DOI: https://doi.org/10.1038/s41467-026-72470-0
PMID: https://pubmed.ncbi.nlm.nih.gov/42031771
تاريخ النشر: 2026-04-24
المؤلف: Zhenshuang Tang وآخرون
الموضوع الرئيسي: السمات الوراثية والظاهرة في الماشية
نظرة عامة
لقد عزز تقدم تقنيات -omics بشكل كبير من توفر التعليقات التوضيحية الجينية الوظيفية، مما مكن من دمجها في نماذج إحصائية لتعزيز أداء التنبؤ الجيني. على الرغم من هذا التقدم، فإن الاستخدام الفعال لمجموعة متنوعة من التعليقات التوضيحية الوظيفية لا يزال يمثل تحديًا. استجابةً لذلك، يقدم المؤلفون نموذجًا تكيفيًا يسمى IFAM، والذي يبني على إطار نموذج مختلط خطي من خلال دمج تأثيرات عشوائية متعددة. يسمح هذا النهج بدمج طيف أوسع من التعليقات التوضيحية الوظيفية، مما يعزز في النهاية دقة التنبؤ للسمات المعقدة.
تظهر النتائج أن IFAM يتفوق على نموذج GBLUP عبر مجموعات بيانات متنوعة، محققًا تحسينات متوسطة في دقة التنبؤ بنسبة 9.46%، 6.15%، 4.59%، 4.09%، و10.83% لمجموعة بيانات WTCCC1. تؤكد هذه النتائج على إمكانية IFAM في الاستفادة من البيانات الجينية الوظيفية بشكل أكثر فعالية، مما يعزز مجال التنبؤ الجيني.
مقدمة
تناقش مقدمة ورقة البحث أهمية التنبؤ الجيني في التربية والطب الدقيق، مع التأكيد على اعتماده على عدم توازن الربط (LD) بين تعدد أشكال النوكليوتيدات المفردة (SNPs) ونوكليوتيدات السمات الكمية (QTNs). تم تطوير نماذج مختلفة للتنبؤ الجيني، لا سيما تحت إطار أفضل تقدير خطي غير متحيز (BLUP)، بما في ذلك GBLUP، MultiBLUP، وطرق بايزي مثل BayesR. تعزز هذه النماذج دقة التنبؤ بالسمات المعقدة من خلال استيعاب توزيعات متنوعة لتأثيرات SNP، والتي تعتبر حاسمة لمعالجة ظاهرة “الوراثة المفقودة”.
تسلط الورقة الضوء على إمكانية دمج بيانات -omics والتعليقات التوضيحية الوظيفية في نماذج التنبؤ الجيني لتحسين الدقة والأهمية البيولوجية. بينما أظهرت النماذج المتقدمة مثل SBayesRC وعدًا في علم الوراثة البشرية، لا تزال قابليتها للتطبيق في تربية النباتات والحيوانات غير مستكشفة بشكل كافٍ بسبب تعقيدات التنوع الجيني وهياكل LD في هذه السكان. النموذج المقترح، IFAM، يوسع GBLUP من خلال دمج تأثيرات عشوائية متعددة ومعالجة التعليقات التوضيحية الوظيفية بكفاءة، محققًا تحسينات كبيرة في دقة التنبؤ عبر مجموعات بيانات متنوعة. وهذا يبرز إمكانية IFAM في تعزيز التنبؤ الجيني في أنواع متنوعة من خلال الاستخدام الفعال للتعليقات التوضيحية الوظيفية.
طرق
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات UK Biobank، التي تشمل بيانات جينية وصحية واسعة من حوالي 500,000 مشارك في المملكة المتحدة، لتقييم جدوى وفعالية نموذج IFAM في تحليل البيانات الكبيرة. شمل التحليل استخراج SNPs من HapMap3 من 2,504 مشارك في مشروع 1000 جينوم، مع تطبيق تدابير صارمة لمراقبة الجودة للاحتفاظ بـ 1,094,840 SNP بناءً على معايير مثل تردد الأليل الصغير (MAF) > 0.01 وتوازن هاردي-واينبرغ. تم اختيار مجموعة فرعية من 348,501 فرد غير مرتبط من أصل أوروبي لمزيد من التحليل، مع التركيز على ست سمات تمثيلية ذات هياكل جينية متنوعة، بما في ذلك الطول.
