《Animals》：Systematic Approach for Compound Angus Populations Revealing Positional Candidate Genes and Improving Prediction Accuracy in Carcass Traits
编辑推荐：
胴体性状反映生长性能和肌肉发育，在肉牛中具有经济重要性，然而其遗传决定因素仍未得到充分表征。单群体全基因组关联分析（Genome-wide association study, GWAS）方法（如BLINK）和跨群体荟萃分析（meta-analysis）方法均
胴体性状反映生长性能和肌肉发育，在肉牛中具有经济重要性，然而其遗传决定因素仍未得到充分表征。单群体全基因组关联分析（Genome-wide association study, GWAS）方法（如BLINK）和跨群体荟萃分析（meta-analysis）方法均被广泛用于识别遗传变异，但它们在结构化群体中对复杂性状进行基因组预测的比较性能仍未得到充分探索。很少有研究直接在基因组预测中比较这些方法。为解决这一空白，本研究旨在（i）识别与胴体性状相关的位置候选基因，以及（ii）评估协变量调整（Covariate Adjustment, CA）和荟萃分析在基因组预测中的情境依赖优势。在本研究中，研究人员分析了279头杂交安格斯牛的胴体重（carcass weight, CW）、活重（live weight, LW）和屠宰率（dressing percentage, DP），这些牛使用PHR0105_Bt140K_v1.0 SNP芯片进行基因分型。使用BLINK在全群体上进行GWAS，并通过荟萃分析整合三个亚群体的结果，两种方法的显著性阈值采用基于洗牌的方法确定。位于显著SNP±10 kb范围内的候选基因与不同胴体性状相关，包括DP的STRIT1、SEL1L3、NOC4L和ANK1；CW的SNCA和DNAH5；以及LW的GYPC、GPR158和GUCY1A1。在标记辅助选择（marker-assisted selection, MAS）和标记辅助最佳线性无偏预测（marker-assisted best linear unbiased prediction, MABLUP）下的预测准确性显示，荟萃分析在MAS中略优于BLINK，而BLINK在协变量调整下更好；在MABLUP中纳入亲缘关系后，荟萃分析获得更高准确性，群体划分的影响可忽略不计。总体而言，MABLUP在所有性状中产生最高准确性（0.52–0.79），而MAS为0.37–0.54。这些发现为在结构化群体中选择适当的GWAS策略提供了方法学基础，并突出了候选基因。
近年来，全球人口增长推动牛肉消费持续上升，牛肉生产效率与可持续性受到广泛关注。胴体性状如活重（live weight, LW）、胴体重（carcass weight, CW）和屠宰率（dressing percentage, DP）是肉牛生产的关键经济指标，其遗传基础复杂，由多基因和环境因素共同决定。以往在安格斯牛中的全基因组关联分析（Genome-wide association study, GWAS）已鉴定出多个与生长和胴体性状相关的位点，但大多数研究基于单一群体，对于包含纯种安格斯和安格斯×和牛杂交的复合群体，单群体GWAS与跨群体荟萃分析（meta-analysis）在基因组预测中的相对优势尚未明确。针对这一空白，本研究利用来自中国三个地区的279头安格斯杂交牛，包括黑龙江孙吴48头、河北大厂109头安格斯×和牛杂交牛、甘肃庆阳122头，使用PHR0105_Bt140K_v1.0 SNP芯片进行基因分型，旨在（i）鉴定与胴体性状相关的位置候选基因，（ii）评估协变量调整（Covariate Adjustment, CA）和meta分析在基因组预测中的情境依赖优势。该研究成果发表于《Animals》期刊。
研究人员首先对表型数据进行统计和遗传参数估计，随后利用BLINK模型在全群体开展GWAS，并将群体按来源分为三个亚群体分别进行GWAS，再通过METAL软件进行meta分析。显著性阈值通过置换检验确定（p < 1.01×10
