奶牛基因组评估中结合外部信息的多性状随机回归测试日模型高效实现研究

为解决奶牛基因组评估中随机回归模型(RRM)与单步基因组最佳线性无偏预测(ssGBLUP)结合时的计算效率与信息整合难题，A. álvarez-Múnera团队开发了基于捷克荷斯坦牛群的高效多性状RRM-ssGBLUP评估系统。研究通过优化遗传分组、应用APY算法及整合Interbull国际评估数据，实现了10倍计算加速，验证可靠性达0.77-0.94，为大规模基因组评估提供了可行方案。

　　

在奶牛育种领域，如何高效整合海量测试日记录与基因组数据一直是国际性难题。传统随机回归模型(RRM)虽能精准分析产奶量等纵向性状，但结合单步基因组最佳线性无偏预测(ssGBLUP)时面临计算瓶颈，且国际评估数据(MACE)与本国测试日模型尺度差异导致信息整合困难。这些问题制约着基因组选择的推广应用，尤其对捷克等中等规模育种体系构成挑战。

为突破这些限制，A. álvarez-Múnera领衔的国际团队在《Journal of Dairy Science》发表研究，以捷克荷斯坦牛群为对象，开发了创新性解决方案。研究团队利用包含250万头牛(含5.4万基因型)的 pedigree 和3000万条测试日记录，采用三大关键技术：1) 多性状RRM模型结合三阶Legendre多项式分析3个泌乳期数据；2) 应用APY算法选取1.4万头核心基因型个体加速计算；3) 通过有效记录贡献值(ERC)权重系统整合Interbull的 deregressed proofs(DRP)。

验证育种值

通过全数据集(2023年)与截断数据集(2018年)对比验证发现，ssGBLUP使305天基因组估计育种值(GEBV)的预测可靠性提升至0.94(公牛)和0.52(母牛)，回归系数接近1.0，显著优于传统BLUP。

表型与遗传趋势

1995-2023年产奶量表型趋势持续上升，而基因组评估准确捕捉到2015年后加速的遗传进展，证实基因组选择对年轻候选牛的预测优势。

可靠性计算创新

开发的新型可靠性近似算法仅需21分钟即完成全群计算，通过组合非基因组EBV可靠性与基因组BLUP模型的ERC值，解决RRM中PEV(预测误差方差)计算的复杂性。

外部信息整合

将1134头国际公牛MACE数据转化为305天累积DRP*伪表型后，ssGBLUP与国际评估的相关系数从0.87升至0.91，可靠性提升2-3个百分点，且有效避免信息重复计算。

计算效率突破

应用APY使ssGBLUP计算速度提升10倍，单轮迭代时间从128秒降至13秒，总耗时从25.68小时缩减至3.46小时，而GEBV相关性保持0.99。

这项研究首次系统解决了RRM-ssGBLUP框架下的三大核心问题：计算效率通过APY和遗传分组优化实现数量级提升；可靠性近似算法填补了国际空白；MACE信息整合方案突破尺度差异障碍。其方法论创新为中等规模育种国家建立高效基因组评估体系提供了可复制模板，尤其通过外部信息的高效利用，显著提升了选择准确性。研究团队特别指出，该系统的成功实施将推动全球奶牛育种从"经验选择"向"数据驱动"的深度转型，对实现联合国可持续发展目标中"零饥饿"相关的畜牧生产效率提升具有实践意义。