بالإضافة إلى ذلك، دمجت الدراسة مجموعة بيانات خنازير Duroc التي تضم بيانات جينية وفينوتيبية من 2,797 خنزير، مع 11,348,460 SNP تم تحديدها في البداية. بعد تطبيق فلاتر مراقبة الجودة، تم الاحتفاظ بـ 15,457,739 SNP لتحليل خمسة سمات إنتاج رئيسية. وبالمثل، تم تحليل مجموعة بيانات الأرز من مشروع 3000 جينوم الأرز، والتي تضمنت 3,024 وصول للأرز و333,454 SNP بعد مراقبة الجودة. قامت الدراسة بتقييم خمسة سمات متعلقة بالعائد، مع التأكد من أن جميع الفينوتيبات تم تعديلها مسبقًا للمتغيرات ذات الصلة. تم الحصول على تعليق وظيفي شامل للمتغيرات الشائعة من قواعد بيانات مختلفة، بما في ذلك RegulomeDB للبشر، IFmut للخنازير، ومشروع تعليق جينوم الأرز للأرز، مما يوفر رؤى حول السياق الوظيفي لـ SNPs التي تم تحليلها.
نتائج
تسلط قسم النتائج الضوء على أهمية التعليقات التوضيحية الوظيفية في سياق الدراسة. تم تقييم أداء نموذج التعليق الوظيفي المتكامل (IFAM) بدقة عبر خمس مجموعات بيانات متنوعة تمثل الأنواع البشرية والحيوانية والنباتية. تم إجراء اختبار مرجعي شامل باستخدام مجموعة بيانات WTCCC1، والتي قدمت رؤى حول فعالية النموذج.
علاوة على ذلك، تم تقييم قابلية توسيع IFAM باستخدام مجموعة بيانات UK Biobank (UKB)، مما يظهر قدرته على التعامل مع البيانات الكبيرة. في التطبيقات المحددة المتعلقة بتربية الحيوانات، تم تحليل أداء IFAM فيما يتعلق بسمات النمو في مجموعات خنازير Duroc وYorkshire. بالإضافة إلى ذلك، تم اختبار فعالية النموذج على السمات المتعلقة بالعائد في الأرز، باستخدام بيانات من مشروع 3000 جينوم الأرز، مما يبرز تعدديته عبر مجالات بيولوجية مختلفة.
مناقشة
في هذا القسم، يناقش المؤلفون تطوير وتقييم نموذج التعليق الوظيفي المتكامل (IFAM)، وهو نموذج للتنبؤ الجيني مصمم لتعزيز دقة التنبؤات للسمات المعقدة من خلال دمج التعليقات التوضيحية الوظيفية. استخدمت الدراسة مجموعات بيانات من WTCCC1 وUK Biobank (UKB) لإظهار أن SNPs ذات درجات تعليق وظيفي أعلى أظهرت تباينًا مفسرًا ووراثة أكبر، مما يشير إلى أهمية هذه التعليقات التوضيحية في التنبؤ الجيني. تفوق IFAM على النماذج التقليدية مثل GBLUP وBayesR، محققًا تحسينات كبيرة في الدقة، لا سيما للسمات ذات الإشارات الجينية القوية مثل مرض السكري من النوع 1 (T1D) والتهاب المفاصل الروماتويدي (RA). تم تسليط الضوء على قوة النموذج من خلال قدرته على الحفاظ على دقة التنبؤ حتى مع مجموعة متنوعة من التعليقات التوضيحية الوظيفية، بينما أظهر أيضًا كفاءة حسابية مقارنة بالنماذج الأخرى.
يؤكد المؤلفون أيضًا أن أداء IFAM يعتمد على صلة وجودة التعليقات التوضيحية بدلاً من كميتها البحتة. وجدوا أن دمج التأثيرات العشوائية من التعليقات التوضيحية ذات تقديرات التباين المماثلة (ضمن نطاق 10X) يحسن الاستقرار والأداء التنبؤي، مما يعالج قضايا تقدير مكونات التباين التي يمكن أن تنشأ مع تأثيرات عشوائية متعددة. تختتم الدراسة بالقول إن IFAM يربط بفعالية بين بيانات -omics المتعددة وبيانات التربية الجينية التقليدية، مما يمهد الطريق لتنبؤات أكثر دقة للسمات المعقدة في كل من الصحة البشرية والسياقات الزراعية. مع توسع موارد التعليق الوظيفي، من المتوقع أن تزداد فائدة IFAM، مما قد يحول مشهد التنبؤ الجيني.
DOI: https://doi.org/10.1038/s41467-026-72470-0
PMID: https://pubmed.ncbi.nlm.nih.gov/42031771
Publication Date: 2026-04-24
Author(s): Zhenshuang Tang et al.
Primary Topic: Genetic and phenotypic traits in livestock
Overview
The advancement of -omics techniques has significantly enhanced the availability of functional genomic annotations, enabling their integration into statistical models to boost genomic prediction performance. Despite this progress, effectively utilizing the diverse range of functional annotations remains a challenge. In response, the authors introduce an adaptive model termed IFAM, which builds upon the linear mixed model framework by incorporating multiple random effects. This approach allows for the integration of a broader spectrum of functional annotations, ultimately enhancing prediction accuracy for complex traits.
