结合标记预选与机器学习方法，提升斑点刀颌鱼（Oplegnathus punctatus）对迟缓爱德华氏菌抗性的低成本基因组选择育种效率

《Aquaculture》：Integrating marker preselection and machine learning methods to enhance low-cost genomic selection breeding for resistance to Edwardsiella tarda in spotted knifejaw (Oplegnathus punctatus)

　　郭梦琪|曲世宇|王磊|谢海生|陈松林
中国海洋渔业科学研究院黄海渔业研究所海水养殖生物育种与可持续产品国家重点实验室，中国青岛266071

摘要
斑点刀颌鱼（Oplegnathus punctatus）是一种重要的海洋水产养殖鱼类，主要分布于太平洋的温带和亚热带海域。迟缓爱德华氏菌常导致其大规模死亡，严重制约了该物种养殖业的可持续发展。基因组选择是一种提升鱼类抗病性的有效育种手段。本研究通过腹腔注射迟缓爱德华氏菌对860条斑点刀颌鱼进行人工感染，筛选出存活个体，并经过质量控制、过滤和基因型填补后，获得2,415,773个高质量单核苷酸多态性标记用于分析。研究结果表明，斑点刀颌鱼对迟缓爱德华氏菌的抗性遗传力为0.19±0.06，属于低至中等水平。本研究综合评估了九种基因组预测模型（GBLUP、BayesA/B/Cπ、SVM、RF、XGBoost、EN、KNN）以及两种SNP预选策略（MLE排序法、均匀分布法）在斑点刀颌鱼抗病育种中的应用效果。结果显示，MLE排序法显著优于均匀分布法，仅需1/20的标记密度即可达到稳定预测效果，同时还能将四种传统模型的预测精度提高11.1%–12.7%。尽管在MLE排序法下，XGBoost和RF的预测精度略高于GBLUP模型，但其无偏性值与理想值1存在较大偏差。综合考虑预测精度和无偏性，MLE排序法与GBLUP模型结合使用时，可在仅1千个标记密度的条件下实现最佳预测性能（AUC=0.71，标准误差=0.006）。因此，这种组合为斑点刀颌鱼抗病性育种的成本效益平衡提供了最优方案，也为该物种低成本基因组选择育种奠定了理论基础。

引言
斑点刀颌鱼主要分布于太平洋的温带和亚热带海域，是中国、日本和韩国重要的海洋水产经济鱼类。由于其肉质优良且具有较高的经济价值，因此在市场上很受欢迎（Shimada等人，2009；Wang等人，2021）。然而，近年来随着集约化养殖技术的进步以及养殖环境恶化，由迟缓爱德华氏菌等病原体引发的疾病频繁发生，导致鱼类出现腹水、眼球突出、脑部及内脏严重损伤甚至大规模死亡，成为制约该物种养殖业发展的关键瓶颈（Rahmawaty等人，2022）。迟缓爱德华氏菌可感染多种鱼类，包括日本鳗鱼、尼罗罗非鱼、大菱鲆、虹鳟以及20多种其他鱼类，给全球水产养殖业造成巨大经济损失（Mohanty和Sahoo，2007；Park等人，2012）。传统的抗生素治疗不仅可能诱发耐药菌，还会对环境造成污染（Rahmawaty等人，2022）。为实现斑点刀颌鱼养殖业的绿色高质量发展，培育新的抗病种质资源至关重要。

基因组选择技术通过将参考群体的遗传标记信息与目标性状关联起来，无需依赖候选群体的表型数据即可估算其育种值（GEBV）（Meuwissen等人，2001）。在水产养殖领域，基因组选择已成为提升鱼类抗病性性状的重要技术。该技术已在多种重要养殖鱼类中得到应用，如日本比目鱼、豹纹石斑鱼、金鲷和大西洋鲑鱼等（Bangera等人，2017；Lu等人，2023；Lu等人，2020b；Wang等人，2025）。这些案例表明，基因组选择能够有效提升鱼类的抗病性性状。基因组选择的精度受多种因素影响，包括基因组预测分析方法、参考群体规模、标记密度以及遗传力值（Jin等人，2025；Yoshida等人，2018）。常用的基因组选择模型包括以最佳线性无偏预测为代表的线性模型（VanRaden，2008），以及以BayesA、BayesB和BayesCπ为代表的贝叶斯方法（Chen等人，2014；Gianola，2013）。

尽管基因组选择技术已加速了现代水产抗病育种进程，并已在大西洋鲑鱼和虹鳟等水生动物中得到成功应用（Tsairidou等人，2020；Fraslin等人，2023），但对于大多数水产养殖物种而言，高密度基因分型的高昂成本严重限制了其大规模应用（Song等人，2022）。传统的低密度SNP筛选方法，如基于物理距离在基因组上均匀选取标记，需要2万到5万个SNP，虽然能一定程度上降低基因分型成本，但效果有限（Robledo等人，2018）。因此，如何在保持预测精度的同时降低基因分型成本，是目前亟需解决的关键问题。虽然这种方法相比全基因组测序成本更低，但对于水产养殖项目而言仍相对昂贵。另一种策略是根据全基因组关联分析中的p值排名来筛选低密度SNP，但这种方法并不可靠（Cui等人，2025）。为解决这一问题，Qu等人最近提出了一种新的标记筛选策略。在日本比目鱼和豹纹石斑鱼研究中，采用MLE排序法进行SNP预选，能够获得稳定且高效的预测结果，该方法基于全基因组的最大似然估计来选取SNP标记，所需标记密度仅为传统均匀预选方法的1/20到1/10（Qu等人，2024）。

