《Genetics Selection Evolution》:A deregression-based approach to integrate multitrait information into a single pooled phenotype for genetic evaluation
编辑推荐:
背景:复杂性状的遗传评估常受表型异质、不完整或成本高昂的挑战。许多生物学过程需要多个性状来刻画。此外,当可用性状的配置复杂(如性状数量增加、缺失模式复杂)时,合并多个性状变得困难,导致计算需求更高。为克服这些限制,研究人员开发了一种基于去回归(deregres
背景:复杂性状的遗传评估常受表型异质、不完整或成本高昂的挑战。许多生物学过程需要多个性状来刻画。此外,当可用性状的配置复杂(如性状数量增加、缺失模式复杂)时,合并多个性状变得困难,导致计算需求更高。为克服这些限制,研究人员开发了一种基于去回归(deregression)的池化方法,将多性状信息预处理为目标性状的单一伪表型(即池化表型,pooled phenotype)。该方法在猪的终端杂交情境中进行了评估。结果:研究人员在不同数据集(即不同数据可用性情景——1个真实数据集和3个模拟数据集)上研究了估计育种值(estimated breeding values, EBV)的行为以及可靠性(reliability, REL)系统的准确性。研究使用三个建模步骤:(1)多性状模型(multitrait model, MT)生成去回归输入;(2)校正标量去回归(adjusted scalar deregression),利用(3)应用于该池化表型的单性状模型(single trait model, ST)将信息合并为池化表型,以评估这些结果与步骤(1)多性状预测的匹配程度。在所有数据结构情景中,未校正去回归(unadjusted deregression)低估育种值并扭曲可靠性。相反,应用扩展因子和可靠性对齐因子作为校正可恢复估计育种值的分布和尺度,与多性状模型几乎完全一致。在所有模拟情景中,包括目标性状完全缺失的情景,校正去回归过程在真实育种值与估计育种值之间获得最高相关性。结论:基于去回归的过程提供了一种有效且灵活的方法,可在单性状设置中将异质多性状信息合并为独特池化表型,同时在多性状设置中保持目标性状的遗传尺度和可靠性。与经典去回归不同,校正去回归过程可防止过度收缩(overshrinking)、保持准确性并再现多性状评估的行为。这种预处理将是将复杂或部分记录性状整合到常规遗传评估流程中的实用解决方案。即使主要目标性状有限或缺失,只要可获得中高相关性状,该方法也适用。只要能够避免任何重复计数,该策略可扩展到其他情况。
研究背景与问题:复杂性状的遗传评估常受表型异质、不完整或成本高昂限制。一个生物学过程往往需要多个性状共同刻画,而当性状数量增加、缺失模式复杂时,多性状(multitrait, MT)模型的计算和协方差结构估计更困难。现有降维、缺失性状填补、贝叶斯稀疏因子分析和选择指数等方法,仍难以同时处理不同缺失模式、保持遗传尺度并生成可复用的合并表型。公猪膻味(boar taint)即为典型:目标性状感官评分常规可得,而粪臭素(skatole)和雄烯酮(androstenone)测定成本高、仅解释约50%的人类感知,且各只捕获部分表型与遗传变异,化学测定也不总是可得。因此,研究人员提出将部分有信息的多性状信息预先池化为目标性状的单一伪表型(池化表型,pooled phenotype),同时保持目标性状遗传方差尺度和可靠性(reliability, REL)一致性,并兼容遗传评估流程;研究目的是开发该池化方法,并用真实和模拟数据评估其准确性和可行性。
