肠道菌群和宿主遗传对常规和高纤维日粮喂养的生长猪的消化和饲料效率性状的表型变异有贡献

背景

饲养能够有效消化增加纤维含量的替代饲粮的猪是降低养猪饲料成本的可行策略。本研究旨在确定肠道菌群和宿主遗传对消化效率(DE)性状(如能量、有机物和氮的消化率系数)、饲料效率(FE)性状(饲料比和剩余采食量)和生长性状(平均日增重和日采食量)表型变异的贡献。数据包括791头饲喂常规日粮的猪和735头饲喂高纤维日粮的猪。在16周龄时采集粪便样本，对16S核糖体RNA基因的V3-V4区进行测序，并用近红外光谱法预测DE。在三种OTU过滤场景下，估计了由微生物群(微生物性)解释的表型方差的比例。然后，利用贝叶斯方法对所有性状分别独立(模型Micro和Gen)和联合(模型Micro+Gen)估计微生物性和遗传力。在Gen和Micro+Gen模型上估算育种价值。

结果

在两种极端过滤条件下(14,366 OTU和803 OTU)，饲粮的微生物性估计差异显著，但仅适用于所有DE。在中间过滤条件下(2399 OTU)和DE，两种饲粮的微生物性(> 0.44)高于遗传力(< 0.32)。在2个DE性状中，高纤维饲粮(0.67±0.06和0.68±0.06)显著高于常规饲粮(0.44±0.06)。对于生长和FE，遗传力(0.26±0.06 ~ 0.44±0.07)高于微生物力(0.17±0.05 ~ 0.35±0.06)。在所有性状上，用Micro+Gen模型得到的微生物性和遗传力估计与用Micro和Gen模型得到的没有显著差异。最后，基于预估育种值，Gen模型和Micro+Gen模型的猪排名不同，仅在两种饲粮的DE性状上存在差异。

结论

微生物区系对DE性状的表型差异有显著的解释作用，甚至比寄主遗传学解释的差异更大。因此，利用菌群信息可以改善DE性状的选择，并在较小程度上改善生长和FE性状的选择。此外，我们的结果表明，至少对于DE性状，过滤OTU是一个重要的步骤，并影响微生物性。

目前，在现代资本密集型养猪生产系统中，饲料占猪肉生产总成本的60%至70% [1]，为了限制这一成本，饲料效率(FE)仍然是主要的选择目标。为了降低饲料成本和用于生产动物饲料的农业用地数量，一种选择是用农业食品和生物燃料工业的副产品来喂猪。然而，与传统饲料资源相比，副产品的纤维含量更高，能量更低，这对饲料寿命和生长性能有负面影响[2，3.，4］．最近的研究表明，当使用这些替代资源时，提高消化效率(DE)可以反过来提高FE，因为它具有相当大的遗传变异性，特别是当猪的饲粮中纤维含量增加时[5］．消化效率受宿主遗传影响[5]，但其他因素，如肠道菌群组成，也可能显著影响这一特征。大肠内微生物群的发酵活性直接影响营养物质的消化率[6，7]，特别是当膳食中含有膳食纤维时，不经过发酵就不能被吸收[8］．此外，最近的一项研究表明DE性状与粪便微生物群的某些遗传性状之间存在遗传相关性[9］．

Microbiability (\ (m ^ {2} \))是由微生物群解释的表型变异的比例[10]并可用于确定生长猪中微生物群组成对感兴趣性状的影响。据Ross等人报道。[11]，以估计\ (m ^ {2} \)有必要构建微生物协方差矩阵，然后将其与标准线性混合模型相耦合，用于预测基于谱系或基因组协方差的育种值。根据猪的粪便样本，\ (m ^ {2} \)饲料系数(FCR)、日采食量(DFI)和平均日增重(ADG)估计为0.20左右。\ (h ^ {2} \)),\ (m ^ {2} \)已报告对FCR和DFI的估计[12，13］．另一项研究发现的数字甚至更高\ (m ^ {2} \)残余采食量(RFI)估计(~ 0.45)[14］．鉴于记录DE性状的困难，迄今为止，只有一项包括有限数量猪的研究表明粪便微生物群可以解释其表型变异的重要部分[15］．该研究的作者发现高\ (m ^ {2} \)干物质、有机质、粗蛋白质、粗脂肪、粗纤维和非淀粉多糖的消化系数(DC)估计值(> 0.53±0.24)。综上所述，这些结果表明粪便微生物群可以解释DE性状表型方差的重要部分。此外，由于DE也受宿主基因控制[5]中，分别估计遗传效应和微生物群效应对DE性状的贡献和联合估计对DE性状的贡献是有趣的。此外，由于膳食纤维含量会影响肠道菌群的组成[16，17]，微生物群-饮食的相互作用可能存在，与已证明的DE的基因-饮食的相互作用方式相同[5]，因此，饮食的影响\ (m ^ {2} \)应该进行调查。

微生物测序数据的预处理是比较来自不同研究的结果时的主要挑战之一，这些研究调查了微生物群对宿主表型变异的贡献。特别是，应用于后续分析中使用的操作分类单元(OTU)的过滤标准在不同研究之间差异很大。例如，一些作者选择保留存在于50%以上样本中的OTU [18]而其他样本中至少有5% [15］．因此，在大多数情况下，\ (m ^ {2} \)研究之间的估计值无法进行比较。

在这里，我们的目的是在饲喂常规(CO)或较难消化饲粮但纤维含量(HF)增加的大白猪(LW)中，分别和联合估计由微生物群和宿主遗传学解释的FE和DE性状的表型方差比例。首先，我们评估了不同的OTU过滤标准的影响\ (m ^ {2} \)估计。其次，我们比较了FE和DE性状的微生物区系和寄主遗传解释的方差比例。第三，我们评估了在线性混合模型中包括基因组和微生物群信息对估计基因组育种值(GEBV)和估计微生物群值(EMV)的影响。最后，我们量化了饲料与遗传/微生物群之间相互作用的相关性，并评估了两种CO和HF饲料估计的遗传和微生物群参数的稳定性。

这项研究是根据法国关于动物实验和道德的立法进行的。高等教育、研究和创新部颁发了活体动物实验授权证书，用于在INRAE UE3P - france Génétique Porc表型站(UE3P, INRAE, 2018)进行本实验，编号为2017011010237883。Unité expérimentale生理学et Phénotypage des Porcs，法国，https://doi.org/10.15454/1.5573932732039927E12）.

