基于RASEL集成模型的牛品种核心SNP筛选及功能分类研究

来自印度的研究人员开发了名为RASEL的创新机器学习流程，通过整合参考面板（R）、祖先信息标记（A）、选择特征（S）和集成学习（EL）技术，成功构建了包含207个品种信息标记（BIMs）和17个功能信息标记（UIMs）的分子标记体系。该模型对牛品种鉴定的准确率达>98%，对乳用/役用功能分类准确率>96%，为印度马哈拉施特拉地区非描述性牛群的生产性能评估提供了重要分子工具。

　　

这项突破性研究构建了名为RASEL（Reference panel, Ancestry informative markers, Selection signatures, Ensemble learning）的创新分析流程，通过整合657个祖先信息标记（AIMs）和机器学习技术，实现了牛品种的精准分子鉴定。研究团队巧妙组合逻辑回归、XGBoost和随机森林三种准确率>95%的算法，最终仅需207个品种信息标记（BIMs）即可达成>98%的品种判别准确率。

针对畜牧生产中的实际需求，研究者进一步挖掘与乳用/役用性状相关的选择特征区域，鉴定出17个功能信息标记（UIMs），其中包含12个BIMs和5个选择特征标记。这套标记体系对牛群功能类型的分类准确率突破96%，并在印度马哈拉施特拉地区非品种牛的应用验证中，成功揭示了其生产性能与分子标记的对应关系。

该研究建立的RASEL系统（开源地址：https://github.com/kkokay07/RASEL）为畜牧育种提供了革命性的分子决策工具，既可实现品种溯源，又能指导牛群按生产用途（乳用/役用）进行遗传改良，标志着畜禽分子育种进入智能化的新阶段。