利用多组学(multi-omics)数据预测猪的疾病抗性(disease resilience)

《Journal of Animal Science and Biotechnology》：Prediction of disease resilience of pigs using multi-omics data

　　

摘要：基因组预测(genomic prediction/G-BLUP)已广泛应用于猪育种，但因基因型 alone 无法捕捉感染诱导的调控响应、环境及管理效应或其互作，对疾病抗性(disease resilience)等复杂性状的表型预测仍受限。健康幼龄猪血液中的分子谱反映了遗传与非遗传影响，可能改善疾病挑战下的性能预测。本研究评估整合多个血液来源的 omics 层与基因组数据是否可提高经多微生物疾病挑战(polymicrobial disease challenge)猪只生产及疾病抗性表型的预测能力。研究对象为来自15个批次836头健康猪，约27日龄采血测定转录组(transcriptomic)、蛋白质组(proteomic)及代谢组(metabolomic)谱，约40日龄转入自然多微生物疾病挑战环境，并使用商用650 K SNP芯片基因分型。利用最佳线性无偏预测(best linear unbiased prediction, BLUP)动物模型分析21个性状（生长、健康评分、抗生素治疗、死亡率、饲料效率及胴体性状），随机动物效应基于基因组(G)、转录组(T)、蛋白质组(P)、代谢组(M)关系矩阵构建。大多数性状中G-BLUP解释表型方差比例最大；但对挑战前记录的若干生长与健康性状，T?、P?或M?BLUP可解释与G?BLUP相当或更大方差。向G?BLUP中添加T和/或M通常提高挑战前生长率与健康评分、挑战后死亡率及胴体重的方差解释量与预测准确性；G+T+M组合常获最高准确性，而添加P无稳定改善。后期生长?肥育性状多组学增益较小且不恒定。结论：健康幼龄猪血液 multi?omics 谱可超越单纯基因组数据改善性能与疾病抗性预测，增益在挑战前性状及病原体暴露后部分抗性性状中最显著，提示挑战前分子谱捕获了潜在抗性潜能(latent resilience potential)，支持将挑战前血液 multi?omics 作为生物标志物用于精准管理及针对猪疾病抗性的选育策略。

利用多组学(multi-omics)数据预测猪的疾病抗性(disease resilience)——论文解读

本文发表于《Journal of Animal Science and Biotechnology》。可持续养猪生产中改善动物健康是核心目标，但传染病会降低生长与饲料效率、增加死亡率与治疗成本，并引发动物福利与抗菌药物使用关切。商业化猪群常暴露于异质且通常为多微生物(polymicrobial)病原压力下，难以针对单一病原体，因此育种与管理日益聚焦于疾病抗性(disease resilience)——即疾病挑战下维持健康与生产能力并在应激后恢复的能力，而非病原特异的抗性(resistance)。目前基因组预测(genomic prediction)已在猪育种中广泛应用并提高多生产性状遗传进展，但抗性相关结局预测仍困难，因选育种畜通常在高健康环境中 rearing且抗性性状低遗传力(heritability)、受环境与管理强烈影响，故仅凭标记基因型不足以捕捉影响抗性的下游生物学与短期生理变异。高通量转录组(transcriptome)、蛋白质组(proteome)与代谢组(metabolome)提供整合遗传倾向与早期环境的中间分子读数，或可补充标记基因型。然而健康仔猪血液来源 multi?omics 能否改善自然多微生物挑战下抗性结局预测尚不清楚，多 omics 层与基因组联用及最受益的性状与生产阶段亦未明确。为此研究人员利用自然疾病挑战模型(Natural Disease Challenge Model, NDCM)，评估健康幼龄猪血液基因组、转录组、蛋白质组及代谢组数据对多微生物挑战下抗性相关结局与生产性能的预测价值，比较单核与多核 BLUP 模型及不同 omics 组合，并通过留一批次交叉验证(leave?one?batch?out cross?validation)评估跨生产阶段与性状域的预测能力。结论表明健康幼龄猪血液 multi?omics 可超越基因组单独预测改善性能与疾病抗性预测，G+转录组+代谢组(GTM)组合最常获最高准确性，支持其作为生物标志物用于精准管理与选育。

主要关键技术方法： 研究队列为 NDCM 中15批次共836头健康约27日龄 Yorkshire×Landrace F1 阉公猪，采血测血液转录组(QuantSeq 3′ mRNA?Seq，保留15,872基因)、血浆代谢组(¹H?NMR，保留44代谢物)及血浆蛋白质组(TMT 11?plex LC?MS/MS，KNN填补缺失值后保留354蛋白)，并采用 Axiom Porcine 660K 芯片基因分型(质控后435,172个常染色体SNP)。分别构建基因组关系矩阵 G（block?diagonal 按来源公司）及各 omics 相似矩阵 K_omics=1/p·M_omicsM′_omics（M_omics为校正批次/年龄/圈舍效应后标准化残差矩阵）。采用线性混合模型拟合单/多 omics 随机动物效应（multi?kernel BLUP），分设独立多核与各 omics 矩阵等权平均组合核两种参数化；使用 ASReml 4.0 估计方差组分与 h2，通过 leave?one?batch?out 交叉验证计算 Pearson 相关系数及二分类死亡率 ROC AUC 评价预测准确性。