实验设计

在目前的研究中，我们使用了与Déru等中描述的相同的动物。[3.］．在2017年至2018年期间，在INRAE UE3P France Génétique Porc表型站，在两种饲料条件下，总共饲养了1942只纯种大白(LW)雄性猪，分35批连续饲养。该研究旨在从遗传学上将两种饲粮获得的数据集联系起来，即在有限大小的数据集中促进估计饲粮之间的遗传协方差，从每对体重相同的全兄妹中，一个饲喂一种饲粮，另一个饲喂替代饲粮。所有猪都来自法国大白猪集体育种计划中具有代表性的171个亲本，每对亲本都来自不同的水坝。

猪的饲养条件和管理见Déru等。[3.］．到达后，每对同父异母的兄弟姐妹被分开，并被分配在14只动物的围栏中。猪在断奶后的设施中饲养至9周龄，并按标准的两阶段断奶后饲粮顺序喂养。然后，它们被转移到生长整理设施，没有混合，直到达到屠宰体重(体重115公斤)。其中一只喂食CO饮食，另一只喂食HF饮食(详见下一节它们的组成)。每个生长-育肥栏都有一个单独的电子喂食器，配有称重秤(Genstar, Skiold Acemo, Pontivy，法国)，以记录动物每次进入喂食器时的采食量和个体体重。猪体重115公斤时，禁食24小时后送往屠宰场。动物被屠宰在89个屠宰批次，大约19头猪。

饮食

在生长-育肥期，两组猪分别饲喂不同的两阶段饲粮顺序。首先，分配生长饲料，然后在16周龄时进行5天的过渡，并提供肥育饲料，直到试验结束。HF饲粮包括不溶性和可溶性膳食纤维。CO和HF膳食的详细组成在附加文件中提供1:表S1。根据饲粮配方的不同，两阶段饲粮序列中，CO饲粮的净能(NE)均为9.6 MJ/kg, HF饲粮为8.2 MJ/kg。两阶段饲粮中中性洗涤纤维(NDF)的含量也存在差异，CO饲粮的NDF含量为13.90 ~ 15.12%，HF饲粮的NDF含量为23.82 ~ 24.46%。可消化赖氨酸与NE的比值在生长期为0.97 ~ 0.99 g/MJ NE，在育肥期为0.83 g/MJ NE。

记录性状和抽样

每只动物的ADG和DFI测量在35至115公斤之间。平均日增重计算为体重增加与试验日数的比值。FE性状为FCR和RFI。FCR以DFI与ADG之比计算，单位为kg/kg。对于两种饮食，RFI是通过单一多元线性回归确定的[19]的DFI对平均日增重、屠宰时记录的瘦肉率和胴体产量以及平均代谢体重(见Déru等)的影响。[3.］．在测试期间，两组饲粮中出现健康问题或受伤的猪的比例是相同的，这些从分析中被丢弃。在1942头试验猪中，1663头猪有FCR、ADG和DFI数据，只有1595头猪有RFI数据。

本研究还测定了动物的DE和粪便微生物群组成。在生长阶段和育成阶段之间的饲料转换之前，在16周龄时收集了一份独特的粪便样本，以测量DE并分析微生物群组成。每头猪的粪便都收集在管道袋中，并人工均质。大约50克粪便储存在−20°C的塑料容器中，直到进一步分析以测量DE性状。样品被冷冻干燥，并用研磨机(Grindomix GM200, Retsch)研磨。DE的计算基于对这些样品使用近红外光谱(NIRS)分析预测的能量、氮和有机物的直流电，如Déru等详细描述。[5］．有机质、氮和能量的DC预测方程可靠，交叉验证R²值高于0.89 [20.］．总共有1242头猪的DC数据，其中654头饲喂CO日粮，588头饲喂HF日粮。粪便样本的另一部分被用于评估每头猪的微生物群组成，如下一节所述。

微生物区系DNA制备及测序

由于粪便的菌群组成与大肠的菌群组成相似[21]，收集粪便样本并进行分析，以根据核糖体16S DNA基因的测序数据近似肠道菌群组成。微生物DNA制备和测序的详细信息见Déru等。[9]，并在下一段中简要总结。在16S rRNA的V3-V4区测序后，使用R软件中的DADA2包对高质量的reads进行过滤和修剪[22］．嵌合体被去除，没有进一步的聚类应用，所以在本研究中OTU相当于扩增子序列变异(ASV)。随后，得到了最终的OTU丰度表，然后使用assignTaxonomySilva数据集v132的DADA2函数[23］．使用Phyloseq包将获得的文件提纯到每个样品10,000次[24并拥有1564头猪的信息。总共，812头饲喂CO日粮的猪和752头饲喂HF日粮的猪在丰度表中保留了14,366 OTU。本研究获得的序列信息存放在Short-Read Archive中，登录号为PRJNA741111。

基因分型

共有1691只动物用70K单核苷酸多态性(SNP) GeneSeek GGP猪高清芯片进行基因分型。应用以下质量控制(QC)标准:每个个体的呼叫率(每个个体存在的基因型的百分比)为95%，SNP呼叫率(SNP的基因型百分比)为95%。小等位基因频率低于5%或显著偏离Hardy-Weinberg平衡的snp (P< 0.000001)，删除性染色体上或未映射的。本次QC采用PLINK 1.09软件[25］．QC后，有1687只动物和48919个snp可供进一步分析。

