基于神经网络GBLUP模型整合瘤胃微生物PCA与宿主基因组变异提升绵羊甲烷排放和饲料效率的基因组预测精度

本研究针对反刍动物甲烷排放和饲料效率性状基因组预测精度低的问题，创新性地将瘤胃微生物组成(RMC)数据通过主成分分析(PCA)降维后，作为中间性状整合到神经网络基因组最佳线性无偏预测(NN-GBLUP)模型中。结果表明，PCA能有效保留微生物数据关键信息（100%变异解释时微生物遗传力估计与完整数据集一致），NN-GBLUP模型使甲烷排放预测准确度从0.09提升至0.30，饲料效率从0.25提升至0.37。该研究为通过基因组选择降低畜牧业温室气体排放提供了新方法。

　　

反刍动物排放的甲烷占全球温室气体排放的40%，如何通过育种手段降低这一排放已成为应对气候变化的紧迫课题。传统方法如饲料添加剂虽有一定效果，但存在实施成本高、效果不稳定等问题。与此同时，饲料效率（如剩余采食量RFI）直接影响养殖经济效益，其遗传改良也面临表型测量成本高的瓶颈。基因组选择虽为潜在解决方案，但甲烷性状的低遗传力（0.16-0.25）和RFI的中等遗传力（0.11-0.3）导致预测精度受限。更棘手的是，瘤胃微生物与这些性状密切相关——微生物不仅参与甲烷生成，还影响饲料消化效率，且其组成部分受宿主遗传控制（微生物遗传力>0.15）。这提示我们：若能有效整合微生物组数据，或可突破当前基因组预测的精度瓶颈。

新西兰农业研究所(AgResearch)的研究团队在《Genetics Selection Evolution》发表的研究中，开创性地将高通量测序获得的瘤胃微生物标签数据（240,743个特征）通过PCA降维，并作为可观测的中间层特征整合到NN-GBLUP神经网络模型中。研究采用新西兰3个羊群的1,051只甲烷测定个体和984只RFI测定个体（863只重叠），通过便携式累积室(PAC)测量甲烷，自动饲喂系统记录采食量。关键技术包括：参考自由(reference-free)的瘤胃微生物标签分析流程、主成分分析（解释25%-100%变异）、微生物遗传力估计模型，以及创新的三层神经网络架构（基因型输入层-PCA中间层-表型输出层）。

PCA有效保留微生物信息
通过比较不同PCA阈值（25%-100%解释变异）与完整微生物标签集的微生物遗传力估计发现：甲烷性状在100%变异解释时PCA估计值（0.50）与完整数据（0.47）高度一致；RFI的对应值分别为0.71和0.70。这表明PCA在显著降低数据维度（如从207,393个标签降至88个主成分）的同时，仍能保留关键的生物学信息。

NN-GBLUP显著提升预测精度
在独立验证集（2016年出生个体）中，整合25%变异解释PCA成分（88个PCs）的NN-GBLUP模型表现最佳：甲烷排放预测精度从传统GBLUP的0.09提升至0.30，RFI从0.25提升至0.37。值得注意的是，更高维度的PCA成分（如解释75%变异的640个PCs）反而降低预测精度，这可能与低遗传力性状易受噪声干扰有关。五折交叉验证进一步证实，25%PCA成分使甲烷预测精度从0.15提升至0.27。

性状特异性响应模式
研究揭示了微生物数据整合的性状依赖性：对CO₂排放、活重(LWT)等微生物关联较弱的性状，NN-GBLUP未显示优势；而对甲烷和RFI等微生物密切参与的性状，提升幅度达2-3倍。这种差异可能与甲烷生成直接依赖产甲烷古菌的代谢活动，而RFI受多种微生物消化效率调控有关。

这项研究首次证明，通过PCA降维和神经网络建模，可将海量瘤胃微生物数据高效转化为育种价值。相比传统方法（如将微生物作为独立随机效应），NN-GBLUP通过捕捉宿主基因-微生物组-表型的级联效应，使甲烷性状预测精度达到实用化水平。尤为重要的是，25%变异解释的PCA成分即可实现最优预测，这大幅降低了计算成本，使得在商业育种中大规模应用成为可能。研究为"微生物辅助基因组选择"提供了范式——不仅适用于反刍动物育种，其分层建模思路还可拓展至其他受微生物调控的复杂性状（如免疫、代谢疾病等）。随着测序成本下降，该方法或将成为畜牧业减排的关键技术，助力实现《巴黎协定》的温室气体控制目标。