基于基因分型测序（GBS）与集成机器学习全基因组筛选肉鸡体重信息性SNP标记及候选基因

《Poultry Science》：Integration of genotyping by sequencing and machine learning for genome-wide identification of informative markers for body weight in broiler chickens

鉴定单核苷酸多态性（SNP）与经济重要性状之间的关联是现代家禽育种计划的基础。然而，基于商业高密度SNP芯片的全基因组研究往往成本过高，尤其对于大群体和资源有限环境而言更是如此。因此，该研究采用成本效益较高的基因分型测序（GBS）方法，并结合两种集成机器学习算法——随机森林（RF）和梯度提升机（GBM），以鉴定来源于商业Arian品系与本土Urmia鸡正反交的肉鸡在孵化时、3周龄（BW3）和6周龄（BW6）体重（BW）的信息性标记。研究人员对368只鸡进行了GBS基因分型，并利用312只具有完整表型记录的第二代（F₂）鸡进行基因组筛选和机器学习分析。两种机器学习算法的超参数均通过网格搜索结合三折交叉验证进行优化。RF与GBM联合应用鉴定出位于1、4、13、17、19、20和24号染色体上的若干信息性SNP标记。位于这些基因组区域内的位置候选基因包括血小板衍生生长因子D（PDGFD）、KIRRE样nephrin家族黏附分子3（KIRREL3）、ETS原癌基因1，转录因子（ETS1）、酰基辅酶A合成酶长链家族成员1（ACSL1）、二酰基甘油O-酰基转移酶2（DGAT2）和硒磷酸合成酶1（SEPHS1）。基因本体论（GO）富集分析表明，这些基因参与与蛋白质降解调控、免疫应答和脂质代谢相关的生物学过程。这些发现表明，将成本效益较高的GBS与机器学习方法整合用于鉴定肉鸡体重相关基因组区域和信息性标记具有潜力，可为未来育种和遗传改良计划提供有价值的基因组资源。

研究背景方面，肉鸡体重是直接影响饲料效率、生长性能和家禽产业盈利能力的关键生产性状。传统全基因组关联研究（GWAS）依赖高密度全基因组标记数据，商业SNP芯片虽可靠且高通量，但成本较高，限制其在发展中国家和大群体中的应用。GBS作为成本较低、可扩展的简化代表性测序方法，已用于群体遗传学、种质鉴定、遗传多样性、基因组选择和数量性状位点定位。与此同时，常规GWAS主要基于线性或线性混合模型，虽适合检测主效加性变异，但对高阶非线性效应和位点间上位互作捕捉有限。因此，机器学习尤其RF和GBM作为非参数补充方法受到关注。该研究旨在比较RF与GBM在全基因组标记发现中的表现，并利用GBS数据鉴定肉鸡体重相关SNP及候选基因；据原文，这是较早将GBS来源SNP数据与RF、GBM同时用于肉鸡体重相关标记全基因组鉴定的研究之一。

关键技术方法概括（≤250字）：研究人员使用GBS对商业Arian品系（AA）与伊朗本土Urmia鸡（NN）正反交构建的F₂群体进行基因分型；368只样本中312只F₂具完整表型并用于分析，37只F₁和19只亲本亦被测序。经ApeKI（识别位点GCWGC）建库和Illumina HiSeq X Ten测序，排除基因型检出率<75%及最小等位基因频率（MAF）<0.01的标记后保留228,771个SNP。采用RF与GBM，以网格搜索和三折交叉验证优化超参数，并分别以置换重要性（%IncMSE）和相对影响排序；取两种算法前10位SNP交集，在±500 kb内注释位置候选基因并进行GO富集分析。