统计分析

仅保留具有微生物群和基因组数据以及至少一种表型的动物进行后续分析，剩下1526只动物，其中791只动物饲喂CO饲料，735只动物饲喂HF饲料。

微生物群和基因组协方差矩阵

为了考虑线性混合模型中的微生物群和遗传效应，构建了基于微生物群数据的微生物协方差矩阵和基因组关系矩阵。

微生物相关方差矩阵是在三种编辑条件下获得的:不进行OTU过滤(14,366 OTU)，通过过滤存在于5个以上样品中的平均丰度高于0.001% (2399 OTU)或高于0.01% (803 OTU)的OTU。微生物协方差矩阵(\ ({\ mathbf {M}} \))分别对每种饲料进行计算，并对两种饲料进行联合计算，得到的结果如下:

在哪里\ ({\ mathbf{年代}}\)矩阵是维数的吗\(p \乘n\)与\ (p \)动物的数量和\ (n \)依赖于过滤场景的OTU数量，由元素构造\ (s_ {jk} \)，即动物对数变换标准化计数\ (j \)和OTU\ (k \)(加1.00)[11］．

基因组关系\ ({\ mathbf {G}} \)分别计算每种日粮和两种日粮的计算，并根据VanRaden的第一种方法[26]与AGHmatrix包在R [27]源自\ ({\ mathbf {Z}} \)编码0、1和2的基因型矩阵。

模型

我们通过“lme4”和“lmerTest”R包实现的线性混合模型进行了初步分析，忽略了加性基因组和微生物群效应，以确定将纳入后续分析的固定和随机效应[28，29］．只有在5%阈值时显著的效应被保留。为了估计宿主遗传和微生物群对FE和DE性状表型变异的贡献，以及GEBV和EMV，我们使用了三个贝叶斯线性回归模型，与R中BGLR包拟合。30.包括基因组效应的Gen模型，包括微生物群效应的Micro模型，以及同时具有这两种效应的Micro+Gen模型。每个模型分别拟合CO和HF饲粮，均为单变量线性混合模型。

只包含基因组信息的模型为:

在哪里\ ({\ mathbf {y}} \)是某一特定性状的表型载体;\ ({\ mathbf {X}} \)是将观测值与固定效应联系起来的关联矩阵;\ ({{\ user2 {\ upbeta}}} \)为取决于所考虑性状的固定效应向量，即DC为批内笔数和DFI, ADG和FCR为断奶后阶段末批内笔数和体重，DFI为试验结束时批内笔数和体重;\ ({\ mathbf {Z}} \)为遗传效应的关联矩阵;\ ({\ mathbf{你}}\ sim N \离开({{\ mathbf {0}}, {} {\ mathbf {G}} {\ upsigma} _{{\文本{你}}}^ {2}}\)\)是否考虑性状加性遗传随机效应的载体\ ({\ mathbf {G}} \)基因组关系矩阵和\ ({\ upsigma} _{{\文本{你}}}^ {2}\)加性遗传方差;而且\ ({\ mathbf {e}} \ sim N \离开({{\ mathbf {0}}, {} {\ mathbf{我}}{\ upsigma} _{{\文本{e}}} ^ {2}} \) \)向量的残余随机效应，与\ ({\ mathbf{我}}\)关联矩阵，和\ ({\ upsigma} _{{\文本{e}}} ^ {2} \)剩余方差。

仅包含菌群信息的模型为:

在哪里\ ({\ mathbf {X}} \)，\ ({\ user2 {\ upbeta}} \)而且\ ({\ mathbf {e}} \)定义为模型Gen;\ ({\ mathbf {W}} \)为菌群效应的关联矩阵;而且\ ({\ mathbf {m}} \ sim N \离开({{\ mathbf {0}}, {\ mathbf {m}} {\ upsigma} _{{\文本{m}}} ^ {2}} \) \)是否考虑了微生物群对性状影响的载体\ ({\ mathbf {M}} \)微生物协方差矩阵，和\ ({\ upsigma} _{{\文本{m}}} ^ {2} \)微生物变异。

联合拟合基因组和微生物群信息，且两个随机变量之间无协方差的第三个模型为:

其中的影响与模型(Gen)和模型(Micro)相同，但是联合估计的。

采用贝叶斯再生核希尔伯特空间(RKHS)模型。对于所有模型，残差、菌群和遗传方差被分配成比例卡方倒数密度作为先验密度，超参数为5个自由度，标度参数基于表型的样本方差，这是BGLR包中默认提出的[30.］．均值为0，方差为10的高斯先验¹⁰被分配到固定效果。

所有模型都运行了120,000次迭代的单链，其中20,000次被丢弃，并减少了20次。在丢弃老化后，从各后验分布的均值得到对所有参数的推断。结果以相关参数的后验分布及其各自的后验标准差(SD)的均值形式呈现。然后用这些标准偏差构建95%最高密度区间(HDI)(后验分布均值±1.96 * SD)来检验估计值之间的差异。

对于每个特征，使用贝叶斯信息准则(BIC)对三个模型进行比较，计算为文本\ ({\ {BIC}} = - 2文本{*日志}}{\ \离开(文本{L}}{\ \右)+文本{k *日志}}{\ \离开(文本{N}} {\ \) \),\(文本{L}} {\ \)在后验均值上进行对数似然评估，模型中估计的参数数量和样本量。以BIC值最低的模型为最佳模型。

