ABSTRACT Automatizing phenotype measurement is needed to increase plant breeding efficiency. Morphological traits are relevant in many fruit breeding programs, as appearance influences consumer preference. Often, these traits are manually or semi-automatically obtained. Yet, fruit morphology evaluation can be boosted by resorting to fully automatized procedures and digital images provide a cost-effective opportunity for this purpose. Here, we present an automatized pipeline for comprehensive phenomic and genetic analysis of morphology traits extracted from internal and external strawberry images. The pipeline segments, classifies and labels the images, extracts conformation features, including linear (area, perimeter, height, width, circularity, shape descriptor, ratio between height and width) and multivariate (Fourier Elliptical components and Generalized Procrustes) statistics. Internal color patterns are obtained using an autoencoder to smooth out the image. In addition, we develop a variational autoencoder to automatically detect the most likely number of underlying shapes. Bayesian modeling is employed to estimate both additive and dominant effects for all traits. As expected, conformational traits are clearly heritable. Interestingly, dominance variance is higher than the additive component for most of the traits. Overall, we show that fruit shape and color can be quickly and automatically evaluated and is moderately heritable. Although we study the strawberry species, the algorithm can be applied to other fruits, as shown in the GitHub repository https://github.com/lauzingaretti/DeepAFS .

Abstract The aim of the present work was to identify microbial biomarkers linked to immunity traits and to characterize the contribution of host-genome and gut microbiota to the immunocompetence in healthy pigs. To achieve this goal, we undertook a combination of network, mixed model and microbial-wide association studies (MWAS) for 21 immunity traits and the relative abundance of gut bacterial communities in 389 pigs genotyped for 70K SNPs. The heritability (h 2 ; proportion of phenotypic variance explained by the host genetics) and microbiability (m 2 ; proportion of variance explained by the microbial composition) showed similar values for most of the analyzed immunity traits, except for both IgM and IgG in plasma that were dominated by the host genetics, and the haptoglobin in serum which was the trait with larger m 2 (0.275) compared to h 2 (0.138). Results from the MWAS suggested a polymicrobial nature of the immunocompetence in pigs and revealed associations between pigs gut microbiota composition and 15 of the analyzed traits. The lymphocytes phagocytic capacity (quantified as mean fluorescence) and the total number of monocytes in blood were the traits associated with the largest number of taxa (6 taxa). Among the associations identified by MWAS, 30% were confirmed by an information theory network approach. The strongest confirmed associations were between Fibrobacter and phagocytic capacity of lymphocytes (r=0.37), followed by correlations between Streptococcus and the percentage of phagocytic lymphocytes (r=-0.34) and between Megasphaera and serum concentration of haptoglobin (r=0.26). In the interaction network, Streptococcus and percentage of phagocytic lymphocytes were the keystone bacterial and immune-trait, respectively. Overall, our findings reveal an important connection between immunity traits and gut microbiota in pigs and highlight the need to consider both sources of information, host genome and microbial levels, to accurately characterize immunocompetence in pigs.

Background: Genomic Prediction (GP) is the procedure whereby molecular information is used to predict complex phenotypes. Although GP can significantly enhance predictive accuracy, it can be expensive and difficult to implement. To help in designing optimum experiments, including genome wide association studies and genomic selection experiments, we have developed SeqBreed, a generic and flexible python3 forward simulator. Results: SeqBreed accommodates sex and mitochondrion chromosomes as well as autopolyploidy. It can simulate any number of complex phenotypes determined by any number of causal loci. SeqBreed implements several GP methods, including single step GBLUP. We demonstrate its functionality with Drosophila Genome Reference Panel (DGRP) sequence data and with tetraploid potato genotypes. Conclusions: SeqBreed is a flexible and easy to use tool appropriate for optimizing GP or genome wide association studies. It incorporates some of the most popular GP methods and includes several visualization tools. Code is open and can be freely modified. Software, documentation and examples are available at https://github.com/miguelperezenciso/SeqBreed.

This study aims to characterize commensal fungi and protists inhabiting the gut of healthy pigs, and explore the putative host genetic control over diversity and composition of pig gut eukaryotes. Fecal fungi and protists communities from 514 Duroc pigs of two sexes and two different ages were characterized by 18S and ITS ribosomal RNA gene sequencing. The gut mycobiota was dominated by yeasts, with a high prevalence of Kazachstania spp. Regarding protists, representatives of four genera (Blastocystis, Neobalantidium, Tetratrichomonas and Trichomitus) persisted through more than the 80% of the pigs. Heritabilities for the diversity and abundance of gut eukaryotic communities were estimated with the subset of 60 days aged piglets (N=405). Obtained heritabilities ranged from 0.15 to 0.28, indicating a rather limited host-genetic control. A genome wide association study reported genetic variants associated with the fungal α-diversity (SSC6) and with the abundance of Blastocystis spp. (SSC6, SSC17 and SSC18). Annotated candidate genes (IL23R, IL12RB2, PIK3C3, PIK3CD, HNF4A and TNFRSF9) were mainly related to immunity, gut homeostasis and metabolic processes. Our results point towards a minor and taxa specific genetic control over the diversity and composition of the pig gut eukaryotic communities.

