预测鱼类的料效率和基于性能的特征,通过整合多个omics和临床共变体

科学领域:

• 水产养殖和动物科学
• 基因组学和系统生物学
• 生物化学和新陈代谢

背景情况:

• 全球对海洋蛋白质的需求推动了鱼类水产养殖的快速扩张.
• 提高料效率 (FE) 对于降低生产成本和提高养殖鱼类的可持续性至关重要.
• 基于系统的方法为FE和增长绩效等复杂特征提供了新的见解.

研究的目的:

• 预测养殖中鱼 (Oncorhynchus tshawytscha) 的料效率 (FE) 和相关性能特征.
• 在多个数据层中识别有影响力的分子变量,用于FE预测.
• 与单层模型相比,评估综合多层和临床数据的预测能力.

主要方法:

• 建立了14个多层多omics和临床数据的不同层.
• 利用单层和多层随机森林 (RF) 回归模型进行预测和特征选择.
• 分析了OMC间的相关性和与性能特征相关的顶级预测变量.

主要成果:

• 与单层模型相比,集成数据层显示出更高的FE预测能力.
• 蛋白质组,代谢组和脂质组成数据层对FE预测有显著的贡献.
• 确定了FE的特定分子关联,包括便细菌 (Serratia spp. ),脂质部分,自由甘油和N-乙谷氨酸.

结论:

• 多omics数据集成为预测水产养殖中FE等复杂特征提供了强大的方法.
• 确定了可以用于评估养鱼在商业上相关的性能指标的关键分子特征.
• 这项研究有助于开发更可持续,更具成本效益的水产养殖实践.