遗传力和微生物力估计

遗传力计算为文本\ ({\ {h}} ^{2} = \压裂{{{\ upsigma} ^ {2} _ {{{u \文本 }}} }}{{{\ upsigma} ^{2} _{{\文本{你}}}+ {\ upsigma} ^{2} _{{\文本{e}}}}} \)在模型Gen和as中文本\ ({\ {h}} ^{2} = \压裂{{{\ upsigma} ^{2} _{{\文本{你}}}}}{{\离开({{\ upsigma} ^{2} _{{\文本{你}}}+ {\ upsigma} ^{2} _{{\文本{m}}} + {\ upsigma} ^{2} _{{\文本{e}}}} \右)}}\)在模型Micro+Gen中。微生物性计算为文本\ ({\ {m}} ^{2} = \压裂{{{\ upsigma} ^{2} _{{\文本{m}}}}}{{\离开({{\ upsigma} ^ {2} _ {{{m \文本 }}} { } + {\ upsigma} ^{2} _{{\文本{e}}}} \右)}}\)在模型微和作为文本\ ({\ {m}} ^{2} = \压裂{{{\ upsigma} ^ {2} _ {{{m \文本 }}} }}{{{\ upsigma} ^{2} _{{\文本{m}}} + {\ upsigma} ^{2} _{{\文本{你}}}+ {\ upsigma} ^{2} _{{\文本{e}}}}} \)在模型Micro+Gen中。在本研究中，我们进行了任意分类\ (h ^ {2} \)而且\ (m ^ {2} \)当它们低于0.20时，估计为低，当它们在0.20到0.40之间时，估计为中等，当它们高于0.40时，估计为高。

秩相关性

为了评估添加微生物群信息对GEBV的影响，使用Gen和Micro+Gen模型之间的Spearman相关性对GEBV重排序进行量化。同样，EMV重排序在Micro和Micro+Gen模型之间进行计算。他们的95%置信区间(CI)确定为每个等级相关使用的bootstrap方法实现spearman.ci函数R, 1000个重复[19］．

饮食中的基因组和微生物相互作用

由于BGLR不允许多变量实现，DE、FE和生长性状的基因组-饮食(G × D)和微生物群-饮食偏差(M × D)的大小由Lopez-Cruz等人估计。[31］．其原理是将方差分解为基于两种饲粮共同估计的遗传方差(在模型G × D中)和微生物群方差(在模型M × D中)分量(在模型M × D中)和饲粮特定分量，以计算相互作用项[31］．在此分析中，所有模型都运行了120,000次迭代的单链，其中有20,000次被丢弃，并减少了20次。所有参数的推论都是在抛弃老化后，从各自的后验分布的平均值中获得的。附加文件中提供了用于计算ADG的G × D相互作用的R脚本2:脚本S1。

采用单变量线性混合模型量化G × D相互作用:

与\ ({\ mathbf {b}} _ {{\ mathbf {0}}} \ sim N ({\ mathbf {0}}, {\ mathbf{我}}\ sigma_ {b0} ^ {2} \)),\ ({\ mathbf {b}} _ {{\ mathbf {j}}} \ sim N ({\ mathbf {0}}, {\ mathbf{我}}\ sigma_ {bj} ^ {2} \))分别为各环境下的主要SNP效应和特定SNP效应。\ ({\ mathbf {Z}} _ {{\ mathbf{我}}}\)是块满了吗\ ({\ mathbf {Z}} \)与饮食中饲养的动物相对应的基质我\ \ ()\ \离开({左我\ \ \{{有限公司高频}\右\}}\)\)．模型实现如下:

在哪里\ ({\ mathbf{你}}_ {{\ mathbf {0}}} \ sim N \离开({{\ mathbf {0}}, {\ mathbf {G}} \ upsigma _{0}{{\文本{你}}}^ {2}}\)\)动物的主要影响是遗传，和\ ({\ mathbf{你}}_ {{\ mathbf{1}}} = \[{\开始离开数组{}{* c {20}} {{\ mathbf{你}}_ {{{\ mathbf{有限公司 }}}} } \\ {{\ mathbf{你}}_ {{{\ mathbf{高频 }}}} } \\ \ 结束{数组}}\]\ sim N \离开({{\ mathbf {0}}, {\ mathbf {G}} _ {{\ mathbf {1}}}} \) \)环境特有的遗传效应，与\ ({\ mathbf {G}} _ {{\ mathbf{1}}} ={{左\[{\开始{数组}{* c {20}} {{\ upsigma} _{{{文本\ {uCO}}}} ^ {2} {\ mathbf {Z}} _ {{{\ mathbf{有限公司}}}}{{\ mathbf {Z}} _ {\ mathbf{有限公司}}}^ {\ '}}& 0 \ \ 0 & {{\ upsigma} _{{{文本\{超高频}}}}^ {2}{\ mathbf {Z}} _ {{{\ mathbf{高频}}}}{{\ mathbf {Z}} _ {\ mathbf{高频}}}^{\ '}}\ \ \{数组}}结束\右]}\ mathord{\左左/ {\ vphantom{{\[{\开始{数组}{* c {20}} {{\ upsigma} _{{{文本\ {uCO}}}} ^ {2} {\ mathbf {Z}} _ {{{\ mathbf{有限公司}}}}{\ mathbf {Z}} _ {{{\ mathbf{有限公司}}}}^ {\ '}}& 0 & {{\ upsigma \ \ 0} _{{{文本\{超高频}}}}^ {2}{\ mathbf {Z}} _ {{{\ mathbf{高频}}}}{{\ mathbf {Z}} _ {\ mathbf{高频}}}^{\ '}}{数组}}\ \ \ \端]}{文本\ d{}}}} \。文本\ kern - \ nulldelimiterspace} {\ d {}}}, \)在哪里文本\ ({\ d {}} \)为snp的数量。

遗传-饮食相互作用计算如下:

同样，采用单变量线性混合模型量化M × D相互作用为:

在哪里\ ({\ mathbf {m}} _ {0} \ sim N \离开({{\ mathbf {0}}, {\ mathbf {m}} {\ upsigma} _{0}{{\文本{m}}} ^ {2}} \) \)载体对动物主要菌群有影响吗\ ({\ mathbf {m}} _ {1} \ sim N \离开({{\ mathbf {0}}, {\ mathbf {m}} _ {1}} \) \)载体的环境特异性菌群效应，与\ ({\ mathbf {M}} _{1} ={{左\[{\开始{数组}{* c {20}} {{\ upsigma} _{{{文本\ {mCO}}}} ^ {2} {\ mathbf {W}} _ {{{\ mathbf{有限公司}}}}{{\ mathbf {W}} _ {\ mathbf{有限公司}}}^ {\ '}}& 0 \ \ 0 & {{\ upsigma} _{{{文本\{美家}}}}^ {2}{\ mathbf {W}} _ {{{\ mathbf{高频}}}}{{\ mathbf {W}} _ {\ mathbf{高频}}}^{\ '}}\ \ \{数组}}结束\右]}\ mathord{\左左/ {\ vphantom{{\[{\开始{数组}{* c {20}} {{\ upsigma} _{{{文本\ {mCO}}}} ^ {2} {\ mathbf {W}} _ {{{\ mathbf{有限公司}}}}{\ mathbf {W}} _ {{{\ mathbf{有限公司}}}}^ {\ '}}& 0 & {{\ upsigma \ \ 0} _{{{文本\{美家}}}}^ {2}{\ mathbf {W}} _ {{{\ mathbf{高频}}}}{\ mathbf {W}} _ {{{\ mathbf{高频}}}}^{\ '}}{数组}}\ \ \ \端]}{\文本{n}}}} \。\ kern - \ nulldelimiterspace}{\文本{n}}}, \)与\(文本{n}} {\ \)OTU号。

微生物群-饮食相互作用计算如下:

穆德和比吉玛[32]建议，当主要环境和替代环境之间的遗传相关性低于0.80时，育种方案应重新设计，以考虑替代环境的结果。根据这一参考值，我们认为相关性低于0.80表示实际应用中应考虑G × D或M × D相互作用。

三种OTU过滤方案的微生物性估计

的\ (m ^ {2} \)使用Micro模型获得的三种OTU过滤场景(即留下14,366、2399和803 OTU)的估估见表1随机效应对应的方差分量在附加文件中1:表S2。

对于ADG(从0.15±0.05到0.30±0.08)、DFI(从0.25±0.05到0.41±0.09)和FE(从0.14±0.04到0.29±0.08)，在所有场景和两种饲料中，微生物性估计都是中等的，并且在OTU过滤场景中，从饲料中获得的微生物性没有显著差异。因此，无论采用何种过滤标准，微生物群对这些特征都有类似的影响。

对于DC，\ (m ^ {2} \)估计值随着OTU滤波水平的增加而降低，14,366 OTU场景的后验均值为0.57±0.03至0.75±0.02,2399 OTU场景的后验均值为0.47±0.02至0.68±0.06,803 OTU场景的后验均值为0.33±0.02至0.51±0.03。在饮食方面，差异\ (m ^ {2} \)对于三个DC，两个极端模型之间的估计是显著的，用14,366 OTU和803 OTU构建的微生物协方差矩阵之间的估计范围为−0.27到−0.24点。剩余方差的增加解释了随着OTU滤波级别的增加而减少的原因，请参阅附加文件1:表S2。

用中间数OTU(2399)得到的微生物协方差矩阵用于以下分析。这种选择是基于这种级别的过滤提供中间的事实\ (m ^ {2} \)估计值与两种极端过滤水平所获得的估计值没有差异。这种过滤类似于Verschuren等人提出的。[15估计，估计\ (m ^ {2} \)DE特征，这使得两个研究之间的比较更加公平。

每种饮食中由微生物群和宿主遗传学解释的表型方差的比例

三种模型贝叶斯信息准则的比较

分别拟合微生物群和遗传效应模型的BIC估计值见表2．最能解释所有FE和生长性状数据的模型是Micro+Gen模型，除了饲喂CO日粮的猪的ADG和饲喂HF日粮的猪的FCR外，无论饲粮如何。对于这两个性状，最佳模型分别是Gen模型和Micro模型。在CO饲粮中，Micro模型在所有FE和生长性状上排名第二，而在HF饲粮中，Gen模型在所有FE和生长性状上排名第二(RFI除外)。然而，在所有情况下，无论饮食如何，Micro和Gen模型之间的BIC估计值差异都很小。在3个DC和各饲粮中，最佳模型为Micro+Gen (CO饲粮的BIC范围为2535 ~ 2779,HF饲粮的BIC范围为2233 ~ 2373)，其次为Micro (CO饲粮的BIC范围为2547 ~ 2832,HF饲粮的BIC范围为2272 ~ 2427)。

遗传力和微生物力估计

遗传和\ (m ^ {2} \)三种模型的估算值见表3.每个模型的随机效应的方差在附加文件中1:表S3。

模型下FE、DFI和生长性状\ (m ^ {2} \)饲喂CO日粮的猪估计为中等(0.20±0.05至0.35±0.06)，饲喂HF日粮的猪估计为低至中等(0.17±0.05至0.35±0.06)。对这些特征的微生物性估计在不同饮食之间没有显著差异。对于DE特性，\ (m ^ {2} \)CO和HF饲粮的估计值较高，分别为0.44±0.06 ~ 0.60±0.05和0.67±0.06 ~ 0.68±0.06)。对于能量和有机物的直流，\ (m ^ {2} \)饲喂HF日粮的猪的估计值明显高于饲喂CO日粮的猪。这种差异是由于饲喂HF的猪比饲喂CO日粮的猪的残留方差更低，而微生物区系方差更高。不同饲粮对氮DC的微生物性估计没有显著差异。

