研究流程图
摘要
背景
随着动物表型组学（遥感等）和深度表型（多组学数据）分析的快速发展，可以从每个个体获得数千种传统（但也有分子）表型。然而，在动物育种方面，如何处理如此大量的数据仍然缺乏探索，而这一挑战在未来可能会越来越严重。
研究目前
（1）探索超大规模线性混合模型（MegaLMM）的使用，这是一种基于因子模型的方法，能够同时估计数千种乳用性状（以下称为千性状（TT）模型）的（协）方差分量和遗传参数；
（2）比较单一性状（ST）和 TT 模型中焦点性状（即作为预测目标的性状，与有助于评估的次要性状相比）的表型值和基因组育种值（ u ）预测值；
（3）提出一种使用 TT 模型和 MegaLMM 预测GEBV（ U ）的新近似方法。
数据和算法
- 使用了从 3,302 头荷斯坦奶牛身上收集的总共 3,421 个牛奶中红外 (MIR) 光谱波点（称为次要性状）和 3 个焦点性状（平均脂肪百分比 [AFP]、平均甲烷产量 [ACH4] 和平均 SCS [ASCS]）。
- 3,421 个牛奶 MIR 波点性状由 11 个类别（泌乳月份）的 311 个波点组成。
- 所有动物的 564,439 个 SNP 的基因分型信息均可用，并用于计算基因组关系矩阵（G矩阵）。
- MegaLMM 是在贝叶斯稀疏因子模型框架内实施的，并通过吉布斯抽样（马尔可夫链蒙特卡洛）求解。
结果
-
所研究的 3,421 个牛奶 MIR 波点的遗传力在整个泌乳期以 311 个波点为单位逐渐增加然后降低。
image.png -
前 311 个波点与其余 3,110 个波点之间的遗传和表型相关性较低。
image.png -
ST 模型对 AFP（0.51 vs. 0.93）、ACH4（0.30 vs. 0.86）和 ASCS（0.14 vs. 0.33）的表型预测准确度低于 TT 模型。AFP（0.59 vs. 0.86）、ACH4（0.47 vs. 0.78）和 ASCS（0.39 vs. 0.59）的 u 预测准确度也呈现出相同趋势。
image.png
-
TT模型预测的U与新提出的近似方法之间的平均相关性为 0.90。
image.png
结论
用于估计MegaLMM 中U的新近似方法将提高 MegaLMM 在动物育种应用中的适用性。
该研究对表型组数据（数千种性状）在动物育种中的应用进行了初步研究，表明TT模型有利于预测焦点性状（表型和育种值），特别是对于难以测量的性状（例如ACH4）。
参考文献：
Exploring a Bayesian sparse factor model-based strategy for the genetic analysis of thousands of mid-infrared spectra traits for animal breeding
