Abstract In the present study, GeneSeek GGP-LDv4 33k single nucleotide polymorphism chip was used to detect runs of homozygosity (ROH) in eight Italian beef cattle breeds; six breeds with distribution limited to Tuscany (Calvana, Mucca Pisana, Pontremolese) or Sardinia (Sarda, Sardo Bruna and Sardo Modicana) and two cosmopolitan breeds (Charolais and Limousine). ROH detection analyses were used to estimate autozygosity and inbreeding and to identify genomic regions with high frequency of ROH, which might reflect selection signatures. Comparative analysis among breeds revealed differences in length and distribution of ROH and inbreeding levels. The Charolais, Limousine, Sarda, and Sardo Bruna breeds were found to have a high frequency of short ROH (30.000); Calvana and Mucca Pisana presented also runs longer than 16 Mbp. The highest level of average genomic inbreeding was observed in Tuscan breeds, around 0.3, while Sardinian and cosmopolitan breeds showed values around 0.2. The population structure and genetic distances were analyzed through principal component analysis and multidimensional scaling analysis, and resulted in a clear separation among the breeds, with clusters related to productive purposes and sample sizes. The frequency of ROH occurrence revealed eight breed-specific genomic regions where genes of potential selective and conservative interest are located (e.g. MYOG, Chitinases (BTA16), TIMELESS , APOF , Olfactory receptors, CACNG2 (BTA5) and Collagens (BTA2)). In all breeds, we found the largest proportion of homozygous by descent segments to be those that represent inbreeding events that occurred around 32 generations ago; with Tuscan breeds also having a significant proportion of segments relating to more recent inbreeding.

ABSTRACT In this paper, we evaluated the power of metagenome measures taken at three time points over the growth test period (weaning, 15 and 22 weeks) to foretell growth and carcass traits in 1039 individuals of a line of crossbred pigs. We measured prediction accuracy as the correlation between actual and predicted phenotypes in a five-fold cross-validation setting. Phenotypic traits measured included live weight measures and carcass composition obtained during the trial as well as at slaughter. We employed a null model excluding microbiome information as a baseline to assess the increase in prediction accuracy stemming from the inclusion of operational taxonomic units (OTU) as predictors. We further contrasted performance of models from the Bayesian alphabet (Bayesian Lasso) as well machine learning approaches (Random Forest and Gradient Boosting) and semi-parametric kernel models (Reproducing Kernel Hilbert space). In most cases, prediction accuracy increased significantly with the inclusion of microbiome data. Accuracy was more substantial with the inclusion of metagenomic information taken at week 15 and 22, with values ranging from approximately 0.30 for loin traits to more than 0.50 for back-fat. Conversely, microbiome composition at weaning resulted in most cases in marginal gains of prediction accuracy, suggesting that later measures might be more useful to include in predictive models. Model choice affected predictions marginally with no clear winner for any model/trait/time point. We, therefore, suggest average prediction across models as a robust strategy in fitting metagenomic information. In conclusion, microbiome composition can effectively be used as a predictor of growth and composition traits, particularly for fatness traits. The inclusion of OTU predictors could potentially be used to promote fast growth of individuals while limiting fat accumulation. Early microbiome measures might not be good predictors of growth and OTU information might be best collected at later life stages. Future research should focus on the inclusion of both microbiome as well as host genome information in predictions, as well as the interaction between the two. Furthermore, the influence of microbiome on feed efficiency as well as carcass and meat quality should be investigated.

Background: Health traits are of significant economic importance to the dairy industry due to their effects on milk production and associated treatment costs. Genome-wide association studies (GWAS) provide a means to identify associated genomic variants and thus reveal insights into the genetic architecture of complex traits and diseases. The objective of this study is to investigate the genetic basis of seven health traits in dairy cattle and to identify potential candidate genes associated with cattle health using GWAS, fine mapping, and analyses of multi-tissue transcriptome data. Results: We studied cow livability and six direct disease traits, mastitis, ketosis, hypocalcemia, displaced abomasum, metritis, and retained placenta, using de-regressed breeding values and more than three million imputed DNA sequence variants. After data edits and filtering on reliability, phenotypes for 11,880 to 24,699 Holstein bulls were included in the analyses of the seven traits. GWAS was performed using a mixed-model association test, and a Bayesian fine-mapping procedure was conducted to calculate a posterior probability of causality to each variant and gene in the candidate regions. The GWAS results detected a total of eight genome-wide significant associations for three traits, cow livability, ketosis, and hypocalcemia, including the bovine MHC region associated with livability. Our fine-mapping of associated regions reported 20 candidate genes with the highest posterior probabilities of causality for cattle health. Combined with transcriptome data across multiple tissues in cattle, we further exploited these candidate genes to identify specific expression patterns in disease-related tissues and relevant biological explanations such as the expression of GC in the liver and association with mastitis as well as the CCDC88C expression in CD8 cells and association with cow livability. Conclusions: Collectively, our analyses report six significant associations and 20 candidate genes of cattle health. With the integration of multi-tissue transcriptome data, our results provide useful information for future functional studies and better understanding of the biological relationship between genetics and disease susceptibility in cattle.

