IF15.7!华中农业大学赵书红院士登顶《NC》!提高复杂性状预测准确率的新方法

文献题目：通过整合多种功能注释信息提高复杂性状的:基因组预测准确性

发表期刊：Nature Communications

发布时间：2026年4月24日

影响因子：IF=15.7/Q1

基因组预测利用全基因组标记评估复杂性状遗传价值，但传统模型将所有标记视为同分布，难以充分利用不断积累的多层次功能注释信息，导致预测精度受限且生物学解释性不足。

本研究提出的IFAM模型，通过多随机效应线性混合模型整合功能注释，依据各注释的遗传方差贡献大小自动将其合并为少量随机效应，并采用“HE+PCG”策略高效估计方差组分、预测遗传值。

基于RegulomeDB数据库的SNP排序评分与注释类型，计算各功能区域内平均每个SNP所能解释的表型方差与遗传力。结果表明，评分越高（即功能证据越强）的SNP，其对七种疾病性状的贡献越大，证实注释可作为先验信息指导建模（图1）。

图1：功能注释重要性评估示例

IFAM相比GBLUP平均提高AUC达9.46%，对T1D提高32.98%；使用LDSC注释或随机伪注释后精度下降，而BayesRC对注释质量高度敏感。IFAM在稳健性和精度间取得最佳平衡（图2）。

图2：不同模型在WTCCC1数据集中的预测性能

在六个性状中，IFAM与BayesR精度相近（平均提升约6%），但IFAM预测偏倚更接近1。未合并注释的多随机效应模型精度下降43%，证明自动合并策略对UKB规模数据的方差组分稳定估计至关重要（图3）。

图3：不同模型在英国生物银行（UK Biobank）数据集上的预测性能

IFAM对所有七个性状均优于GBLUP，背膘厚改善最明显（+7.90%）；相比Adaptive MultiBLUP平均提高52.57%。使用伪注释后精度降至GBLUP以下，证明IFAM对生物学信息的敏感性（图4）。

图4：不同模型在杜洛克猪数据集上的预测性能

IFAM比GBLUP平均提高4.09%，且优于未合并模型（+5.58%）。Adaptive MultiBLUP因估计遗传值方差为零而失败，BayesR在乳头数性状上表现不佳。IFAM兼具高精度、稳健性与计算效率（图5）。

图5：四种模型在大白猪数据集上的预测性能

IFAM比GBLUP平均提高10.83%，粒长宽比增益达18.15%；精度略低于BayesR（-1.54%）但偏倚更优，且运行时间从数小时减至数分钟。伪注释后精度下降10.33%，证实模型对真实注释的依赖性（图6）。

图6：不同模型在水稻数据集上的预测性能

直接使用作者开源的IFAM软件（GitHub/xiaolei-lab/IFAM），配合PLINK做数据质控、GCTA或HIBLUP构建注释专属GRM矩阵。

本研究提出IFAM模型，通过自动合并功能注释的多随机效应方法，在人、猪、水稻中显著提升预测精度（4%-11%），计算高效，推动组学育种发展。