对于Gen模型下的DFI、RFI、FCR和ADG，\ (h ^ {2} \)CO和HF饲粮的估计值分别为0.26±0.06 ~ 0.41±0.07和0.30±0.07 ~ 0.44±0.07。对于这些特征，\ (h ^ {2} \)用Gen模型得到的估计值往往高于\ (m ^ {2} \)用Micro模型得到的估计值(CO和HF饲粮分别为+ 6 - 10%和+ 4 - 13%)。然而，基于95%最高密度区间，两种模型之间的差异不显著。对于DE特性，\ (h ^ {2} \)对于饲喂CO和HF饲粮的猪，其估计值分别为0.25±0.06 ~ 0.26±0.07)和0.31±0.08 ~ 0.32±0.08。与FE、DFI和生长性状不同的是\ (m ^ {2} \)使用Micro模型得到的估计值显著高于\ (h ^ {2} \)Gen模型对大多数DE性状的估计(CO饲粮和HF饲粮的猪分别为+ 19 - 34%和+ 35 - 37%)，除了CO饲粮的猪的能量DC和有机物DC，两者的估计较高，但无显著差异。

对于所有的特征，\ (m ^ {2} \)而且\ (h ^ {2} \)使用Micro+Gen模型获得的估计值与使用Micro和Gen模型获得的估计值没有显著差异，即使这些值系统地较低。

秩相关性

基因组估计育种价值

GEBV的等级相关性及其分别用Gen和Micro+Gen模型计算的95% CI见表4．FE、DFI与生长性状的等级相关性接近于1，分别为0.97 ~ 0.99和0.95 ~ 0.99。DE性状的等级相关性较低，分别为0.83 ~ 0.89和0.78 ~ 0.84。因此，对于DE性状，包括微生物群效应对个体GEBV的排名有影响。

估计微生物群值

EMV的等级相关性在附加文件中1:表S4，在所有性状和每种饲粮中均接近1(0.96至0.99)。因此，当包括遗传效应时，不需要根据EMV对个体进行重新排序。

基因组和微生物群-饲料相互作用

CO饲粮与HF饲粮猪性状的基因组和微生物相关性见表5．FE、DFI与生长性状的基因组相关性较高(0.68±0.09 ~ 0.81±0.05)，DE性状的基因组相关性中等(0.35±0.08 ~ 0.42±0.10)。FE、DFI与生长性状的相关性为中度(0.23±0.09 ~ 0.41±0.12)，DE性状的相关性为中度至高度(0.46±0.09 ~ 0.55±0.09)。

我们的结果支持了这样的假设，即粪便微生物群解释了生长猪FE和DE性状表型变异的很大一部分。联合分析时，\ (m ^ {2} \)是低的还是相似的\ (h ^ {2} \)生长和FE性状，反之\ (m ^ {2} \)是两倍\ (h ^ {2} \)DE特性。因此，我们的研究结果表明\ (m ^ {2} \)解释了DE性状表型方差的很大比例，特别是对于饲喂HF日粮的猪。

不同性状和不同饮食之间微生物性的差异

的\ (m ^ {2} \)本研究获得的生长、DFI和FE性状的估计值中等，DE性状的估计值较高，与文献中发现的估计值一致。camarinhah - silva等人。[12]和卢等人。[13)报道\ (m ^ {2} \)FCR、DFI和生长性状(ADG)估计为0.20。Aliakbari等人。[33)发现\ (m ^ {2} \)RFI法选取的大白猪不同品系FE性状的估计值为0.11±0.09,FCR法为0.20±0.11。相反，在之前引用的研究中[33]， DFI(0.04±0.03)和ADG(0.03±0.03)的估计值较低，接近于0。利用camarinhah - silva等人的数据[12]， Weishaar等。[14估计更高的\ (m ^ {2} \)的RFI(0.45±0.15)。Verschuren等人根据从160头生长猪中收集的粪便微生物群样本[15估计的高\ (m ^ {2} \)干物质和有机质的DC(分别为0.59±0.19和0.58±0.19)，粗蛋白质的DC更高(0.93±0.10)。我们的结果证实了这些高\ (m ^ {2} \)在更大的数据集上为DE特征的值。微生物区系与消化过程密切相关。由于其发酵活性，肠道菌群能够产生初级和次级代谢产物(如短链脂肪酸、维生素、代谢物等)，然后在肠屏障水平被吸收[6，7］．这种微生物群组成和消化之间的生物相互作用可以解释高\ (m ^ {2} \)对DE性状的估计。ADG、DFI和FE性状的微生物性值在两种饲料中相似，差异不显著。饲喂HF日粮的猪对能量和有机物DC的微生物性估计显著高于饲喂CO日粮的猪(约高出25%)。这些结果表明，肠道菌群的组成对消化高纤维含量的饲料更为关键，这与饲喂HF日粮的动物的大肠发酵活性高是一致的。事实上，当饲料中存在膳食纤维时，许多不可消化的多糖会完整地到达大肠，在那里进行发酵，然后降解，特别是在挥发性脂肪酸(VFA)中降解(主要是丙酸、乙酸和丁酸)[7］．随后，在猪体内，95%的VFA在大肠中被吸收[34］．因此，在膳食纤维存在的情况下，肠道菌群的发酵活性较高，这可能解释了较高的发酵活性\ (m ^ {2} \)与饲喂CO日粮的猪相比，饲喂HF日粮的猪所观察到的值。

因此，我们的研究结果证实，正如文献中已经报道的那样，FE和生长性状的表型差异可以更好地用宿主加性遗传效应而不是微生物群效应来解释[12，33］．相比之下，微生物群效应比宿主遗传效应更能解释DE性状的表型差异，特别是对于饲喂HF日粮的猪。