An important challenge in genetics is to be able to predict complex traits accurately. Despite recent advances, prediction accuracy for most complex traits remains low. Here, we used the Drosophila Genetic Reference Panel (DGRP), a collection of 200 lines with whole-genome sequences and deep RNA sequencing data, to evaluate the usefulness of using high-quality gene expression levels compared to relying on genotypes for predicting three complex traits. We found that expression levels provided higher accuracy than genotypes for starvation resistance, similar accuracy for chill coma recovery, and lower accuracy for startle response. Models including both genotype and expressions levels did not outperform the best single component model. However, accuracy increased considerably for all the three traits when we included another layer of information, i.e., gene ontology (GO). We found that a limited number of GO terms, some of which had a clear biological interpretation, were strongly predictive of the traits. In summary, this study shows that integrating different sources of information can improve prediction accuracy, especially when large samples are not available.

ABSTRACT While for the most part genome-wide metrics are currently employed in managing livestock inbreeding, genomic data offer, in principle, the ability to identify functional inbreeding. Here we present a heuristic method to identify haplotypes contained within a run of homozygosity (ROH) associated with reduced performance. Results are presented for simulated and swine data. The algorithm comprises 3 steps. Step 1 scans the genome based on marker windows of decreasing size and identifies ROH genotypes associated with an unfavorable phenotype. Within this stage, multiple aggregation steps reduce the haplotype to the smallest possible length. In step 2, the resulting regions are formally tested for significance with the use of a linear mixed model. Lastly, step 3 removes nested windows. The effect of the unfavorable haplotypes identified and their associated haplotype probabilities for a progeny of a given mating pair or an individual can be used to generate an inbreeding load matrix ( ILM ). Diagonals of ILM characterize the functional inbreeding load of individual (IIL). We estimated the accuracy of predicting the phenotype based on ILL. We further compared the significance of the regression coefficient for IIL on phenotypes to genome-wide inbreeding metrics. We tested the algorithm using simulated scenarios (n =12) combining different levels of linkage disequilibrium (LD) and number of loci impacting a quantitative trait. Additionally, we investigated 9 traits from two maternal purebred swine lines. In simulated data, as the LD in the population increased the algorithm identified a greater proportion of the true unfavorable ROH effects. For example, the proportion of highly unfavorable true ROH effects identified raised from 32 to 41 % for the low to the high LD scenario. In both simulated and real data the haplotypes identified were contained within a much larger ROH (9.12-12.1 Mb). The IIL prediction accuracy was greater than zero across all scenarios for simulated data (high LD scenario mean (95% confidence interval): 0.49 (0.47-0.52)) and for nearly all swine traits (mean ± SD: 0.17±0.10). On average across simulated and swine datasets the IIL regression coefficient was more closely related to progeny performance than any genome-wide inbreeding metric. A heuristic method was developed that identified ROH genotypes with reduced performance and characterized the combined effects of ROH genotypes within and across individuals.

Abstract Traits such as meat quality and composition are becoming valuable in modern pork production; however, they are difficult to include in genetic evaluations because of the high phenotyping costs. Combining genomic information with multiple‐trait indirect selection with cheaper indicator traits is an alternative for continued cost‐effective genetic improvement. Additionally, gut microbiome information is becoming more affordable to measure using targeted rRNA sequencing, and its applications in animal breeding are becoming relevant. In this paper, we investigated the usefulness of microbial information as a correlated trait in selecting meat quality in swine. This study incorporated phenotypic data encompassing marbling, colour, tenderness, loin muscle and backfat depth, along with the characterization of gut (rectal) microbiota through 16S rRNA sequencing at three distinct time points of the animal's growth curve. Genetic progress estimation and cross‐validation were employed to evaluate the utility of utilizing host genomic and gut microbiota information for selecting expensive‐to‐record traits in crossbred individuals. Initial steps involved variance components estimation using multiple‐trait models on a training dataset, where the top 25 associated operational taxonomic units (OTU) for each meat quality trait and time point were included. The second step compared the predictive ability of multiple‐trait models incorporating different numbers of OTU with single‐trait models in a validation set. Results demonstrated the advantage of including genomic information for some traits, while in some instances, gut microbial information proved advantageous, namely, for marbling and pH. The study suggests further investigation into the shared genetic architecture between microbial features and traits, considering microbial data's compositional and high‐dimensional nature. This research proposes a straightforward method to enhance swine breeding programs for improving costly‐to‐record traits like meat quality by incorporating gut microbiome information.

