《Aquaculture》：Genome-wide population structure and a molecular system to precise identification of tilapia genetic resources in China
编辑推荐：
基因组变异分析揭示红 tilapia 品系 CHD/BWH 的 DHRS11 基因正向选择机制，开发出包含40个特异SNP的分子鉴定系统，24SNP亚面板仍保持98.2%鉴别准确率，为 tilapia 遗传资源保护提供技术方案。
张王|刘志刚|曹建蒙|黄少伟|刘红|唐成林|王淼|易梦梦|于浩东|卢马欣|柯晓莉
中国渔业科学院珠江渔业研究所，农业部热带与亚热带渔业资源应用与养殖重点实验室，广州510380，中国
摘要
罗非鱼是全球养殖量第二大的鱼类。杂交育种的加剧推动了中国罗非鱼产业的发展，但这也使得遗传资源的准确鉴定和保护变得至关重要。然而，很少有研究关注主要养殖物种的遗传结构和DNA指纹。在这里，我们为七个物种/品系提供了全基因组遗传变异图谱：Oreochromis niloticus（尼罗罗非）、Oreochromis mossambicus（莫桑比克罗非）、Oreochromis aureus（ALY）、Sarotherodon melanotheron（SL）、以色列红罗非（YSL）以及来自台湾省的两个红罗非品系（CHD和BWH）。种群结构分析显示，莫桑比克罗非、SL和ALY的种质资源保持完整，而尼罗罗非已分化为多个品系，其中只有少数保留了原始的GIFT血统。红罗非品系（CHD/BWH）是杂交后代，在遗传上与母本莫桑比克罗非差异较大。与色素形成相关的基因DHRS11在LG14: 28140001–28,290,000区域发生串联重复，在母本莫桑比克罗非中受到正向选择，在CHD/BWH中进一步受到选择，这表明DHRS11可能调控CHD/BWH的体色形成。通过机器学习多项式逻辑回归（MLR）方法，我们识别出40个物种特异性的SNP，能够以99.61%的准确率区分这七个类群。由这些标记组成的低密度24 SNP面板仍能达到98.2%的准确率。总体而言，我们的发现揭示了体色决定的新遗传机制，并为罗非鱼提供了一种可扩展的分子鉴定系统。
引言
水生遗传资源对全球粮食安全、生态平衡和农业可持续发展至关重要。全球有超过70种罗非鱼，它们被联合国粮食及农业组织（FAO）推荐用于国际养殖（Wang和Dong，2025）。为了满足对罗非鱼日益增长的需求，尼罗罗非（Oreochromis niloticus）经过选育，培育出了生长速度快、鱼肉产量高的遗传改良型养殖罗非鱼（GIFT品系）（Abraham等人，2025）。中国于20世纪90年代引入了罗非鱼，现已成为最大的生产国（Wang等人，2021）。由于原始物种在耐逆性（Tattiyapong等人，2017；Yue等人，2024）、体色和肉质（Gardu?o等人，2003）方面存在差异，中国的密集杂交育种迅速产生了许多优良品系（Wang和Dong，2025）。虽然这促进了遗传改良，但也导致了广泛的基因渗入，使种质资源保护变得复杂（Ciezarek和Mehta，2024）。因此，准确鉴定物种和品系对于保护罗非鱼遗传资源、指导罗非鱼育种计划和管理外来种群至关重要。
一些罗非鱼物种可以通过颜色或形态进行区分，但这些表型特征变化太大，无法用于常规鉴定（Wu和Yang，2012）。大多数物种在形态上无法区分，这阻碍了优良品系的维护（Ciezarek等人，2022）。随着基于分子标记的鉴定方法成为常规手段，研究人员开发了基于随机扩增多态性DNA（RAPD）（Dinesh等人，1996）、限制性片段长度多态性（RFLP）（Naish等人，1995）、线粒体DNA（Wu和Yang，2012）和D-loop序列（Jiang等人，2019）的DNA指纹技术。然而，这些方法受分类范围狭窄和分析过程复杂性的限制，需要专业操作人员。过去十年中，第三代单核苷酸多态性（SNP）标记已广泛应用于多种水产养殖物种。利用高密度SNP数据，形态相似的罗非鱼物种在生理和遗传特征上存在差异。例如，与莫桑比克罗非（Oreochromis mossambicus）相比，红罗非和尼罗罗非的Wnt信号通路、促性腺激素释放激素受体和整合素信号通路在GIFT品系中受到正向选择（Xia等人，2015）。另一项比较红罗非（Oreochromis属）、尼罗罗非和蓝罗非（Oreochromis aureus）的研究发现，受到正向选择的基因主要与代谢、内分泌功能和免疫相关（Hua和Tao，2025）。此外，罗非鱼的SNP指纹技术也在不断完善。一个包含24个SNP的面板已经可以区分尼罗罗非（Oreochromis niloticus）、蓝罗非（Oreochromis aureus）、莫桑比克罗非（Oreochromis mossambicus）和霍诺罗姆罗非（Oreochromis hornorum）（Syaifudin和Bekaert，2019）。一个包含96个SNP的面板可以准确区分Oreochromis属的物种和杂交后代（Ciezarek等人，2022）。最近的一项研究仅使用5个SNP就区分了蓝罗非（Oreochromis aureus）、尼罗罗非（Oreochromis niloticus）和红罗非（Oreochromis属）（Hua和Tao，2025）。然而，这些工具仅适用于已知物种和杂交后代，无法识别未知的遗传资源。因此，迫切需要一种能够快速、准确、全面分类罗非鱼遗传资源的分子鉴定系统。
