基于文本挖掘引导的SNP加权策略提升韩牛脂肪酸性状基因组预测准确性

《Journal of Applied Animal Research》：Evaluation of text mining-guided SNP weighting methods for genomic prediction of fatty acid traits in Hanwoo cattle

　　

脂肪酸组成是韩牛背最长肌牛肉品质的关键决定因素，然而由于其复杂的多基因遗传结构，准确的基因组预测仍具挑战性。本研究评估了将文本挖掘衍生的生物学先验信息整合到加权基因组最佳线性无偏预测（weighted GBLUP）框架中，是否能提升七种脂肪酸性状（肉豆蔻酸、棕榈酸、硬脂酸、油酸、亚油酸、二十碳烯酸和花生四烯酸）的预测准确性和遗传力。研究使用了1,161头经Illumina 777K SNP芯片基因分型的韩牛。通过文本挖掘鉴定候选基因，相应的SNP构成了一个生物学信息标记子集。利用全基因组关联分析（GWAS）和BayesR推导的SNP效应构建了加权基因组关系矩阵（weighted GRM），并与原始全标记及LD修剪后的GBLUP进行了比较。原始全标记和LD修剪后的GBLUP分别产生了0.021–0.463和0–0.453的准确性，以及0.0003–0.424和0–0.432的遗传力。GWAS文本挖掘加权GBLUP在各性状上的准确性为0.204–0.514，遗传力为0.035–0.747；而BayesR文本挖掘加权GBLUP在各性状上的准确性为0.347–1.007，遗传力为0.109–0.969，尽管某一性状超过1的准确性表明在高度异质的BayesR衍生权重下存在潜在不稳定性。这些发现表明，在适当实施的情况下，将文本挖掘的生物学先验与SNP加权相结合可以增强韩牛脂肪酸性状的基因组预测。

一、研究背景与科学问题

韩牛牛肉因其高肌内脂肪含量带来的柔嫩度和多汁性而备受推崇，其中脂肪酸组成，尤其是油酸比例，与整体适口性呈强正相关（r=0.92）。因此，鉴定影响脂肪酸组成的基因对于选育符合市场需求的优质牛肉至关重要。传统的全基因组关联分析虽能检测到与性状相关的遗传变异，但其局限性在于可能遗漏具有联合生物学意义的小效应基因，并且难以评估同一基因组区域内基因间的功能联系。另一方面，作为育种核心工具的基因组最佳线性无偏预测（GBLUP）模型，虽然能综合利用基因组信息构建关系矩阵（G矩阵），但使用所有SNP数据会引入噪音，降低预测效率。已有研究表明，在奶牛和作物中，整合生物学先验知识（如功能注释、基因集）能够提升复杂性状的基因组预测准确性。然而，将文本挖掘这一从海量文献中系统性提取生物信息的方法，与SNP加权策略结合用于韩牛脂肪酸性状的基因组预测，尚缺乏系统评估。

二、研究内容与结论

针对上述问题，研究人员开展了一项综合研究，旨在评估整合文本挖掘衍生的生物学先验信息能否提升韩牛七种主要脂肪酸性状的基因组预测性能。研究人员通过构建不同的加权基因组关系矩阵（weighted GRM），对比分析了传统未加权GBLUP与两种加权GBLUP（基于GWAS和基于BayesR的加权）的效果。研究得出的主要结论是：与传统未加权GBLUP相比，整合了文本挖掘先验信息的加权模型普遍提高了预测准确性和基因组遗传力估计值。其中，基于BayesR的文本挖掘加权GBLUP获得了最大的增益，尤其是在二十碳烯酸和棕榈酸性状上，但部分极端估计值需谨慎解读。这项研究的重要意义在于，它首次证明了将文本挖掘这种自动化文献知识提取技术与SNP加权方法相结合，可以有效增强韩牛等复杂经济性状的基因组预测潜力，为精准育种提供了新的思路和方法学基础。

