《Veterinary Sciences》：Accuracy of Weighted Single-Step Genomic Prediction for Milk Production Traits in Korean Holstein Cattle
编辑推荐：
本研究比较了基于系谱的最佳线性无偏预测（PBLUP）、基因组最佳线性无偏预测（GBLUP）、单步基因组最佳线性无偏预测（ssGBLUP）和加权单步基因组最佳线性无偏预测（wssGBLUP）四种遗传评估方法，用于预测韩国荷斯坦奶牛305天产奶量（Milk305）
本研究比较了基于系谱的最佳线性无偏预测（PBLUP）、基因组最佳线性无偏预测（GBLUP）、单步基因组最佳线性无偏预测（ssGBLUP）和加权单步基因组最佳线性无偏预测（wssGBLUP）四种遗传评估方法，用于预测韩国荷斯坦奶牛305天产奶量（Milk305）、乳脂产量（Fat305）和乳蛋白产量（Prot305）。共分析了2267头基因型动物，采用50K SNP芯片，缺失基因型使用BEAGLE v5.5进行填充。准确性根据估计育种值的预测误差方差（PEV）计算得出。各方法和性状的重复性范围为0.41至0.45。总体而言，Milk305的PEV衍生准确性在PBLUP、GBLUP、ssGBLUP和wssGBLUP下分别为0.52±0.14、0.31±0.08、0.51±0.13和0.51±0.13；Fat305分别为0.52±0.14、0.41±0.10、0.51±0.13和0.51±0.14；Prot305分别为0.50±0.14、0.33±0.08、0.27±0.10和0.50±0.13。这些准确性估计源自混合模型方程中预测误差方差（PEV）的内部推导，未经过独立数据验证，因此应被解释为各方法间基于模型的相对比较，而非外部验证的预测性能。基因组窗口分析发现标记解释的加性遗传方差存在异质性，其中BTA14区域靠近DGAT1基因的区间在Milk305和Fat305中属于高方差区域之一。这些结果表明，单步和加权基因组评估方法的优势取决于性状和动物群体类别。
论文解读：加权单步基因组预测在韩国荷斯坦奶牛产奶性状评估中的应用
一、研究背景与意义
牛奶生产性状是奶牛经济表现的重要指标，其遗传改良依赖于准确可靠的育种值预测方法。传统基于系谱的最佳线性无偏预测（PBLUP）依赖预期亲缘关系，无法捕捉全同胞间的孟德尔抽样差异。基因组最佳线性无偏预测（GBLUP）通过基因组关系矩阵（G）引入标记信息，能更准确地反映实际遗传关系，但其应用局限于有基因型数据的个体，无法充分利用非基因型个体的表型和系谱信息，可能降低预测准确性并引入偏差。为解决这一局限，单步基因组最佳线性无偏预测（ssGBLUP）将系谱、表型和基因组信息整合到统一框架中，使基因型和非基因型动物均可参与评估。然而，ssGBLUP假设所有单核苷酸多态性（SNP）对遗传变异贡献相等，这不符合多数复杂性状的遗传结构——通常只有少数位点效应较大，其余贡献微小。加权单步基因组最佳线性无偏预测（wssGBLUP）作为ssGBLUP的扩展，通过迭代分配标记特异性权重，使对性状变异影响更大的基因组区域在基因组关系矩阵中发挥更大作用。此前在韩国荷斯坦牛中的研究已比较了PBLUP、GBLUP和ssGBLUP，但尚未评估迭代SNP加权相对于常规ssGBLUP的额外价值。因此，本研究将wssGBLUP纳入直接比较，旨在评估其对韩国荷斯坦牛产奶性状基因组评估的潜在价值，并确定最合适的评估策略。
二、主要技术方法
研究人员从韩国农业合作社联合会和韩国家畜改良协会获取韩国荷斯坦牛的表型、系谱和基因组数据。采用Illumina Bovine 50K SNP芯片对2348头动物进行基因分型，经质量控制后保留2267头动物和38974个SNP，缺失基因型使用BEAGLE v5.5填充。最终系谱包含1576271头动物，最大系谱深度达23代。表型数据包括909401条泌乳记录（来自442836头独有母牛，胎次≤3）。每种产奶性状分别采用单性状重复力动物模型进行分析，固定效应包括群体均值、畜群-年份-季节（HYS）、胎次和产犊年龄协变量，随机效应包括加性遗传效应、永久环境效应和残差。PBLUP使用系谱亲缘关系矩阵（A）；GBLUP使用VanRaden方法构建的基因组关系矩阵（G）；ssGBLUP将系谱和基因组信息整合为混合关系矩阵（H），按公式H-1 = A-1 + [0 0; 0 G-1 - A22-1]构建，并使用0.95和0.05的比例将G与A22混合；wssGBLUP在ssGBLUP基础上，通过三次迭代更新标记特异性权重，从基因组估计育种值（GEBV）反推SNP效应，归一化后重构加权基因组关系矩阵。方差组分采用AIREMLF90估计，准确性由预测误差方差（PEV）推导得出。
三、研究结果
