整合泛基因组与基因型填充框架揭示影响法国奶牛体高和乳成分性状的结构变异

《Journal of Animal Science and Biotechnology》：Integrating pangenome and imputation framework reveals structural variants affecting stature and milk composition traits in French dairy cattle

　　

背景：结构变异（structural variants, SVs）利用长读长（long-read, LR）测序能够最有效地鉴定。然而，此类数据仍然稀缺，且已测序样本往往缺乏相关的表型信息。为克服这一局限，研究人员整合了基于泛基因组（变异图）和基因型填充的方法，在法国三个主要奶牛品种中开展了大规模SV关联研究。结果：利用176个LR样本中检测到的69,892个缺失（deletions）、89,900个插入（insertions）和17,402个重复（duplications）构建了变异图。随后，研究人员通过将939个样本的短读长（short-read, SR）序列重新比对至该变异图，对每个SV进行基因分型。验证分析显示，缺失和插入的基因型一致率较高（均为0.79）；但重复的一致率较低（0.14），因此在后续分析中将其排除。将保留的SV与单核苷酸变异（single nucleotide variants, SNVs）合并，构建序列水平的填充参考面板。利用SNP基因分型芯片数据，研究人员为11,902头荷斯坦牛（Holstein）、3,753头蒙贝利亚牛（Montbéliarde）和3,053头诺曼底牛（Normande）公牛填充了SV和SNV。经过质量控制后，保留超过1,400万个SNV和4万个SV，用于品种内的全基因组关联研究（genome-wide association studies, GWAS），分析性状为体高和四个产奶及乳成分性状。GWAS结果揭示的遗传架构与既往发现一致，并鉴定出40个全基因组显著的结构变异-关键表型关联。条件分析确定其中10个SV为与乳脂率、乳蛋白率及体高相关的数量性状位点（QTL）的潜在候选变异。结论：通过将LR、SR和SNP基因分型数据整合到统一的泛基因组和填充框架中，研究人员展示了一种可扩展的策略，可系统解析SV对复杂性状的贡献。所得遗传架构与既往研究高度一致，验证了该方法的稳健性和可转移性。研究结果凸显了将SV纳入常规基因组分析中的附加价值，并为将SV纳入奶牛基因组选择提供了可扩展的框架。

一、研究背景与目的

结构变异（structural variants, SVs）通常指大于50 bp的基因组变异，长读长（long-read, LR）测序是鉴定SVs最有效的手段。然而，LR测序数据仍然稀缺，且已测序样本往往缺乏表型信息；短读长（short-read, SR）数据虽然丰富，但在检测SVs方面受读长限制。为克服这一矛盾，研究人员整合了基于泛基因组（变异图）和基因型填充（imputation）的方法，在法国三个主要奶牛品种中开展大规模SV关联研究，系统评估SVs对重要经济性状的贡献。

二、主要技术方法

研究人员利用了三个层面的数据：176个LR测序样本（来自14个品种）、939个SR测序样本（来自17个品种），以及来自法国国家数据库的11,902头荷斯坦牛（Holstein, HOL）、3,753头蒙贝利亚牛（Montbéliarde, MON）和3,053头诺曼底牛（Normande, NMD）公牛（均有至少20个女儿的表型记录）。先用PBSV从LR数据中检测缺失、插入和重复，经JASMINE转换和合并后构建变异图；再通过GIRAFFE将SR序列比对至变异图并用VG工具包进行SV基因分型；在牛25号常染色体（BTA25）上对BEAGLE、MINIMAC和GLIMPSE进行填充性能基准测试后，选择BEAGLE将SNP芯片数据从中等密度（MD）填充至高密度（HD），再进一步填充至序列水平；最后用GCTA混合线性模型对女儿产量偏差（daughter yield deviations, DYD）进行全基因组关联研究（genome-wide association studies, GWAS），并对显著SV进行条件分析。

三、研究结果

1. LR样本SV检测

利用176个LR样本，研究人员鉴定并合并得到69,892个缺失、89,900个插入和17,402个重复，多数SV长度为100–500 bp；约40%为仅在单个样本中检出的私有SV。与已有SV目录比较，CLR泛基因组恢复率为43.3%，TRIO为51.1%，ENSEMBL为76.9%，三者合并后恢复率达91%，支持参考面板的完整性和可靠性。

2. 基于变异图的SR样本SV基因分型

基于LR检测的SV构建了全基因组变异图，共包含171,451个bubbles（161,237个双等位，10,214个多等位）。939个SR样本经GIRAFFE比对后，用VG进行SV基因分型。基准测试显示，插入的召回率最高（0.94），缺失和重复分别为0.83和0.84；缺失和插入的基因型一致率均为0.79，重复仅为0.14，故后续分析排除重复。过滤后保留36,402个缺失和43,290个插入；主成分分析可正确区分品种，F_ST分析显示与毛色相关的KIT上游6,880 bp插入（F_ST=0.98）以及COL5A2内含子516 bp插入（F_ST=0.91）在乳用和肉用品种间高度分化。