Abstract The current swine reference genome, based on a single Duroc individual, has contributed to many significant advances but also carries limitations in many applications. Reference alleles receive substantial bias from alignment-based approaches. Additionally, structural DNA variants are difficult to identify and represent relative to the linear reference genome. As a result, DNA variants more likely to affect complex quantitative traits are understudied and warrant further investigation. In this study, a trio-binning approach was utilized to produce haplotype-resolved assemblies of a Duroc x Landrace hybrid. The Duroc sire and Landrace dam were sequenced via short-read technology (Illumina), and the hybrid offspring was sequenced via long-read technology (PacBio HiFi). A total of 117 Gb HiFi data was produced, equivalent to approximately 47X coverage of the swine genome. Two highly contiguous and high-quality assemblies were produced using hifiasm. The assembled maternal (Landrace) and paternal (Duroc) genomes had a contig N50 of 76.7 Mb and 55.0 Mb, respectively, both of which surpass that of the current reference genome Sscrofa11.1 (48.2 Mb). Furthermore, the maternal and paternal genomes contained 113.6 Mb and 116.0 Mb of novel sequences relative to the reference, respectively. The Benchmarking Universal Single-Copy Orthologue (BUSCO) scores were approximately 96%, indicating high completeness. The computed assembly QVs were found to be >Q40. Compared with short-read technology, whole genome mapping identified substantially more large SVs (> 50bp). These haplotype-resolved assemblies and additional existing assemblies will serve as the basis for the production of a swine pangenome.

Abstract Background Longitudinal records of automatically-recorded vaginal temperature (T V ) could be a key source of data for deriving novel indicators of climatic resilience (CR) for breeding more resilient pigs, especially during lactation when sows are at an increased risk of suffering from heat stress (HS). Therefore, we derived 15 CR indicators based on the variability in T V in lactating sows and estimated their genetic parameters. We also investigated their genetic relationship with sows’ key reproductive traits. Results The heritability estimates of the CR traits ranged from 0.000 ± 0.000 for slope for decreased rate of T V (Slope De ) to 0.291 ± 0.047 for sum of T V values below the HS threshold (HSU B ). Moderate to high genetic correlations (from 0.508 ± 0.056 to 0.998 ± 0.137) and Spearman rank correlations (from 0.431 to 1.000) between genomic estimated breeding values (GEBV) were observed for five CR indicators, i.e. HS duration (HSD), the normalized median multiplied by normalized variance (Nor_medvar), the highest T V value of each measurement day for each individual (Max Tv ), and the sum of the T V values above (HSU A ) and below (HSU B ) the HS threshold. These five CR indicators were lowly to moderately genetically correlated with shoulder skin surface temperature (from 0.139 ± 0.008 to 0.478 ± 0.048) and respiration rate (from 0.079 ± 0.011 to 0.502 ± 0.098). The genetic correlations between these five selected CR indicators and sow reproductive performance traits ranged from − 0.733 to − 0.175 for total number of piglets born alive, from − 0.733 to − 0.175 for total number of piglets born, and from − 0.434 to − 0.169 for number of pigs weaned. The individuals with the highest GEBV (most climate-sensitive) had higher mean skin surface temperature, respiration rate (RR), panting score (PS), and hair density, but had lower mean body condition scores compared to those with the lowest GEBV (most climate-resilient). Conclusions Most of the CR indicators evaluated are heritable with substantial additive genetic variance. Five of them, i.e. HSD, Max Tv , HSU A , HSU B , and Nor_medvar share similar underlying genetic mechanisms. In addition, individuals with higher CR indicators are more likely to exhibit better HS-related physiological responses, higher body condition scores, and improved reproductive performance under hot conditions. These findings highlight the potential benefits of genetically selecting more heat-tolerant individuals based on CR indicators.