?6）。候选基因注释基于显著SNP上下游±50 kb区间内的基因。基因组预测采用标记辅助选择（marker-assisted selection, MAS）和标记辅助最佳线性无偏预测（marker-assisted best linear unbiased prediction, MABLUP），进行五折交叉验证，并设置随机划分以评估群体结构校正的影响。
3.1 描述统计与遗传参数估计
三个群体中，LW均值715.3 kg，CW均值414.5 kg，DP均值57.9%，性状均呈正态分布。Pearson相关分析显示，LW与CW强正相关，CW与DP中度正相关，LW与DP负相关。遗传力估计：LW为0.68，DP为0.67，CW为0.61，表明这些性状具有大量的加性遗传变异，适合进行基因组预测和选择。
3.2 群体结构与遗传力估计
主成分分析（Principal Component Analysis, PCA）显示三个群体聚类清晰，大厂（DC）与孙吴（SW）遗传距离较近，庆阳（QY）独立分支。前三个主成分分别解释9.96%、5.7%和2.24%的遗传方差。邻接（Neighbor-Joining, NJ）树结果与PCA一致，进一步支持群体分层。由此估计的遗传力表明，三个胴体性状均受显著的加性遗传调控。
3.3 GWAS、Meta分析与候选基因
对DP性状，CA和meta分析共同检测到6个显著SNP，其中rs37571和rs37577位于SEL1L3基因内，该基因参与内质网相关降解和蛋白质折叠质量控制。其他候选基因包括STRIT1（与肌肉结构稳定性相关）、ANK1（参与细胞骨架稳定性）和NOC4L（参与核糖体生物发生）。对LW，检测到4个显著SNP，注释到GUCY1A1（平滑肌松弛和血压调节）、GYPC（红细胞完整性和氧运输）、PSMB7（蛋白酶体成分）和GPR158（内分泌调节）。对CW，检测到3个显著SNP，分别位于SNCA、DNAH5以及一个未注释的长链非编码RNA区域，其中位于染色体17的位点具有较高的表型变异解释率（52.50%）。多数SNP在亚群体中效应方向一致，少数表现出群体特异性。
3.4 显著SNP间的LD块
局部连锁不平衡（Linkage Disequilibrium, LD）分析显示，rs37571和rs95061周围存在强LD块，提示这些位点与邻近变异紧密连锁，可作为优先功能验证的候选；而rs5563、rs127557等位点的LD较弱，具有更分散的局部单倍型结构，可能反映了重组或选择效应。
3.5 显著标记预测
在MAS模型中，meta分析在基因组估计育种值（genomic estimated breeding value, gEBV）的预测准确性上略优于CA（平均提高约0.01），但CA在表型预测准确性上更优，其中DP和CW提高0.10，LW约0.04。当随机划分群体后，两种方法的准确性均大幅下降至约0.10，表明显式校正群体结构对MAS至关重要。在MABLUP中，meta在DP（约0.03）以及LW和CW（约0.1）上均优于CA，随机划分下差异很小，说明亲缘矩阵能够有效吸收群体结构效应。总体上，MABLUP的预测准确性（0.52–0.79）显著高于MAS（0.37–0.54）。
讨论部分综合认为，识别出的候选基因涉及细胞骨架组织、蛋白质周转、钙稳态和代谢调节等多种生物途径，其中SEL1L3可能是与屠宰率相关的新候选基因。在预测性能方面，CA和meta在不同条件下各具优势：CA通过显式校正群体结构提高了MAS中的表型预测，而meta在MABLUP中利用亲缘关系矩阵后表现更稳健。研究局限性包括缺乏独立群体的功能验证、部分位点位于非编码区，以及样本量有限，未来需要通过更大样本和转录组、表观组及基因编辑等手段进行验证。
结论：本研究整合GWAS、meta分析和基因组选择方法，揭示了肉牛胴体性状的遗传基础，鉴定出多个具有生物学意义的位置候选基因。方法学上，meta分析在标准基因组选择框架下提供更好的预测表现，而CA能提高准确性，两者具有互补优势。这些发现为结构化群体中优化基因组预测模型提供了实际见解，并为后续功能验证和分子育种改良胴体性能奠定了基础。
