编辑推荐：
为解决多性状基因组预测准确性问题，山东农业大学的研究人员开展了整合局部遗传相关性（LGC）提升多性状基因组预测的研究，结果表明整合 LGC 可提高预测准确性，对相关领域研究意义重大。
在生命科学和医学领域，精准预测个体的表型和遗传特征一直是研究的重点。基因组预测（Genomic prediction）作为一种强大的工具，能够基于基因组信息预测个体复杂性状的表型或遗传价值，在人类、动植物等多个领域都有广泛应用。比如在人类医学中，它可以预测个体患某些疾病的风险，助力个性化医疗；在动植物育种方面，能加速遗传改良，降低育种成本。
然而，传统的多性状基因组预测方法存在一定的局限性。许多复杂性状之间存在遗传相关性，这是由于基因的多效性影响多个性状。但传统方法（如 MTGBLUP）仅考虑了性状之间的全局遗传相关性，忽略了局部遗传相关性（Local genetic correlation，LGC），即特定基因组区域内基因产生的相关性 。实际上，基因在不同区域对全局遗传相关性的贡献不同，有些区域可能产生正相关，有些可能是负相关，甚至没有相关性。比如，虽然阿尔茨海默病（AD）与 II 型糖尿病（T2D）、低密度脂蛋白（LDL）的全局遗传相关性不显著，但在特定基因组区域却存在高度显著的 LGC。因此，探究 LGC 对多性状基因组预测准确性的影响，并开发新的模型显得尤为重要。
为了解决这些问题，山东农业大学的研究人员开展了一项深入研究。他们提出了三种将 LGC 纳入多性状基因组预测模型的新模型（LGC-model-1、LGC-model-2 和 LGC-model-3），并利用模拟数据以及来自人类、奶牛和猪群体的三个真实数据集对这些模型的性能进行评估。研究结果表明，与传统的基于全局遗传相关性的多性状基因组预测方法相比，整合 LGC 的模型平均能将预测准确性提高 12.76%±2.07%。这一研究成果为多性状基因组预测提供了新的思路和方法，对推动精准医学和动植物遗传改良具有重要意义，该研究发表于Communications Biology期刊。
在研究方法上，研究人员主要采用了以下关键技术：一是利用基因组残差最大似然法（GREML）估计全局遗传相关性，通过构建双变量线性混合模型实现；二是使用 LAVA 软件和全基因组关联研究（GWAS）汇总统计数据来估计 LGC，先将基因组划分为半独立的连锁不平衡（LD）块，再进行单性状 GWAS 获取所需数据；三是运用多种基因组预测模型，包括单性状基因组最佳线性无偏预测（STGBLUP）、传统的多性状基因组最佳线性无偏预测（MTGBLUP）以及新提出的三种 LGC 模型，并通过 10 折交叉验证评估模型的预测准确性。研究使用的样本队列包括来自英国生物银行（UK Biobank）的人类数据、中国荷斯坦奶牛数据和杜洛克猪数据。
下面来看看具体的研究结果：
- 模拟研究：基于英国生物银行的真实基因型数据进行模拟，设置了三种不同的场景。在所有情况下，多性状模型（MTGBLUP 和 LGC 模型）的表现均优于单性状模型（PRSice-2 (C + T)、LDpred2 和 STGBLUP）和 wMT-BLUP，但在性状对的全局遗传相关性为零或非常弱时，MTGBLUP 与 STGBLUP 表现相似。在场景 1 和场景 2 中，LGC-model-2 表现最佳；在场景 3 中，LGC-model-1 表现最佳12。
- 全局和局部遗传相关性估计：对真实数据集的研究发现，全局遗传相关性范围从强正相关到强负相关不等。通过 LAVA 软件划分基因组区域并估计 LGC，发现不同性状对的 LGC 在不同区域差异很大，从强正相关到零相关再到强负相关都有。而且，全局遗传相关性越强，具有显著 LGC 的区域越多34。
- 真实数据集的基因组预测准确性：在人类、奶牛和猪的数据集上，MTGBLUP 和 LGC 模型在大多数情况下优于单性状方法和 wMT-BLUP。在人类数据集中，LGC-model-1 和 LGC-model-2 表现突出；奶牛数据集中，LGC-model-1 表现最佳；猪数据集中，LGC-model-2 略胜一筹56。
研究结论和讨论部分指出，LGC 在基因组中普遍存在且具有异质性。整合 LGC 到多性状基因组预测中，能普遍提高预测准确性，在本研究使用的真实数据集中，相比传统 MTGBLUP 方法，相对提升最高可达 135.97%（平均约 12.76%）。对于不同的数据集和性状对，应根据 LGC 的特点选择合适的模型，当有较多显著 LGC 区域时，LGC-model-1 更优；否则，LGC-model-2 可能是更好的选择。此外，研究还发现性状的多基因性会影响模型的相对性能，但在真实数据集中难以获取这一信息。总体而言，该研究成果为 LGC 在多性状基因组预测中的广泛应用奠定了基础，有望推动不同性状和物种的相关研究和应用发展。