通过学习已知模式，机器学习模型可以预测新样本并揭示传统方法无法发现的复杂生物标志物相互作用（Kuwayama等人，2023）。在畜牧业中，支持向量机（SVM）、随机森林（RF）和深度神经网络（DNN）已被用于分类猪、牛和鸡的物种（Greener和Kandathil，2022）。基于种群分化统计和主成分载荷选择的最佳SNP子集被输入这些分类器，以将未知个体分配到其来源物种。例如，Liang等人结合基因组变异和SVM分类器，以99.47%的准确率识别牛的物种（Liang等人，2024）。Schiavo等人使用RF算法对七种猪进行了近乎完美的分类（Schiavo等人，2020）。Iquebal等人（2013）使用DNN算法实现了96.6%的山羊物种鉴定准确率（Iquebal等人，2013）。在禽类研究中，Zhi等人（2025）使用多项式逻辑回归（MLR）仅用2000个SNP就区分了132种鸡的遗传资源，准确率达到99.45%（Zhi等人，2025）。总体而言，这些发现显著提高了物种鉴定的精度，并通过迭代模型更新可以适应以前未知的种质资源。然而，这些机器学习技术在水生生物中的应用仍然有限。因此，将这些方法扩展到鱼类和其他水生生物对于有效保护和利用其遗传资源至关重要。
在这项研究中，选择了七种本地罗非鱼物种/品系作为研究对象。我们首先利用全基因组重测序数据分析了这七个物种的种群结构和选择信号，然后应用机器学习算法识别物种特异性SNP并构建了最优分类模型。基于这些SNP，我们开发了一种低成本的KASP面板，能够高精度区分所有七个物种。该面板主要包含用于SNP检测的KASP引物。
伦理声明
本研究得到了中国渔业科学院珠江渔业研究所动物护理委员会的批准（批准编号LAEC-PRFRI-2023-09-08）。
实验动物
研究了在中国大陆广泛养殖的七种罗非鱼物种/品系：(i) 尼罗罗非（Oreochromis niloticus）；(ii) 黑颌罗非（Sarotherodon melanotheron，SL）；(iii) 橙色莫桑比克罗非（Oreochromis mossambicus，Moz）；(iv) 蓝罗非（Oreochromis aureus，ALY）；(v) 以色列红罗非
全基因组重测序和变异检测
我们对五个物种/品系（ALY、CHD、YSL、BWH、SL）的220个罗非鱼个体进行了全基因组重测序，生成了3338.18 Gb的清洁数据。此外，我们还整合了来自GIFT和莫桑比克罗非原始种群及养殖种群的公开可用的全基因组测序（WGS）数据。经过SNP检测和过滤后，SNP的测序深度分布呈单峰分布，少数位点的覆盖度极低或极高。这一模式表明大多数
讨论
中国是全球最大的罗非鱼生产国。最近的研究表明，引入罗非鱼是为了提高水产养殖或渔业性能（Yue，2025）。因此，保护和合理利用罗非鱼种质资源对于维持遗传优势和产品质量至关重要。在中国，尼罗罗非（主要是GIFT品系）主导商业养殖，而台湾红罗非（CHD/BWH）和以色列红罗非（YSL）也广泛养殖。
作者贡献声明
张王：撰写初稿、项目管理、资金获取、数据分析、概念构思。刘志刚：资金获取。曹建蒙：资金获取、数据分析。黄少伟：实验研究。刘红：实验研究。唐成林：结果验证。王淼：软件开发、资金获取。易梦梦：资源协调、资金获取。于浩东：数据可视化。卢马欣：数据可视化。柯晓莉：撰写、审稿与编辑、监督
资金支持
本研究得到了中国农业部和农业农村部的农业研究体系（CARS-46）、中央公益性科学机构基础研究基金（编号2025SJXK3、2024SJRC7、2023SJHX3）、2024年省级乡村振兴战略特色产业振兴“赛马系统”项目（2024-SPY-00-004）、海南省重点研发项目（ZDYF2023XDNY063）、国家自然科学基金（编号32102834）以及广州市科技计划的支持。
未引用参考文献
Cádiz和López，2020
Chen等人，2018
Gardu?o-Lugo等人，2003
Herrando-Pérez等人，2021
Iquebal等人，2013
Tan等人，2024
Tattiyapong等人，2017
Wang等人，2021a
Wang等人，2021b
Wang等人，2026
Yu等人，2024a
Yu等人，2024b
利益冲突声明
作者声明没有利益冲突。
致谢
我们感谢所有匿名审稿人对本文的宝贵意见。
