The draft genome of the pear ( Pyrus bretschneideri ) using a combination of BAC-by-BAC and next-generation sequencing is reported. A 512.0-Mb sequence corresponding to 97.1% of the estimated genome size of this highly heterozygous species is assembled with 194× coverage. High-density genetic maps comprising 2005 SNP markers anchored 75.5% of the sequence to all 17 chromosomes. The pear genome encodes 42,812 protein-coding genes, and of these, ∼28.5% encode multiple isoforms. Repetitive sequences of 271.9 Mb in length, accounting for 53.1% of the pear genome, are identified. Simulation of eudicots to the ancestor of Rosaceae has reconstructed nine ancestral chromosomes. Pear and apple diverged from each other ∼5.4–21.5 million years ago, and a recent whole-genome duplication (WGD) event must have occurred 30–45 MYA prior to their divergence, but following divergence from strawberry. When compared with the apple genome sequence, size differences between the apple and pear genomes are confirmed mainly due to the presence of repetitive sequences predominantly contributed by transposable elements (TEs), while genic regions are similar in both species. Genes critical for self-incompatibility, lignified stone cells (a unique feature of pear fruit), sorbitol metabolism, and volatile compounds of fruit have also been identified. Multiple candidate SFB genes appear as tandem repeats in the S -locus region of pear; while lignin synthesis-related gene family expansion and highly expressed gene families of HCT , C3′H , and CCOMT contribute to high accumulation of both G-lignin and S-lignin. Moreover, alpha-linolenic acid metabolism is a key pathway for aroma in pear fruit.

Somatic cells can be reprogrammed to induced pluripotent stem cells (iPSCs) by expressing four transcription factors: Oct4, Sox2, Klf4, and c-Myc. Here we report that enhancing RA signaling by expressing RA receptors (RARs) or by RA agonists profoundly promoted reprogramming, but inhibiting it using a RAR-α dominant-negative form completely blocked it. Coexpressing Rarg (RAR-γ) and Lrh-1 (liver receptor homologue 1; Nr5a2) with the four factors greatly accelerated reprogramming so that reprogramming of mouse embryonic fibroblast cells to ground-state iPSCs requires only 4 d induction of these six factors. The six-factor combination readily reprogrammed primary human neonatal and adult fibroblast cells to exogenous factor-independent iPSCs, which resembled ground-state mouse ES cells in growth properties, gene expression, and signaling dependency. Our findings demonstrate that signaling through RARs has critical roles in molecular reprogramming and that the synergistic interaction between Rarg and Lrh1 directs reprogramming toward ground-state pluripotency. The human iPSCs described here should facilitate functional analysis of the human genome.

ABSTRACT

 Accurate identification of cows' likelihood of conception during the period from recent calving to the first artificial insemination (AI) will provide assistance in managing the fertility of dairy cows and contribute to the economic prosperity and sustainability of the farm. The purpose of this study was to use FTIR spectroscopy collected from recent calving to the first artificial insemination (AI) to predict the cow's likelihood of conception to first AI, first or second AI. This study specifically focused on the role of FTIR spectral and farm data collected at different time windows in improving the accuracy of model for predicting the cow's likelihood of conception to first AI, first or second AI. From 2019 to 2023, fertility information of 10,873 Holstein dairy cows in China were collected, coupled with 21,928 spectral data. First, cows were classified into "good" and "poor." Strategy 1 (S1) defined "good" as cows conceived at first AI and "poor" as the others. Strategy 2 (S2) defined "good" as cows conceived at first or second AI and "poor" as the others. Second, the partial least squares discriminant analysis was used to establish models for predicting the likelihood of conception to first AI, first or second AI. The model was assessed using a cross-validation (CV) set and herd-independent-external validation (HEV) set. The study also focused on examining the potential correlation between the accuracy of prediction and the period of spectral and farm data collection by analyzing the diagnostic performance of the model at 8 different time windows: '0 to 7 d postpartum (dpp)', '8 to 14 dpp', '15 to 21 dpp', '22 to 30 dpp', '31 to 45 dpp', '46 to 60 dpp', ' ≥ 61 dpp', and '0 to 7 d before the first AI'. The results showed that the model based on S1 performed better while in proximity to the first AI with AUC_CV and AUC_HEV of 0.621 and 0.633, respectively. Models based on S2 exhibited superior performance throughout the late phase of uterine involution. The optimal model was developed by using spectral data collected from '22 to 30 dpp'. The AUC_CV and AUC_HEV were 0.644 and 0.660, respectively, which was higher than that of S1. This study demonstrates the potential of using FTIR spectral data to predict the cow's ability to conceive. The model developed from data collected within a certain time window exhibited better prediction accuracy, particularly during 22 to 30 dpp and 0 to 7 d before the first AI. This study offers novel perspectives on alternate approaches for assessing the fertility of cows, which will contribute to the regularization and sustainability of farms, as well as to the precision management of agriculture.