3.1 各遗传评估方法的遗传力估计
PBLUP、ssGBLUP和wssGBLUP在三项产奶性状上的遗传参数估计总体相似。GBLUP在Milk305和Prot305上产生较低的遗传力估计，但在Fat305上估计值最高。Milk305遗传力范围0.12至0.22，Fat305为0.21至0.26，Prot305为0.14至0.19。重复性在各性状和方法间为0.409至0.446。
3.2 不同信息组动物的PEV衍生准确性
整体水平上，Milk305的PEV衍生准确性在PBLUP、GBLUP、ssGBLUP和wssGBLUP下分别为0.52±0.14、0.28±0.04、0.51±0.13和0.51±0.13；Fat305对应值为0.52±0.14、0.31±0.08、0.51±0.13和0.51±0.14；Prot305为0.50±0.14、0.31±0.04、0.27±0.10和0.50±0.13。对于Milk305和Fat305，ssGBLUP和wssGBLUP在基因型动物中的准确性显著高于GBLUP。无表型记录的基因型动物中，ssGBLUP和wssGBLUP的准确性约为0.83，而GBLUP仅为0.28-0.36。对于Prot305，wssGBLUP在共同基因型动物组中显示出比ssGBLUP更高的准确性（0.82 vs 0.73）。
3.3 估计育种值分布
Q-Q图显示PBLUP、ssGBLUP和wssGBLUP的估计育种值分布与理论正态分布在中位数附近高度一致，尾部存在偏差。GBLUP则呈现不同的分布模式，估计育种值更集中于零附近。
3.4 各遗传评估方法间的一致性与重排序
PBLUP与ssGBLUP之间的Pearson和Spearman相关性高达0.991-0.996；ssGBLUP与wssGBLUP的相关性为1.000。GBLUP与其他方法的相关性较低（0.557-0.714）。在前1%选择水平下，ssGBLUP与wssGBLUP的重叠率超过95%，PBLUP与ssGBLUP的重叠率为80%-85%，涉及GBLUP的重叠率最低（22%-35%）。
3.5 wssGBLUP后的基因组窗口方差
第三次wssGBLUP迭代后，基因组窗口分析显示标记解释的加性遗传方差呈异质性分布。BTA14区域约1.5-3.0 Mb在Milk305和Fat305中位列高方差窗口前列，单个1-Mb窗口最多解释Milk305的0.36%和Fat305的0.27%标记解释方差。该区域在Prot305中不属于最高排名窗口。
四、讨论与结论
本研究表明，通过单步方法整合基因组信息可提高PEV衍生准确性，尤其对基因型动物效果显著。PBLUP、ssGBLUP和wssGBLUP在遗传参数估计上总体可比，但ssGBLUP和wssGBLUP在基因型群体中的准确性普遍高于GBLUP。对于Milk305和Fat305，ssGBLUP与wssGBLUP差异极小，表明大部分收益来源于单步框架对系谱、基因组和表型信息的整合，而非标记差异化加权。这与产奶性状主要为多基因遗传的特征一致。对于Prot305，wssGBLUP在基因型动物组中显示出更高准确性，但需独立验证确认。基因组窗口分析识别出BTA14区域（接近DGAT1基因）在Milk305和Fat305中贡献较大，但单个窗口解释的方差比例较小（<0.4%），进一步支持这些性状的多基因遗传性质。
研究局限性包括：基因型动物数量有限；PEV衍生准确性为内部模型度量，未经独立验证；方法间比较需考虑各组动物数量和构成的差异。未来研究应在更大参考群体中进行正向或交叉验证设计，并评估SNP权重的跨迭代稳定性。
结论：研究结果表明，通过单步方法整合基因组信息可提高PEV衍生准确性，尤其对基因型动物效果显著。虽然PBLUP、ssGBLUP和wssGBLUP产生了总体可比的遗传参数估计，但ssGBLUP和wssGBLUP在基因型群体中的PEV衍生准确性普遍高于GBLUP。这些发现凸显了将基因组信息与广泛可利用的系谱和表型资源相结合的优势，支持将ssGBLUP和wssGBLUP作为韩国荷斯坦牛育种计划中常规遗传评估和基因组选择的有前景方法。对于Milk305和Fat305，ssGBLUP与wssGBLUP差异极小，表明大部分可用收益已通过单步整合获得。对于Prot305，wssGBLUP在基因型动物组中显示出比ssGBLUP更高的PEV衍生准确性，但此结果需使用共同独立验证群体确认。总体而言，ssGBLUP为韩国荷斯坦牛的常规遗传评估提供了实用框架，而wssGBLUP的使用应根据性状具体情况考虑。这些发现表明，单步和加权基因组评估相对于传统方法的优势取决于动物群体和性状。这些结论基于PEV衍生准确性，迭代SNP权重的潜在益处（特别是对Prot305）应通过评估SNP权重的跨迭代稳定性和使用共同目标动物组的独立验证来确认。