三、关键技术方法概述

为开展此项研究，研究人员采用了以下关键技术流程：

1. 1.
   样本与基因型数据：研究对象为来自韩国Daegwallyeong Korean cattle公司的1,161头韩牛，使用Illumina 777K SNP芯片进行基因分型。
2. 2.
   文本挖掘（Text Mining）：通过RISmed包查询PubMed文献，并使用PubTator工具提取与各脂肪酸相关的基因，再与Ensembl BioMart数据库中的Bos taurus基因注释比对，最终确定位于候选基因体内部的SNP（TM SNP）。
3. 3.
   SNP效应估计：采用两种互补方法估算SNP效应。一是基于线性混合模型的全基因组关联分析（GWAS），二是采用有限混合分布的BayesR模型，后者假设SNP效应服从包含零效应组分的混合分布。
4. 4.
   加权GBLUP模型：基于GWAS和BayesR估计的SNP效应，分别为TM SNP计算权重，构建两种加权的基因组关系矩阵（GRM），并与传统的未加权GRM进行比较，使用MTG2软件执行GBLUP模型进行基因组预测。

四、研究结果

1. 文本挖掘

通过文献检索和物种过滤，为每种脂肪酸鉴定出数量不等的候选基因和TM SNP。例如，肉豆蔻酸获得321个基因和52,937个TM SNP，而油酸获得2,170个基因。常见基因如SLC7A5、VCAM1等在不同脂肪酸间重复出现，揭示了脂质代谢、转运和炎症通路等共同的生物学主题。

2. 全基因组关联分析

对约10万个LD修剪后的SNP进行的GWAS显示，所有七种脂肪酸性状均呈多基因遗传架构，在p ≤ 0.05阈值下，每个性状均有约4,800至5,000多个显著SNP。其中，与文本挖掘SNP子集重叠的SNP（TM-overlapping SNPs）占每性状显著SNP的约2%-4%。基因组膨胀因子λ值（0.9912至1.0084）接近1，表明模型有效控制了群体分层。

3. SNP效应量与统计显著性之间的关系

散点图显示，大多数显著SNP的效应量相对较小，其统计显著性主要由较低的标准误驱动，而非较大的效应量，这进一步证实了多基因遗传的特征。

4. BayesR分析

BayesR模型的混合比例在所有性状中均表现出高度稀疏性，94.01%–97.89%的SNP被分配到零效应组分。极小的效应组分占1.65%–5.82%，而小和中/大效应组分合计不足0.52%。这表明绝大多数SNP对脂肪酸组成的影响可忽略不计。

5. 基因组预测与模型比较

与原始未加权GBLUP（准确性范围0–0.463）相比，两种加权模型均提升了预测准确性。GWAS文本挖掘加权GBLUP的准确性范围为0.204–0.514。BayesR文本挖掘加权GBLUP总体上获得了最高的准确性，特别是在二十碳烯酸（1.007，截断为1）和棕榈酸（0.877）上表现突出。遗传力估计趋势与准确性一致，加权模型同样显著提高了估计值。

五、讨论与结论总结

在讨论部分，研究人员指出，加权模型之所以能提升性能，是因为通过上调文本挖掘SNP（TM SNP）的权重，使加权GRM能将更大比例的估计遗传方差分配给更可能含有真正因果效应的位点，从而更好地捕捉真实的遗传架构。然而，对于二十碳烯酸在BayesR加权模型下准确性超过理论上限1的结果，研究人员强调这不应被解读为字面意义上的超高准确性，而是反映了在该特定加权GRM规格下，预测误差方差（PEV）估计出现负值的数值不稳定现象。这可能源于BayesR权重的高度异质性分布，即少数TM SNP被赋予了极大的权重（高达约1,500），导致加权GRM被少数位点主导，进而影响了REML方差组分估计的稳定性。

研究结论：本研究评估了将文本挖掘的生物学信息与GWAS和BayesR推导的SNP权重整合到加权GBLUP框架中对韩牛脂肪酸性状的效果。与传统的未加权GBLUP相比，加权模型通常能产生更高的估计预测准确性和基因组遗传力，尽管某些性状的极端估计值需要谨慎解读。总体而言，BayesR文本挖掘加权GBLUP获得了最大的增益，特别是对于二十碳烯酸和棕榈酸，而GWAS文本挖掘加权GBLUP则在其余性状上提供了更一致的改进。这些发现表明，在适当实施的情况下，整合文本挖掘的生物学先验与SNP加权可以增强韩牛脂肪酸性状的基因组预测。