微生物协方差矩阵和基因组关系矩阵之间的方差划分

在这项研究中，\ (m ^ {2} \)而且\ (h ^ {2} \)对于所有性状，在Micro+Gen模型中获得的估计值与在Gen和Micro模型中获得的估计值没有显著差异。此外，所有性状的EMV在Micro和Micro+Gen模型之间的秩相关均接近于1。同样，Gen和Micro+Gen模型对FE性状的GEBV的秩相关系数接近1。据我们所知，只有Aliakbari等人的研究。33]没有显著差异\ (m ^ {2} \)而且\ (h ^ {2} \)联合和单独拟合效应的模型之间的估计。我们的研究没有表明猪FE性状中微生物-宿主的混淆。我们观察到DE性状有轻微的重排序，但迄今为止没有其他研究报道\ (h ^ {2} \)而且\ (m ^ {2} \)使用适合微生物群和宿主遗传效应的模型来估计DE性状。大卫和理查德[35]表明，对所有可能部分与遗传加性效应混淆的影响进行解释，对于准确预测EBV是必要的。因此，一种假设是，在模型中添加微生物信息可以更好地估计GEBV，这可能是DE性状的情况。然而，综合来看，我们的结果并不能让我们得出结论，在分别拟合这些效应的模型中，微生物群和基因组效应之间是否存在部分混淆。此外，本研究中模型的比较仅基于BIC, GEBV和EMV预测的准确性也应考虑其中，因为它们会影响GEBV和EMV的重排序。对于胴体组成和肉质性状，Khanal等。[36]观察到，当模型中包含微生物群信息时，基因组方差被侵蚀，这表明微生物群和宿主遗传效应之间可能存在重叠。为了考虑微生物群和遗传效应之间的这种潜在混淆，Khanal等人[36]在模型中加入了微生物群遗传相互作用项，以分离微生物群的可传播成分和不可传播成分。同样，Weishaar等人。[14]和克里斯滕森等人[37]提出了将微生物群对性状差异的贡献正式分解为遗传和非遗传成分。这些方法可以更好地分离和解释受微生物区系和宿主遗传影响的性状的GEBV。

Micro+Gen模型在所有性状的拟合优度方面均为最佳，除CO饲粮的平均日增重和HF饲粮的FCR外。这一结果表明，微生物区系和寄主遗传学为更好地解释FE和DE性状的差异提供了互补信息。为了证实这一点，应该估计Micro+Gen模型对表型的预测能力，并与Micro和Gen模型进行比较。使用牛的模拟表型，Pérez-Enciso等。[38]的研究表明，在模型中同时包含微生物群和基因组数据可以将预测精度提高50%。此外，这样的比较可以证实，与单独拟合每种效应的模型相比，联合拟合微生物群和基因组效应的模型是否有助于更好地预测消化和饲料效率表型。事实上，Maltecca等人。39]表明微生物群可以用来预测饲喂易消化饲料的猪生长性状的表型。camarinhah - silva等人。[12]表明，对于ADG、FCR和DFI，微生物群预测往往比基因组预测更准确，尽管不显著。对于干物质、有机质、粗蛋白质和非淀粉多糖的DC, Verschuren等[15]发现微生物群预测的准确性很高(从0.42到0.63)。

有效利用微生物群数据的方法学发展

OTU滤波的影响

对于DE性状，用于构建CO和HF饲粮微生物协方差矩阵的OTU数量显著影响\ (m ^ {2} \)估计。因此，考虑的OTU数量越大，微生物区系解释DE性状的方差比例越大。这一发现与Déru等报道的菌群多样性指数与DE性状之间较高的遗传相关性(从0.88±0.12到0.91±0.13)一致。[9］．因此，需要很多OTU来解释DE性状的表型变异，而严格的编辑规则会消除导致DE性状变异的相关信息。

相反,\ (m ^ {2} \)对ADG和FE性状的三种OTU滤波方案的估计没有显著差异。因此，大多数表型变异在这些性状的803个最常见OTU的情况下被捕获。此外，在产生14,366到803个OTU的三种过滤情景中，丰度最低的OTU被剔除，因此是最稀有的OTU。一种假设可能是，(一些)最稀有的OTU是特定于消化过程的某些特征，而这些特征是主要OTU所没有捕捉到的，这可以解释为什么最稀有的OTU会出现\ (m ^ {2} \)当不再考虑这些因素来构建微生物协方差矩阵时，估计值会下降。此外，DE性状、微生物群和FE性状样本采集时间的差异也可能对这些观察到的差异产生影响。在对照组同期和中期采集粪便样品，测定微生物区系和DE性状，并在整个对照组期间测定FE和生长性状。一种假设是，与FE和ADG性状相比，DE性状的肠道菌群数据更好地反映了肠道菌群的组成，因为前者的粪便采样发生在同一时间。因此，这可以解释为什么\ (m ^ {2} \)对FE和ADG性状的三种OTU滤波方案的估计没有显著差异。需要进一步调查以确定是否\ (m ^ {2} \)当没有同时收集用于评估DE性状和微生物群组成的粪便样本时，DE性状的估计值仍然很高。

在文献中，不同的标准被应用于编辑微生物区系数据[10，15，40］．根据我们的研究，OTU过滤标准可能会对\ (m ^ {2} \)估计取决于性状，即FE性状的影响有限，而DE性状的影响更强。然而，还需要进一步的研究来证实我们的发现，并确定一种可用于OTU的最佳编辑方法，以促进研究之间的比较，特别是与消化有关的性状。

构建协方差微生物基质的选择

在文献中，\ (m ^ {2} \)已经通过不同的程序来构建协方差微生物矩阵，例如使用Bray-Curtis不相似矩阵作为关系矩阵[41]，或对数变换OTU的方差-协方差[12，15，40，41]，如Ross等人所建议的。[11］．在我们的研究中，我们使用了对数变换的OTU。然而，应该指出的是，Ramayo-Caldas等人。41]报告更高\ (m ^ {2} \)采用基于bray - curtis的核与RKHS模型估算的微生物丰度的方差比采用对数变换的丰度协方差矩阵估算的要大，这证实了构建微生物协方差矩阵的方法对微生物丰度的影响\ (m ^ {2} \)估计。

