提高羊群中甲排放和料效率的基因组预测准确度:使用神经网络GBLUP (NN-GBLUP) 整合肠微生物PCA与宿主基因组变异
Setegn Worku Alemu1, Timothy P Bilton2, Patricia L Johnson2
1AgResearch, Invermay Agricultural Centre, Private Bag 50034, Mosgiel, 9053, New Zealand. setegn.alemu@agresearch.co.nz.
Genetics, selection, evolution : GSE
|July 17, 2025
概括
主要组件分析有效地减少了肠微生物组数据的维度. 将这些减少的数据集成到神经网络基因组最佳线性无偏预测模型中,显著提高了羊中甲排放和料效率的基因组预测准确性.
科学领域:
- 动物遗传学动物遗传学
- 微生物组研究 微生物组研究
- 气候变化缓解缓解 气候变化缓解
背景情况:
- 畜牧业的甲排放是一个主要的气候变化问题.
- 由于高的测量成本,减少甲的基因组选择受到阻碍.
- 流体微生物组合 (RMC) 数据可以改善预测,但由于高维度而具有计算挑战性.
研究的目的:
- 评估主要组件分析 (PCA) 以减少RMC数据的维度.
- 通过神经网络基因组最佳线性无偏预测 (NN-GBLUP) 模型,评估PCA减小的RMC数据是否能提高羊群中甲排放和料效率的基因组预测准确度.
主要方法:
- 应用PCA到RMC数据以识别关键组件.
- 集成PCA减少的RMC数据作为NN-GBLUP模型中的中间特征.
- 与标准GBLUP对甲排放和料效率特征的预测准确度进行比较.
主要成果:
- PCA有效地捕获了RMC信息,微生物能力与完整的数据集相匹配.
- 与PCA减小的RMC数据相结合的NN-GBLUP改善了甲排放 (0.09至0.30) 和剩余料摄入 (0.25至0.37) 的预测准确度.
- 最佳PCA组件 (25-50%变化) 根据特征而有所不同;较高的组件降低了甲特征的准确性. 在二氧化碳排放或活重方面没有任何改善.
结论:
- 在保留生物信息的同时,PCA成功地减少了RMC数据的维度.
- 通过NN-GBLUP整合PCA减少的RMC数据显著提高了羊中甲和料效率的基因组预测准确性.
- 这种方法为基因组选择提供了一个计算效率高的策略,以减轻畜牧业的甲排放并提高料效率.