随着人工智能的发展，机器学习方法因其强大的非线性拟合能力而备受关注（An等人，2021）。机器学习模型突破了混合线性模型和贝叶斯假设的局限性，相较于传统线性模型，更能准确捕捉基因型、表型和环境之间的复杂关系（Gianola等人，2011）。一些机器学习方法已被应用于基因组选择领域，包括支持向量机、随机森林、人工神经网络和岭回归等（Bayer等人，2021；Freitas等人，2024；Liyanage等人，2025）。这些方法已在畜牧业和植物育种领域得到广泛应用（Alves等人，2020；Wang等人，2022a；Wilson等人，2024）。近期，这类方法也被应用于水生生物的抗病性和生长性状研究，研究表明考虑非线性效应可以提高复杂性状的全基因组预测精度（Liu等人，2025b；Liu等人，2025a）。例如，在太平洋白虾的生长性状研究中，弹性神经网络方法的预测精度高于传统参数模型（Luo等人，2024）。在针对日本比目鱼病毒性出血性败血症病毒的研究中，随机森林模型对三种VHS抗性性状的预测精度最高（Liyanage等人，2025）。尽管机器学习方法在多种物种和性状的预测中表现良好，但其用于预测斑点刀颌鱼的抗病性性状的效果仍有待进一步验证。

为应对迟缓爱德华氏菌对斑点刀颌鱼养殖业的严重威胁，本研究旨在建立一种即使在低标记密度下也能保持预测精度的基因组选择方案。具体研究目标包括：（1）评估斑点刀颌鱼对迟缓爱德华氏菌抗性的遗传参数；（2）比较不同SNP密度下MLE排序法与均匀分布法的基因组预测精度，筛选出适合斑点刀颌鱼抗病育种的低密度SNP筛选策略；（3）在两种策略的预测精度达到平台期时，进一步评估传统基因组选择模型（GBLUP、BayesA、BayesB、BayesCπ）和机器学习模型（SVM、RF）的性能，确定最优的模型-策略组合。本研究为斑点刀颌鱼的抗病性育种提供了直接的理论依据和实践指导。

样本采集与表型测定
本研究共采集860条斑点刀颌鱼，来源为中国山东省黄海水产有限公司。实验群体由数百条性成熟的亲本随机交配产生的后代组成，所有个体均为6个月大，在相同环境下饲养。实验群体分为两个年度批次：2023年有639条个体，2024年有221条个体。每条鱼均……

表型与基因型
基于860条斑点刀颌鱼的重新测序数据，本研究进行了严格的质量控制、过滤和基因型填补，最终获得了2,415,773个高质量单核苷酸多态性标记，用于后续分析。在人工感染迟缓爱德华氏菌后，2023年和2024年的实验组在感染后25至75小时之间出现死亡率高峰（图1）。2023年的实验组在75小时后存活率稳定在36.1%。

遗传参数估算
本研究采用GBLUP方法估算斑点刀颌鱼对迟缓爱德华氏菌的抗性遗传力，结果在0.13至0.25之间（表1），属于低至中等水平。这一结果与其他鱼类抗病性性状的研究结果基本一致。例如，舌鳎对迟缓爱德华氏菌的抗性遗传力在0.10至0.36之间（Li等人，2020）。 Vibrio……的抗性遗传力……

结论
本研究表明，斑点刀颌鱼对迟缓爱德华氏菌的抗病性性状具有中低水平的遗传力（0.13–0.25），这为应用基因组选择技术提供了可行性。MLE排序法的表现优于均匀分布法，仅需1千个SNP即可达到预测平台期，从而有效降低了基因分型成本。虽然在MLE排序法下，RF和XGBoost的预测精度略高于GBLUP模型，但其改进幅度……

CRediT作者贡献说明
郭梦琪：写作——审阅与编辑，写作——初稿撰写，可视化，软件应用，方法设计，实验研究，统计分析，数据整理。
曲世宇：写作——审阅与编辑，方法设计，实验研究，统计分析，数据整理。
王磊：资源提供，实验研究。
谢海生：资源提供，实验研究。
陈松林：写作——审阅与编辑，项目监督，项目管理，资金申请，概念设计。

伦理声明
本研究符合中国海洋渔业科学研究院实验动物护理与使用委员会批准的实验研究伦理标准，批准号为YSFRI_2024022。

未引用参考文献
Butler Qu等人，2024
Karatzoglou等人，2024

利益冲突声明
作者声明在本研究中不存在任何可能被视为利益冲突的商业或财务关系。

致谢
山东省重点研发计划（2023ZLYS02）、中国水产科学研究院公益类科研基础研究基金（2023TD20）、山东省泰山学者攀登计划、海南省陈松林院士工作站（YSGZZ2023001）以及海南省科技专项基金（YSPTZX202402）。