用替代方法模拟微生物群效应

微生物量估计可能受到用于微生物效应分布的基础模型或估计框架的影响。有许多估计的方法\ (m ^ {2} \)，如不同方差分布的混合Bayes C假设[38]， mblup [18]，以及贝叶斯回归[12，15，40，41］．Pérez-Enciso等。[38)相比\ (m ^ {2} \)用贝叶斯C和贝叶斯RKHS得到的估计。通过贝叶斯C方法，他们观察到\ (m ^ {2} \)估计可能是有偏见的，特别是如果\ (m ^ {2} \)高于0.25，但对于\ (m ^ {2} \)接近0时，估计得很好。相比之下，用贝叶斯RKHS方法获得的估计值偏倚略小，对致因OTU的数量不太敏感。然而，即使真实方差为零，也可以获得0.10量级的方差分数估计值[38］．需要更多的研究来比较不同的模型及其对估计的影响\ (m ^ {2} \)，以便日后比较不同研究的结果。

对选择的影响

消化效率是提高饲料效率的一个重要特征，特别是在饲料资源多样化的情况下[5］．猪中有兴趣的性状具有中等至高的微生物性，这为育种项目提供了新的机会。在模型中添加微生物群信息对GEBV与生长、DFI和FE性状的等级相关性无影响，但对DE性状有影响，特别是对饲喂HF日粮的猪。这一观察结果与本研究中估计的DE性状的遗传×饲料相关性相一致，这将有助于更好地理解宿主遗传和饲料之间的相互作用，前提是可以通过单变量计算确定和适当估计主要和饲料特定的影响。这种分析的优点是，方差在两种饮食之间对应于两种饮食之间协方差的共同成分中分离出来，并在由于饮食而产生的特定成分中分离出来。然而，这些结果需要在更大的数据集上得到证实。此外，由于DE性状的微生物性估计较高，也可以考虑选择与消化效率良好相关的微生物群属，从而提高饲料效率和猪的生长性能，如Déru等人所建议的。[9］．还需要进一步的工作来研究这些动态。此外，在这项工作中，我们使用粪便样本来收集肠道菌群信息，这是一种非侵入性的方法，证明了其用于育种的潜在用途。最后，为了选择DE性状，特别是在饲料资源多样化的情况下，收集微生物区系信息以更好地估计这些性状的GEBV可能是相关的。

综上所述，微生物区系组成为更好地解释DE性状的表型变异提供了有价值的信息，在较小程度上解释FE性状的表型变异，从而获得更准确的育种家分类。微生物区系解释了DE性状表型方差较高的很大一部分原因\ (m ^ {2} \)估计饲喂HF日粮的猪。但是，微生物区系解释了部分FE和生长性状的表型变异，比寄主遗传学解释的要低。消化率已被强调为育种计划中包括的一个有吸引力的特性，因为在未来，猪将被喂以高纤维含量的饲料[5］．微生物组成解释了中等至较大比例的表型方差，特别是DE性状，这意味着在动物评价中纳入微生物组可能会加速这些性状的遗传增益。

支持本研究结果的数据可由通讯作者索取。由于隐私或道德方面的限制，这些数据不能公开。只有获得的微生物区系序列是可用的，并提交给Short-Read Archive，登录号为PRJNA741111 (https://www.ncbi.nlm.nih.gov/sra/PRJNA741111)．

作者要感谢育种公司Axiom和Nucleus通过法国Génétique Porc提供动物和共同资助VD的博士论文。最后，作者感谢勒Rheu UE3P表型分型站工作人员的动物饲养和数据记录，以及INRAE工作人员的肠道微生物群生化分析。

本研究是ANR-16-CE20-0003资助的MicroFeed项目和Feed-a-Gene项目的一部分，该项目由欧盟H2020计划资助，资助协议号为633531。

作者及隶属关系

1. GenPhySE, INRAE, ENVT, Université de Toulouse, 31320, Castanet Tolosan，法国

   香草Déru, Céline Carillier-Jacquin, Laurent Cauquil, Olivier Zemb & Hélène Gilbert

2. 法国Génétique Porc, 35651, Le Rheu Cedex，法国

   Vanille Deru

3. 北卡罗来纳州立大学动物科学系，罗利，北卡罗来纳州，美国

   Francesco Tiezzi和Christian Maltecca

4. 佛罗伦萨大学农业、食品、环境和林业系，意大利佛罗伦萨50144

   弗朗西斯科·Tiezzi

5. UE3P, INRAE, Domaine de la Prise, 35590，圣吉尔，法国

   Benoit浴衣

6. IFIP-Institut du Porc, 35651, Le Rheu Cedex，法国

   奥尔本花束

贡献

VD进行了统计分析并起草了手稿。AB, HG和OZ设计了这项研究。BB监督收集粪便样本和采食量记录。LC进行了菌群组成的预测。AB、HG、CCJ、CM、FT、VD参与解读和讨论结果。所有作者都阅读并批准了最终的手稿。

相应的作者

对应到Vanille Deru．

伦理批准并同意参与

不适用。

发表同意书

不适用。

相互竞争的利益

作者宣称他们之间没有利益冲突。

出版商的注意

伟德体育在线施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。

开放获取本文遵循知识共享署名4.0国际许可协议，允许以任何媒介或格式使用、分享、改编、分发和复制，只要您对原作者和来源给予适当的署名，提供知识共享许可协议的链接，并注明是否有更改。本文中的图像或其他第三方材料包含在文章的创作共用许可协议中，除非在材料的信用额度中另有说明。如果材料未包含在文章的创作共用许可协议中，并且您的预期使用不被法定法规所允许或超出了允许的使用范围，您将需要直接获得版权所有者的许可。如欲查看本牌照的副本，请浏览http://creativecommons.org/licenses/by/4.0/．创作共用公共领域奉献弃权书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本条所提供的资料，除非在资料的信用额度中另有说明。

转载及权限