略。
该研究不仅为水产养殖的精准育种提供了新工具（YOLO-XBeads 模型）和新思路，也为其他水生动物的 FE 研究提供了方法学借鉴，推动了遗传分析与数字技术在水产领域的深度融合。
