高维环境数据下的基因型与环境互作研究：以猪生产性状为例

为解决传统遗传预测模型中环境效应处理过于简化的问题，研究人员开展了基于高维环境数据（ECs）的基因型与环境互作（GxE）研究。通过分析猪的日增重（ADG）和背膘厚（BFT），发现利用公开气象数据（如NASA POWER）建模虽能提升模型拟合度，但对基因组预测准确性改善有限。研究为优化畜禽育种策略提供了新思路，成果发表于《Genetics Selection Evolution》。

　　

在气候变化加剧的背景下，畜禽生产面临日益严峻的热应激挑战。猪作为对热应激高度敏感的物种，其生产性能受环境波动影响显著。传统遗传评估模型通常将环境效应视为独立变量，忽略了地理位置、气候条件等因素导致的关联性。温度湿度指数（THI）虽常用于表征热应激，但难以全面反映复杂的气候特征。如何利用高维环境数据优化基因组预测，成为动物育种领域亟待解决的问题。

美国佐治亚大学Fernando Bussiman团队联合Genus PIC公司，在《Genetics Selection Evolution》发表研究，通过整合NASA POWER气象数据与35,596头纯种猪的基因组信息，系统评估了环境协变量（ECs）在建模环境相关性和GxE中的作用。研究采用六种模型（MG/ME₃₀
/ME₁₀₀
/MGE₃₀
/MGE₁₀₀
/MTM），结合单步基因组最佳线性无偏预测（GBLUP）和多重验证策略，揭示了气象数据在猪育种中的实际应用价值。

关键技术方法
研究团队从11个北半球猪场获取表型数据（ADG/BFT）和50K SNP基因型，通过NASA POWER提取8项ECs（温度/湿度/风速等）的30天和100天日均值。采用协方差函数建模环境相关性，构建基因组关系矩阵（G矩阵），通过EM-AI-REML算法估计方差组分。通过前向验证和环境验证比较模型性能，评估预测准确性（acc）、偏差（δ）和离散度（b₁
）。

研究结果

方差组分与遗传力
当环境效应通过ECs关联时，环境方差（σ²
_e
）增加4.8倍（ADG）和5.2倍（BFT），导致遗传力估计下降（ADG从0.16降至0.09）。GxE方差占比仅为1.2%（ADG）和0.5%（BFT），但模型拟合度显著提升（MGE₁₀₀
的-2LogL最低）。

遗传相关性
多性状模型（MTM）显示ADG的环境间遗传相关性（r_g
）差异显著（0.03-1.00），31%的环境组合r_g

0.80；而BFT的r_g
范围较窄（0.35-0.83），仅7%组合达到强相关，表明BFT受GxE影响更显著。

模型验证
传统模型（MG）与ECs模型（ME/MGE）预测准确性相当（ADG acc≈0.79，BFT acc≈0.86），但MTM因数据稀疏性表现较差（BFT acc降低27.9%）。所有模型偏差相近，但MTM出现预测值离散问题（BFT的b₁
=1.45）。

结论与意义
该研究首次系统评估了高维气象数据在猪基因组预测中的应用价值。虽然通过ECs建模能更精确刻画环境效应并提升模型拟合度，但对育种值预测准确性的改善有限。这一发现为育种实践提供了重要参考：在数据连接度不足时，将环境效应作为非关联随机效应处理，仍是平衡计算效率与预测精度的有效策略。研究提出的协方差函数法为GxE建模提供了新思路，特别适用于环境梯度连续但记录重复性低的场景。未来研究可结合舍内微环境数据，进一步优化热应激响应的遗传评估体系。