Results（结果）

Summary statistics and genetic parameter estimates of the performance and disease resilience traits（性能与疾病抗性性状的汇总统计及遗传参数估计）： 基于 G?BLUP 估算发现生产及胴体性状具中高遗传力(h2≈0.20?0.72)；检疫育仔期(qNur)平均日增重(qNurADG)、健康评分(qNurHS1/HS2)遗传力低(健康评分h2=0.01?0.09)，抗生素处理次数(TRT)与死亡率(MOR)遗传力极低(后期趋近0)；同窝(litter)效应对部分性状有小至中等影响。此确认仅靠基因组对低遗传力健康/抗性性状预测力有限。

Variance partitions with different combinations of omics relationship matrices（不同 omics 关系矩阵组合的方差异分）： 单核模型中 G 对多数性状解释方差最大，例外为 qNur 期部分生长与健康性状中转录组(T)略高于 G。向 G 添加单 omics 层(GT/GP/GM)通常增大解释方差，qNur 性状及饲料转化率(FCR)、热胴体重(CWT)增益最明显。不含 G 的多 omics 模型(TP/TM/PM/TPM)解释方差很低且易不收敛。G 基础上加≥2 omics 层(GTP/GTM等)解释方差高于 G 但增益小于加单 omics；各 omics 作独立随机效应与等权组合核所得解释方差相近，G 仍为贡献主导。

Phenotype prediction accuracy（表型预测准确性）： G 单独对 qNur 及死亡率性状准确性低，对后期生长胴体中等。单 omics 无 G 时——qNurADG 中代谢组(M)=0.49远高于 G=0.03，转录组(T)=0.32、蛋白质组(P)=0.27；qNurHS1/HS2 中 M 达0.22/0.33优于 G=0.03；挑战期育仔健康评分(cNurHS) M=0.13＞G=0.07，育仔期死亡率(cNurMOR) T=0.13＞G=0.04，全期死亡率(AllMOR) T=0.11＞G=0.05。多 omics 无 G 对部分 qNur 性状接近最佳单 omics（PM 对 qNurHS2 达0.35），但后期大多近零或不稳。向 G 加单 omics——qNurADG 由 G=0.03升至 GT=0.29、GM=0.47；qNurHS1/HS2 GM 达0.22/0.33；FCR 由 G=0.21 升至 GT=0.29?0.30；CWT 由 G=0.09 升至 GM￣=0.14。G 基础上加 T+M(GTM/GTM￣)最常获最高或近最高准确性——qNurADG=0.55，qNurHS1/HS2=0.33/0.42，cNurTRT=0.36，cNurMOR=0.31，AllMOR=0.28，ADFI=0.42，FCR=0.45；加全部四层(GTMP)未再持续改善甚至降低。死亡率 AUC：G 单独 0.48?0.56，GTM 对 cNurMOR=0.66、AllMOR=0.65、FinMOR=0.56，证实转录组+代谢组整合改善死亡判别。

讨论(DISCUSSION)总结： 基因组仍是多数性状最强单信息源，尤其中后期生长与胴体；但健康、治疗、死亡率仅靠基因组预测准确性低(符合低遗传力)。早龄代谢组与转录组谱含对挑战前性状及挑战后部分死亡率与饲料效率的可预测信号，有时匹敌或超过基因组。G+T+M(GTM)最常最优，加蛋白质组(P)无稳定增益。Omics 核解释方差为采样时分子相似度捕捉的预测协方差(遗传+早期环境+瞬时生理)，非严格加性遗传方差，故阶段特异性——早龄转录/代谢状态反映免疫就绪与代谢状况影响后续抗感染能力，而后期限于基因组关系。不同 omics 信息重叠致追加层收益递减及有限样本下单可识别性问题。Pre?challenge 血液 multi?omics 最实用价值为增强早期表型/风险预测助精准干预，基因组仍为育种选择值(base for EBV)。单 omics 无 G 对某些早期限期可用但整体不稳不足以替代基因组。G+omics 组合一致有益但依性状而异；过参数化(如GTMP)可降准确性。分别拟合多核与等权组合核结果近似，后者更简洁稳便于少样本。局限包括完整 multi?omics 样本量偏小、单时点血液采样、未在外独立群体验证、等权未优化加权；未来需外部验证、数据驱动加权、重复/晚期采样及非线性方法探索。

Conclusions（结论）： 健康育仔期猪血液来源 multi?omics 谱可增强自然多微生物疾病挑战下性能与疾病抗性表型预测。基因组信息跨性状为核心预测源，但早龄转录组与代谢组及其与基因组整合对早增重、健康、死亡率及部分饲料效率性状提供有意义的预测准确性增益，而非全部 omics 层均改善。结果表明健康幼龄猪 multi?omics 可在病原暴露前捕获生物学相关抗性变异，可有策略地与基因组联用改进管理与选种决策，为将靶向 multi?omics 信息纳入商品猪生产与育种程序以增强商业猪群疾病挑战下健壮性与健康提供了概念验证。