Abstract The generation of realistic plant and animal images from marker information could be a main contribution of artificial intelligence to genetics and breeding. Since morphological traits are highly variable and highly heritable, this must be possible. However, a suitable algorithm has not been proposed yet. This paper is a proof of concept demonstrating the feasibility of this proposal using ‘decoders’, a class of deep learning architecture. We apply it to Cucurbitaceae, perhaps the family harboring the largest variability in fruit shape in the plant kingdom, and to tomato, a species with high morphological diversity also. We generate Cucurbitaceae shapes assuming a hypothetical, but plausible, evolutive path along observed fruit shapes of C. melo . In tomato, we used 353 images from 129 crosses between 25 maternal and 7 paternal lines for which genotype data were available. In both instances, a simple decoder was able to recover expected shapes with large accuracy. For the tomato pedigree, we also show that the algorithm can be trained to generate offspring images from their parents’ shapes, bypassing genotype information. Data and code are available at https://github.com/miguelperezenciso/dna2image .

Abstract The analysis and prediction of complex traits using microbiome data combined with host genomic information is a topic of utmost interest. However, numerous questions remain to be answered: How useful can the microbiome be for complex trait prediction? Are microbiability estimates reliable? Can the underlying biological links between the host’s genome, microbiome, and the phenome be recovered? Here, we address these issues by (i) developing a novel simulation strategy that uses real microbiome and genotype data as input, and (ii) proposing a variance-component approach which, in the spirit of mediation analyses, quantifies the proportion of phenotypic variance explained by genome and microbiome, and dissects it into direct and indirect effects. The proposed simulation approach can mimic a genetic link between the microbiome and SNP data via a permutation procedure that retains the distributional properties of the data. Results suggest that microbiome data could significantly improve phenotype prediction accuracy, irrespective of whether some abundances are under direct genetic control by the host or not. Overall, random-effects linear methods appear robust for variance components estimation, despite the highly leptokurtic distribution of microbiota abundances. Nevertheless, we observed that accuracy depends in part on the number of microorganisms’ taxa influencing the trait of interest. While we conclude that overall genome-microbiome-links can be characterized via variance components, we are less optimistic about the possibility of identifying the causative effects, i.e., individual SNPs affecting abundances; power at this level would require much larger sample sizes than the ones typically available for genome-microbiome-phenome data. Author summary The microbiome consists of the microorganisms that live in a particular environment, including those in our organism. There is consistent evidence that these communities play an important role in numerous traits of relevance, including disease susceptibility or feed efficiency. Moreover, it has been shown that the microbiome can be relatively stable throughout an individual’s life and that is affected by the host genome. These reasons have prompted numerous studies to determine whether and how the microbiome can be used for prediction of complex phenotypes, either using microbiome alone or in combination with host’s genome data. However, numerous questions remain to be answered such as the reliability of parameter estimates, or which is the underlying relationship between microbiome, genome, and phenotype. The few available empirical studies do not provide a clear answer to these problems. Here we address these issues by developing a novel simulation strategy and we show that, although the microbiome can significantly help in prediction, it will be difficult to retrieve the actual biological basis of interactions between the microbiome and the trait.

Abstract The contribution of microRNAs (miRNAs) to mRNA regulation has often been explored by post hoc selection of downregulated genes and determining whether they harbor binding sites for miRNAs of interest. This approach, however, does not discriminate whether these mRNAs are also downregulated at the transcriptional level. Here, we have characterized the transcriptional and post-transcriptional changes of mRNA expression in two porcine tissues: gluteus medius muscle of fasted and fed Duroc gilts and adipose tissue of lean and obese Duroc-Göttingen minipigs. Exon-intron split analysis (EISA) of RNA-seq data allowed us to identify downregulated mRNAs with high post-transcriptional signals in fed or obese states, and we assessed whether they harbor binding sites for upregulated miRNAs in any of these two physiological states. We found 26 downregulated mRNAs with high post-transcriptional signals in the muscle of fed gilts and 21 of these were predicted targets of upregulated miRNAs also in the fed state. For adipose tissue, 44 downregulated mRNAs in obese minipigs displayed high post-transcriptional signals, and 25 of these were predicted targets of miRNAs upregulated in the obese state. These results suggest that the contribution of miRNAs to mRNA repression is more prominent in the skeletal muscle system. Finally, we identified several genes that may play relevant roles in the energy homeostasis of the pig skeletal muscle ( DKK2 and PDK4 ) and adipose ( SESN3 and ESRRG ) tissues. By differentiating transcriptional from post-transcriptional changes in mRNA expression, EISA provides a valuable view about the regulation of gene expression, complementary to canonical differential expression analyses.

The microbiome plays a key role in homeostasis and health and it has been also linked to fertility and semen quality in several animal species including swine. Despite the more than likely importance of sperm bacteria on the boars reproductive ability and the dissemination of pathogens and antimicrobial resistance genes, a high throughput characterization of the swine sperm microbiome remains undone. The current study aimed at profiling the boar sperm bacterial population and its relationship with seven semen quality traits. We carried RNA-seq on 40 ejaculates and we found that it contains a broad population of bacteria. The most abundant phyla were Proteobacteria (39.1%), Firmicutes (27.5%), Actinobacteria (14.9%) and Bacteroidetes (5.7%). The predominant species contaminated sperm after ejaculation from soil, faeces and water sources (Bacillus megaterium, Brachybacterium faecium, Bacillus coagulans). Some potential pathogens were also found but at relatively low levels (Escherichia coli, Clostridioides difficile, Clostridium perfringens, Clostridium botulinum and Mycobacterium tuberculosis). We also identified 3 potential antibiotic resistant genes from E. coli against chloramphenicol, Neisseria meningitidis against spectinomycin and Staphylococcus aureus against linezolid. None of these genes were highly abundant. Finally, we classified the ejaculates into categories according to their bacterial features and semen quality parameters and identified two categories that significantly differed for 5 semen quality traits and 13 bacterial features including the genera Acinetobacter, Stenotrophomonas and Rhodobacter. Our results show that boar semen contains a rich microbiome with potential pathogens and antibiotic resistance genes which may affect its reproductive performance.