关键技术方法:以公猪膻味为目标,采用感官评分、粪臭素(skatole)和雄烯酮(androstenone)三性状MT模型,BLUPF90+的EM-REML估计方差组分,并以加权ST动物模型评估池化表型。真实数据来自NoWallOdor项目2020—2025年2169头Piétrain×Landrace杂交猪及三代系谱(n=2672);模拟数据来自Walloon猪遗传评估测试体系自2007年以来的9590头杂交动物及三代系谱(n=11,615),构造Case 1—3。去回归以扩展因子(1/ω)和可靠性对齐因子(γ)迭代校正,dERC
*为权重,SAS 9.4实现。
研究结果:真实数据描述性统计表明,目标性状感官评分记录广泛可得,而化学测定仅限较小子集;Trait 1为Snell感官评分,Trait 2和Trait 3分别为log
10粪臭素与雄烯酮,反映了公猪膻味表型记录的不平衡。真实与模拟数据的方差组分显示,MT模型在真实和模拟数据中获得遗传参数;模拟经16轮迭代后,遗传与残差协方差矩阵及相关矩阵的Frobenius相对差异低于1%(遗传和残差协方差为5.98×10
?3和4.09×10
?3,相关矩阵为7.55×10
?3和3.46×10
?4),说明模拟扩展成功;粪臭素和雄烯酮遗传力为中到高,感官评分略低但仍提供相关加性遗传信息。去回归校正显示,Case 3中扩展因子从0.82渐近降至0.53,可靠性对齐因子在0.81—0.88间波动并收敛至0.85,其他数据集趋势相似;收敛较快,除Case 3的REL需14轮达到7.2×10
?7外,其余10轮后EBV和REL相关性的相对平方变化低于1×10
?10;真实数据表型动物平均REL
MT=0.291、REL
DRP=0.282、REL
ADJ_DRP=0.292,公畜分别为0.411、0.405和0.416,表明校正后REL与MT对齐。MT、DRP和ADJ_DRP来源EBV在各数据集中的行为显示,EBV
ADJ_DRP对EBV
MT的回归斜率接近1、截距接近0,而未校正EBV
DRP的斜率压缩在0.781—0.883,说明校正后重现MT行为。EBV分布在MT、DRP和ADJ_DRP及数据集间表明,EBV
DRP更收缩,表型动物SD低于MT(真实数据0.119对0.150;模拟0.142—0.169对0.171—0.199),ADJ_DRP恢复至接近MT(真实0.149;模拟0.170—0.198),公畜结果类似,说明校正恢复尺度与变异。准确性与可靠性一致性分析显示,模拟情景中MT和ADJ_DRP的r与r
2等价(Case 3表型动物例r=0.609、r
2=0.371),DRP略低(r=0.601);|平均REL?r
2|在MT和ADJ_DRP中较小(0.001和0.031),在DRP中较大(0.069),表明未校正去回归对信息量估计有偏。
讨论部分总结:该研究表明,基于校正DRP的池化过程可在遗传尺度和REL准确性上重现MT模型EBV。未校正DRP存在过度收缩,且该现象可能比既往认识更常见;扩展因子和dERC校正分别恢复遗传方差尺度和平均信息量。校正去回归实现了扩展可逆性,即用DRP
*与dERC
*重新评估可得到与原始MT一致的EBV和REL。目标性状可稀疏甚至缺失,但前提是相关性状通过MT提供足够预测信息;该方法只能回收MT中已有信息,其有效性依赖MT对目标性状的预测准确性,低遗传力或弱相关时预期受限。未来可扩展至父系水平、基因组评估、更复杂性状配置,并在与直接观测合并时采用来源特异固定效应。
研究结论翻译:研究人员引入了一种新的基于去回归的方法,将异质MT信息池化为适合常规评估的单一目标性状伪表型,并在杂交后代测试方案中进行了验证。结果表明,DRP虽保留部分MT信号,但产生过度收缩的EBV和不一致的可靠性模式,限制其适用性。相反,校正去回归过程成功恢复了与底层MT模型的扩展可逆性,尤其是在EBV尺度和分布方面,证实校正有效纠正了收缩问题。模拟情景显示,只要相关性状通过MT评估为目标性状提供足够预测信息,即使主要性状记录稀疏或缺失,该方法仍有效。尽管以公猪膻味性状为例,该方法在不同记录模式下保持稳健,支持其适用于其他异质或有限表型的复杂性状。总体而言,校正去回归过程可为将复杂、部分记录的表型引入标准遗传和基因组评估流程提供实用解决方案。