3. 填充工具基准测试

在BTA25上比较BEAGLE、MINIMAC和GLIMPSE的填充性能。SNV填充一致率在BEAGLE和GLIMPSE中约为0.99，MINIMAC为0.95；SV填充一致率分别为0.88、0.89和0.84。综合计算效率和准确性，研究人员选择BEAGLE用于全基因组序列水平填充。

4. 基于SNP芯片样本的变异填充

对HOL、MON和NMD分别进行MD→HD→序列水平的两步填充。序列水平参考面板包含36,402个缺失和43,209个插入。BEAGLE填充的剂量R²中位数在SNV中为0.99，在SV中为0.70；SV长度与R²无相关，最小等位基因频率（minor allele frequency, MAF）与R²呈中等相关（0.45–0.49）。质控后HOL保留37,633个SV，MON和NMD各保留约4万个SV；HOL的SV填充相对更困难，可能与参考面板中MAF较低、连锁不平衡（linkage disequilibrium, LD）衰减较快以及参考样本代表性不足有关。

5. 基于填充变异的GWAS

使用DYD对乳蛋白产量（milk protein yield, PY）、乳脂产量（milk fat yield, FY）、乳脂含量（milk fat content, FC）、乳蛋白含量（milk protein content, PC）和体高五个性状进行品种内GWAS，显著性阈值为?log₁₀(P)>8.44。共发现40个显著的SV-表型关联，涉及36个不同SV；条件分析将其中10个SV确定为相应数量性状位点（quantitative trait loci, QTL）的候选变异。

在PY性状中，仅在MON的BTA11和NMD的BTA3检测到两个显著SNV，未发现显著SV。在FY性状中，HOL和MON在BTA14近端着丝粒区检出大量显著变异，NMD无显著信号；显著SV位于ZNF16内含子、CYP11B1上游和TSNARE1内含子，但BTA14条件分析因强共线性无法确定候选变异。在FC性状中，HOL检出5个QTL，MON检出5个，NMD检出4个；MON在BTA5约91.7 Mb处的PIK3C2G内含子298 bp插入和约118 Mb处的72 bp基因间缺失经条件分析为候选变异；HOL中BTA14 CYP11B1上游286 bp缺失显著，但与DGAT1附近最强SNV的LD较低。在PC性状中，信号最多：HOL在8个QTL中检出4个显著SV；MON在7个QTL中检出15个显著SV，其中BTA5 72 bp缺失、BTA6 ODAM上游143 bp插入和BTA22 TAFA4与TAFA1之间93 bp缺失为候选变异；NMD在7个QTL中检出4个显著SV，其中BTA6 CSN1S1与CSN2之间473 bp插入为候选变异，而BTA3 GBA内含子1,014 bp缺失并非候选变异。在体高性状中，HOL的BTA11 MATN3上游6,179 bp缺失为候选变异；MON的BTA21 GABRG3内含子1,217 bp插入为候选变异；NMD的BTA6 LCORL与SLIT2之间120 bp缺失和BTA26 SLIT1内含子68 bp缺失均为候选变异。

6. 候选SV调控注释

10个候选SV中有7个与开放染色质、组蛋白修饰或染色质状态等已知调控元件重叠；其中BTA11 78.8 Mb处6.2 kb缺失（即MATN3上游缺失）还与多种组织中的顺式表达数量性状位点（cis-eQTL）重叠。所有候选SV均不位于编码区，其具体功能机制仍需进一步验证。

四、讨论与结论

讨论部分指出，变异图基因分型能够有效利用SR数据进行SV分型，但重复因变异图结构复杂而基因型一致率低，因此被排除。SV填充准确性低于SNV，原因包括标记密度相对较低、SV与邻近SNV的LD难以完整捕捉、SV的MAF较低以及参考面板代表性不足。HOL虽然参考样本最多，但SV填充效果较差，可能与其群体特性和参考样本代表性有关。GWAS结果与既往研究高度一致，验证了该流程的稳健性；部分显著SV位于已知QTL区域（如BTA14），但由于强共线性无法确定唯一候选变异。候选SV均位于非编码区，但多数与调控元件重叠，提示其可能通过调控机制影响性状。未来增加LR测序个体数量、优化SV筛选和变异图构建，有望进一步提高SV填充和关联分析的分辨率。

研究结论：通过将长读长、短读长和SNP基因分型数据整合到统一的泛基因组和填充框架中，研究人员建立了一种可扩展的策略，可系统解析SV对复杂性状的贡献。所得遗传架构与既往研究高度一致，验证了该方法的稳健性和可转移性。研究人员在法国三个主要奶牛品种中鉴定出36个与关键农艺性状相关的不同SV，包括4个多效变异，突显了SV对表型变异的广泛和多方面影响。条件分析将10个SV定位为相应QTL中的强候选变异，为其潜在关联意义提供了提示性证据。综上，这些结果确立了SV作为复杂性状遗传架构中重要但尚未充分探索的组成部分，并为其整合到高分辨率基因组分析和未来育种计划提供了实用路线图。