The results demonstrate that IFAM outperforms the GBLUP model across various datasets, achieving average improvements in prediction accuracy of 9.46%, 6.15%, 4.59%, 4.09%, and 10.83% for the WTCCC1 dataset. These findings underscore the potential of IFAM to leverage functional genomic data more effectively, thereby advancing the field of genomic prediction.
Introduction
The introduction of the research paper discusses the significance of genomic prediction in breeding and precision medicine, emphasizing its reliance on linkage disequilibrium (LD) between single-nucleotide polymorphisms (SNPs) and quantitative trait nucleotides (QTNs). Various genomic prediction models have been developed, notably under the Best Linear Unbiased Prediction (BLUP) framework, including genomic BLUP (GBLUP), MultiBLUP, and Bayesian methods such as BayesR. These models enhance the accuracy of predicting complex traits by accommodating diverse distributions of SNP effects, which are crucial for addressing the “missing heritability” phenomenon.
The paper highlights the potential of integrating omics data and functional annotations into genomic prediction models to improve accuracy and biological relevance. While advanced models like SBayesRC have shown promise in human genetics, their applicability in plant and animal breeding remains underexplored due to the complexities of genetic diversity and LD structures in these populations. The proposed model, IFAM, extends GBLUP by incorporating multiple random effects and efficiently processing functional annotations, achieving significant improvements in prediction accuracy across various datasets. This underscores IFAM’s potential to enhance genomic prediction in diverse species through the effective utilization of functional annotations.
Methods
In this study, the authors utilized the UK Biobank dataset, which encompasses extensive genetic and health data from approximately 500,000 UK participants, to evaluate the feasibility and effectiveness of the IFAM model in big data analysis. The analysis involved extracting HapMap3 SNPs from 2,504 participants of the 1000 Genomes Project, applying stringent quality control measures to retain 1,094,840 SNPs based on criteria such as minor allele frequency (MAF) > 0.01 and Hardy-Weinberg equilibrium. A subset of 348,501 unrelated individuals of European descent was selected for further analysis, focusing on six representative traits with varying genetic architectures, including height.
Additionally, the study incorporated a Duroc pig dataset comprising genotypic and phenotypic data from 2,797 boars, with 11,348,460 SNPs initially identified. After applying quality control filters, 15,457,739 SNPs were retained for analysis of five key production traits. Similarly, a rice dataset from the 3000 Rice Genome Project was analyzed, which included 3,024 rice accessions and 333,454 SNPs after quality control. The study assessed five yield-related traits, ensuring that all phenotypes were pre-adjusted for relevant covariates. Comprehensive functional annotation of common variants was obtained from various databases, including RegulomeDB for humans, IFmut for pigs, and the Rice Genome Annotation Project for rice, providing insights into the functional context of the SNPs analyzed.
Results
The results section highlights the significance of functional annotations in the context of the study. The performance of the Integrated Functional Annotation Model (IFAM) was rigorously evaluated across five diverse datasets representing human, animal, and plant species. A comprehensive benchmark test was conducted utilizing the WTCCC1 dataset, which provided insights into the model’s effectiveness.
Furthermore, the scalability of IFAM was assessed using the UK Biobank (UKB) dataset, demonstrating its capability to handle large-scale data. In specific applications related to animal breeding, IFAM’s performance was analyzed concerning growth traits in Duroc and Yorkshire pig populations. Additionally, the model’s efficacy was tested on yield-related traits in rice, employing data from the 3000 Rice Genome Project, thereby showcasing its versatility across different biological domains.
Discussion
In this section, the authors discuss the development and evaluation of the Integrated Functional Annotation Model (IFAM), a genomic prediction model designed to enhance the accuracy of predictions for complex traits by incorporating functional annotations. The study utilized datasets from WTCCC1 and UK Biobank (UKB) to demonstrate that SNPs with higher functional annotation scores showed greater explained variance and heritability, indicating the importance of these annotations in genomic prediction. IFAM outperformed traditional models such as GBLUP and BayesR, achieving significant accuracy improvements, particularly for traits with strong genetic signals like Type 1 Diabetes (T1D) and Rheumatoid Arthritis (RA). The model’s robustness was highlighted by its ability to maintain prediction accuracy even with a diverse range of functional annotations, while also demonstrating computational efficiency compared to other models.
The authors further emphasize that the performance of IFAM is contingent on the relevance and quality of the annotations rather than their sheer quantity. They found that merging random effects from annotations with similar variance estimates (within a 10X range) improved stability and predictive performance, addressing issues of variance component estimation that can arise with multiple random effects. The study concludes that IFAM effectively bridges the gap between multi-omics data and traditional genomic breeding data, paving the way for more accurate predictions of complex traits in both human health and agricultural contexts. As functional annotation resources expand, the utility of IFAM is expected to increase, potentially transforming the landscape of genomic prediction.