Новые статистические инструменты улучшают поиск причинных изменений ДНК у сельскохозяйственных животных

Исследователи из Университета штата Северная Каролина разработали новый набор статистических методов, который значительно улучшает способность точно определять изменения ДНК, ответственные за важные признаки у сельскохозяйственных животных. Работа решает давние проблемы в тонком картировании — процессе идентификации того, какие именно изменения ДНК ответственны за различия в признаках между животными — особенно в популяциях с близким родством.

Новое исследование может помочь учёным и селекционерам находить гены, связанные с важными хозяйственными признаками. Автор: NC State University

Тонкое картирование работает как поиск в длинной книге: первоначальные генетические исследования определяют, в какой главе содержится важная информация, а тонкое картирование указывает на точные абзацы или предложения, которые имеют значение. Этот подход был успешным в генетике человека, где исследования обычно включают большое количество неродственных индивидуумов. Но популяции сельскохозяйственных животных, включая свиней и крупный рогатый скот, состоят из животных со сложными родословными, из-за чего стандартные инструменты генетики человека работают плохо.

Новая статистическая основа для генетики животных

Новое исследование, опубликованное в журнале Briefings in Bioinformatics, представляет комплексную статистическую основу, разработанную специально для таких родственных популяций. Эта основа включает несколько новых или адаптированных вычислительных методов, которые правильно учитывают генетическое родство и существенно повышают точность тонкого картирования.

«Наша работа предоставляет инструменты, которые наконец делают тонкое картирование надёжным в реальных популяциях сельскохозяйственных животных, где особи являются родственными, а стандартные методы генетики человека терпят неудачу», — сказал Джицай Цзян, автор-корреспондент и доцент кафедры зоотехнии в NC State. «Эти методы обещают предоставить исследователям и селекционным компаниям более надёжный путь для выявления вариантов, влияющих на такие важные признаки, как рост, отложение жира, репродукция, эффективность кормления и производство молока».

Тестирование и ключевые инновации в исследовании

Исследование использовало большие наборы данных свиней пород дюрок и йоркшир, чтобы показать, как родство искажает стандартные меры так называемого неравновесия по сцеплению — корреляций между генетическими вариантами, на которые полагаются многие инструменты тонкого картирования.

Чтобы решить эту проблему, команда разработала инструменты, которые включают «скорректированные с учётом родства» геномные корреляции, позволяя популярным платформам тонкого картирования работать корректно в популяциях животных. В более чем 40 смоделированных сценариях скорректированные методы неизменно превосходили существующие подходы, часто в несколько раз. Производительность была особенно высокой в наборах данных нескольких пород, где дополнительное генетическое разнообразие улучшает различие между причинными и просто коррелированными вариантами.

Исследование также представляет вероятности включения на уровне гена (PIPgene), которые объединяют данные по всем вариантам внутри гена. Этот подход усиливает биологическую интерпретацию и позволяет исследователям идентифицировать значимые гены-кандидаты даже тогда, когда сигналы отдельных вариантов слабы. В данных по свиньям породы дюрок PIPgene выделил такие гены, как MRAP2 и LEPR, оба играющие ключевую роль в том, как организм использует и запасает энергию.

Последствия и будущее внедрение

«Сделав тонкое картирование точным в популяциях со сложным родством, мы теперь можем переходить от широких геномных сигналов к конкретным генам с гораздо большей уверенностью», — сказал Цзян.

Исследовательская группа выпустила программное обеспечение с открытым исходным кодом для поддержки внедрения новой основы для различных видов сельскохозяйственных животных.

Соавторами статьи являются Цзюньцзянь Ван и Кристиан Малтечча из Департамента зоотехнии NC State; Франческо Тьецци из Университета Флоренции; Ицзянь Хуан из Smithfield Premium Genetics; Гарретт Си и Клинт Шваб из AcuFast LLC; и Цзюйлун Вэй из Университета Уэйна.

Больше информации: Junjian Wang et al, Fine-mapping methods for complex traits: essential adaptations for samples of related individuals, Briefings in Bioinformatics (2025). DOI: 10.1093/bib/bbaf614

Источник: North Carolina State University