On the holobiont 'predictome' of immunocompetence in pigs
Calle-García, Joan (Centre de Recerca en Agrigenòmica)
Ramayo-Caldas, Yuliaxis (Unitat mixta d'investigació IRTA-UAB en Sanitat Animal. Centre de Recerca en Sanitat Animal)
Zingaretti, Laura M. (Centre de Recerca en Agrigenòmica)
Quintanilla, Raquel (Unitat mixta d'investigació IRTA-UAB en Sanitat Animal. Centre de Recerca en Sanitat Animal)
Ballester Devis, Maria (Universitat Autònoma de Barcelona. Departament de Ciència Animal i dels Aliments)
Perez-Enciso, Miguel (Centre de Recerca en Agrigenòmica)

Data:	2023
Resum:	Gut microbial composition plays an important role in numerous traits, including immune response. Integration of host genomic information with microbiome data is a natural step in the prediction of complex traits, although methods to optimize this are still largely unexplored. In this paper, we assess the impact of different modelling strategies on the predictive capacity for six porcine immunocompetence traits when both genotype and microbiota data are available. We used phenotypic data on six immunity traits and the relative abundance of gut bacterial communities on 400 Duroc pigs that were genotyped for 70 k SNPs. We compared the predictive accuracy, defined as the correlation between predicted and observed phenotypes, of a wide catalogue of models: reproducing kernel Hilbert space (RKHS), Bayes C, and an ensemble method, using a range of priors and microbial clustering strategies. Combined (holobiont) models that include both genotype and microbiome data were compared with partial models that use one source of variation only. Overall, holobiont models performed better than partial models. Host genotype was especially relevant for predicting adaptive immunity traits (i. e. , concentration of immunoglobulins M and G), whereas microbial composition was important for predicting innate immunity traits (i. e. , concentration of haptoglobin and C-reactive protein and lymphocyte phagocytic capacity). None of the models was uniformly best across all traits. We observed a greater variability in predictive accuracies across models when microbiability (the variance explained by the microbiome) was high. Clustering microbial abundances did not necessarily increase predictive accuracy. Gut microbiota information is useful for predicting immunocompetence traits, especially those related to innate immunity. Modelling microbiome abundances deserves special attention when microbiability is high. Clustering microbial data for prediction is not recommended by default. The online version contains supplementary material available at 10. 1186/s12711-023-00803-4.
Ajuts:	Agencia Estatal de Investigación PID2019-108829RB-I00 Agencia Estatal de Investigación PID2020-112677RB-C2
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Llengua:	Anglès
Document:	Article ; recerca ; Versió publicada
Publicat a:	Genetics, selection, evolution, Vol. 55 (may 2023) , ISSN 1297-9686

DOI: 10.1186/s12711-023-00803-4
PMID: 37127575

12 p, 2.1 MB

El registre apareix a les col·leccions:
Documents de recerca > Documents dels grups de recerca de la UAB > Centres i grups de recerca (producció científica) > Ciències de la salut i biociències > Centre de Recerca en Sanitat Animal (CReSA-IRTA)
Documents de recerca > Documents dels grups de recerca de la UAB > Centres i grups de recerca (producció científica) > Ciències > CRAG (Centre de Recerca en Agrigenòmica)
Articles > Articles de recerca
Articles > Articles publicats