研究结果如下。（1）基于机器学习的信息性标记识别：通过RF和GBM对孵化时、3周龄和6周龄体重SNP重要性分布分析，GBM中大多数SNP贡献很小，分别有85.9%、84.1%和82.7%的标记重要性可忽略，仅14.1%–17.3%具实质贡献；RF重要性分布更渐进，约47.9%–53.4%极低、24.0%–28.0%中等、22.7%–24.1%较高。结论是体重相关预测信息集中于有限标记子集。（2）孵化时体重的信息性标记：通过RF、GBM及其联合分析，RF最强信号位于19号染色体9,704,732 bp，GBM最强信号位于1号染色体181,719,483 bp；联合策略一致鉴定4个SNP，分别位于1号染色体181,719,483 bp和197,272,394 bp、13号染色体16,567,755 bp、17号染色体1,389,931 bp，附近涉及PDGFD、TAF10-TIMM10B、RGS3-ZNF618、IL4-KIF3A、CLUH-PAFAH1B1等基因。（3）3周龄体重的信息性标记：通过两种算法排序及交集分析，1、2、12、15和24号染色体信号较强，最强SNP位于24号染色体733,488 bp，并在两法前10位中共享1号染色体195,449,957 bp和2,650,283 bp等信号；附近涉及KIRREL3-ETS1、MAP8-GDPD5-DGAT2、PLXNA4、SERPINB10B-OVALY等基因。结论是这些区域对早期生长具较高预测重要性。（4）6周龄体重的信息性标记：通过RF与GBM排序比较，RF在20号染色体发现4个紧密连锁高排名SNP，GBM最强信号位于4号染色体39,064,025 bp和24号染色体869,936 bp；联合策略一致识别1号染色体7,529,946 bp、4号染色体39,064,025 bp和12号染色体16,320,227 bp，附近涉及ACSL1、SEPHS1、FAM107B、IRF2以及MAP1LC3A-DYNLRB1-ITCH-ASIP-AHCY等基因。结论是两算法可捕获后期生长遗传结构的不同成分。（5）生物学过程的基因本体论分析：通过对两法前10位SNP附近基因进行GO富集，最显著条目为内肽酶活性负调控，主要涉及serpin家族；免疫应答相关过程涉及白细胞介素和主要组织相容性复合体（MHC）基因；脂质代谢尤其极长链脂肪酸代谢过程亦显著富集，涉及ACOX2、ACSL1等。结论是蛋白质降解调控、免疫应答和脂质代谢可能与体重变异相关。

讨论部分总结：作者指出只有有限SNP对体重具有实质预测信息，多数标记贡献很小，符合体重的多基因架构；RF和GBM的重要性分数反映多元预测贡献而非经典单位点遗传关联，因此应视为信息性预测标记而非确定因果变异。候选基因涉及生长调节、脂质代谢、细胞发育和免疫功能，如PDGFD、KIRREL3、ETS1、ACSL1、DGAT2、SEPHS1等；GO结果提示蛋白质降解、免疫和脂质代谢通路。作者强调±500 kb窗口属探索性位置筛选，基因组邻近不等于功能因果；群体和家系结构、隐性亲缘关系可能影响标记重要性，树模型不天然纳入基因组关系矩阵，部分标记可能反映家系共享背景。未来需在更大、独立、多样商业遗传背景群体中验证，并与传统线性混合模型比较，以评估标记的预测效用、可重复性和跨群体可转移性。

研究结论（翻译）：该研究证明将GBS与机器学习方法尤其RF和GBM结合，用于鉴定肉鸡孵化时（BW0）、3周龄（BW3）和6周龄（BW6）体重相关SNP标记具有效用。两种算法的比较分析鉴定出在两种模型中均排名较高且位于1、4、13、17、19、20和24号染色体上的SNP。位于这些SNP附近的基因包括PDGFD、KIRREL3、ETS1、ACSL1、DGAT2和SEPHS1，被鉴定为位置候选基因；这些基因参与生长调节、脂质代谢、细胞发育和免疫功能相关关键生物学过程，提示其可能贡献鸡体重变异。总体而言，结果提示将成本效益较高的GBS与基于机器学习的特征选择结合，可为优先筛选信息性SNP和鉴定肉鸡体重潜在相关基因组区域提供稳健高效框架。使用互补机器学习算法有助于识别在不同模型中均获一致高重要性排名的标记，为下游验证和潜在靶向低密度SNP panel开发提供基础。尽管该方法可补充传统GWAS并为家禽育种未来基因组评估策略提供信息，其在基因组选择计划中的实际应用仍需进一步验证；在用于育种计划前，需要更大规模、代表多样商业遗传背景的独立群体来确立这些标记的预测效用、可重复性和跨群体可转移性。