最近参加了EAAP会议，听了 Ole F. Christensen报告了将多组学数据加入到GP中的报告。

image.png

其测试的结果是：微生物组(https://doi.org/10.3168/jds.2022-22948)没有帮助提高GS和GP的准确性；但是代谢组也没有提高GS的准确性，但是提高了GP的准确性。

代谢组整合到GP的文章最近发表在了GSE上，现在整理出，让我们使用其他组学进行测试和借鉴。

文章名字：代谢组学-基因组预测可以提高大麦麦芽品质性状育种值的预测准确性(https://doi.org/10.1186/s12711-023-00835-w)
值得注意是：此文章的所有数据，包括表型、基因组和代谢组数据，都可以在公共可访问的存储库中获取（https://data.mendeley.com/datasets/s3s4ft92wj/1）。

摘要

• 背景
  代谢组学测量基因型和表型之间的中间阶段，因此可能对育种有用。
• 目标：
  整合基因组和代谢组信息研究麦芽质量 (MQ) 性状的遗传参数和预测育种值的准确性。
• 数据：
  总共包括来自三年和两个地点的 2430 个地块，562 个啤酒春大麦品系。在每个地块生产的麦芽汁中测量了五种 MQ 性状。使用的代谢组学特征是对每个麦芽汁样品测量的 24,018 个核磁共振强度。

• 方法：
  统计分析的方法是基因组最佳线性无偏预测（GBLUP）和代谢组学-基因组最佳线性无偏预测（MGBLUP）（由GOBLUP，Genomic Omics BLUP演变出来）。验证法：
  （1）使用两种交叉验证策略比较预测育种值的准确性：留一年（LOYO）和留一线出（LOLO），
  （2）线性回归（LR）方法查看两者情况下验证群体（VP）基因组预测准确性的提高。第一：纳入VP的代谢组数据后准确性的提高 ；第二：纳入VP的代谢组和表型数据后准确性的提高。
  如下图所示的验证方法：

  
  image.png

• 结果
  （1）对于所有性状作者发现代谢组介导的遗传力很大。

  
  image.png

（2） 交叉验证结果表明，一般来说，当表型和代谢组数据记录都在一块地有时，MGBLUP 和 GBLUP 的预测精度相似。
LOLO的预测结果

image.png

LOYO预测结果

image.png

（3） LR 方法的结果表明，对于除一项外的所有性状，当包括 VP 品系的代谢组数据时，MGBLUP 的准确性有所增加，并且当还包括表型时，MGBLUP 的准确性进一步增加。
LOLO下的LR的准确率增加指标：

image.png

（4）然而，一般来说，当在 VP 上包括代谢组数据和表型时，MGBLUP 准确性的增加与在 VP 系上包括表型时 GBLUP 准确性的增加相似。
LOYO下的LR的准确率增加指标：

image.png

（5）因此，作者们发现，当代谢组学数据包含在 VP 品系中时，没有表型记录的品系的准确性大大提高，

• 结论
  MGBLUP 是一种结合表型、基因组和代谢组数据来预测 MQ 性状育种值的有用方法。

GOBLUP的详细介绍

公式：

image.png

• 方程（1）描述了表型和组学表达水平之间的关系，其中y是表型向量，β是包含固定效应的向量，矩阵X将固定效应与表型联系起来，矩阵Z将具有组学数据的个体与表型联系起来，矩阵 M 包含 m1,…,mk 作为列，向量 α 包含组学表达水平对表型的回归效应，向量 ar 包含残余遗传效应，即对表型的遗传效应不是通过观察到的组学表达水平介导的，矩阵 Zr 涉及 遗传对表型的影响，ε 是残差向量。

• 组学特征 i=1,…,k 的方程 (2) 描述了组学表达水平 mi 与个体遗传效应之间的关系，其中矩阵 X~ 将固定效应与组学表达水平相关联（对于不同的组学特征假设固定效应中的变量相同），矩阵Z~ 将个体与组学表达水平联系起来，对于第i个组学特征，向量β~i包含固定效应，向量gi是遗传效应向量，ei是残差向量。 遗传效应是针对所有感兴趣的个体（即，包括没有表型和组学数据的个体）指定的，并且相应地定义了发生矩阵 Zr 和 Z~。 我们注意到关联矩阵之间的关系，Zr=ZZ~，并且在模型的两个部分中固定效应中的变量相同的情况下，则 X=ZX~。 因此，设 G 为包含 g1,…,gk 为列的矩阵，E 为包含 e1,…,ek 为列的矩阵，则 M=X~ B~ + G + E ，其中 B~ = [β~ 1,…,β~k] 。 注意，这里的矩阵G不是基因组关系矩阵。

  
  image.png

最终：育种值a= Gα + ar

改为类似混合方程组（更好理解）：

第一步，通过估计组学效应（类似于 SNP-BLUP）或使用组学相似性（类似于 GBLUP）来估计组学对数据的影响：

image.png image.png
由“非介导”遗传效应解释的表型变异部分；这些方程产生 EBV 的"非中介部分 （a_r）; 和“改进的表型预测” （u）,它们基于性状观察y和组学M，可以被视为“环境噪声较少的y ”，或者作为预测性状，例如 SCS，它是亚临床乳腺炎的预测因子。

在第二步中，一旦表型预测因子 （u）获得后，它们在第二个 MME 中用作伪特征来提取可遗传部分， a_m:

image.png
X 和Z~ 是组学记录和参数的设计矩阵 , h2_m是组学测量的遗传力.

最后总EBV:a = a_m + a_r

参考文章（算法详细内容应该查看文献2和3）：

1. 代谢组学-基因组预测可以提高大麦麦芽品质性状育种值的预测准确性(https://doi.org/10.1186/s12711-023-00835-w)
2. 遗传评估，包括中间组学特征（https://doi.org/10.1093/genetics/iyab130）
3. 基因组评估方法包括中间相关特征，例如高通量或组学表型（https://doi.org/10.3168/jdsc.2022-0276）