综合表观基因和基因组数据,通过机器学习算法预测乳羊的剩余料摄入量和料转换率

科学领域:

• 动物基因组学 动物基因组学
• 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
• 畜牧业 生产 畜牧业 生产

背景情况:

• 料效率 (FE) 对于可持续的畜牧生产至关重要.
• 了解FE的生物基础可以改善动物选择.
• 这项研究调查了乳母羊与FE相关的表观遗传修饰.

研究的目的:

• 为了确定与乳母羊的料效率相关的差异甲基化区域 (DMR).
• 使用机器学习模型评估DMR和FE遗传变异的预测性能.
• 了解调节料效率的表观遗传机制.

主要方法:

• 用全基因组双硫酸盐测序 (GWBS) 来比较乳母羊在剩余料摄入量 (RFI) 和料转换比率 (FCR) 中存在差异的DNA甲基化概况.
• 在RFI,FCR和共识组中确定了差异甲基化区域 (DMR).
• 机器学习模型 (xgboost,随机森林,深度学习) 用DMR和遗传变异来预测FE.

主要成果:

• 数以千计的基因被注释为DMRs,与关键的FE相关途径相关,如蛋白质消化,激素调节和能量代谢.
• 机器学习模型展示了FE的预测能力,最好的模型实现了高精度 (例如,RMSE = 0.07,rho^2 = 0.62).
• 随机森林模型显示了RFI预测的最低平均RMSE (0.17),而xgboost使用DMRs实现了使用RFI预测的最高rho^2 (0.86).

结论:

• 表观遗传机制在调节奶羊的料效率方面发挥着重要作用.
• 不同甲基化区域 (DMR) 具有作为预测料效率的表观遗传生物标志物的潜力.
• 这些发现有助于更深入地了解 FE,并为改善畜牧养殖策略提供了途径.