There is an evident requirement for a rapid, efficient, and simple method to screen the authenticity of milk products in the market. Fourier transform infrared (FTIR) spectroscopy stands out as a promising solution. This work employed FTIR spectroscopy and modern statistical machine learning algorithms for the identification and quantification of pasteurized milk adulteration. Comparative results demonstrate modern statistical machine learning algorithms will improve the ability of FTIR spectroscopy to predict milk adulteration compared to partial least square (PLS). To discern the types of substances utilized in milk adulteration, a top-performing multiclassification model was established using multi-layer perceptron (MLP) algorithm, delivering an impressive prediction accuracy of 97.4 %. For quantification purposes, bayesian regularized neural networks (BRNN) provided the best results for the determination of both melamine, urea and milk powder adulteration, while extreme gradient boosting (XGB) and projection pursuit regression (PPR) gave better results in predicting sucrose and water adulteration levels, respectively. The regression models provided suitable predictive accuracy with the ratio of performance to deviation (RPD) values higher than 3. The proposed methodology proved to be a cost-effective and fast tool for screening the authenticity of pasteurized milk in the market.

Abstract Mid-infrared spectra (MIRS) can effectively reflect the chemical bonds in milk, which has been widely used in dairy herd improvement. However, the relationship between MIRS and animal evolution remains largely unclear. This study firstly found great differences in MIRS and the components of milk by analyzing MIRS information of 12 different mammal species. A five-level discriminant model of evolutionary level based on MIRS was established with a test set kappa coefficient >0.97. In addition, a regression model of genetic distance was also established to estimate the genetic distance of different animal species with a correlation coefficient of R >0.94. These results showed that this method could be used for accurate mammalian evolutionary relationship assessment. We further clarified the potential relationship between MIRS and genes, such as PPP3CA and SCD that could change MIRS by regulating specific milk components. In conclusion, we expand the application of MIRS in animal species identification and evolution research and provide new perspectives for the research on the formation mechanism of different animal milk special components.

Genome-wide association studies (GWASs) have identified many disease associated loci, the majority of which have unknown biological functions. Understanding the mechanism underlying trait associations requires identifying trait-relevant tissues and investigating associations in a trait-specific fashion. Here, we extend the widely used linear mixed model to incorporate multiple SNP functional annotations from omics studies with GWAS summary statistics to facilitate the identification of trait-relevant tissues, with which to further construct powerful association tests. Specifically, we rely on a generalized estimating equation based algorithm for parameter inference, a mixture modeling framework for trait-tissue relevance classification, and a weighted sequence kernel association test constructed based on the identified trait-relevant tissues for powerful association analysis. We refer to our analytic procedure as the Scalable Multiple Annotation integration for trait-Relevant Tissue identification and usage (SMART). With extensive simulations, we show how our method can make use of multiple complementary annotations to improve the accuracy for identifying trait-relevant tissues. In addition, our procedure allows us to make use of the inferred trait-relevant tissues, for the first time, to construct more powerful SNP set tests. We apply our method for an in-depth analysis of 43 traits from 28 GWASs using tissue-specific annotations in 105 tissues derived from ENCODE and Roadmap. Our results reveal new trait-tissue relevance, pinpoint important annotations that are informative of trait-tissue relationship, and illustrate how we can use the inferred trait-relevant tissues to construct more powerful association tests in the Wellcome trust case control consortium study.

The fraudulent adulteration of goat milk with cheaper and more available milk of other species such as cow milk is occurrence. The aims of the present study were to investigate the effect of goat milk adulteration with cow milk on the mid-infrared (MIR) spectrum and further evaluate the potential of MIR spectroscopy to identify and quantify the goat milk adulterated. Goat milk was adulterated with cow milk at 5 different levels including 10%, 20%, 30%, 40%, and 50%. Statistical analysis showed that the adulteration had significant effect on the majority of the spectral wavenumbers. Then, the spectrum was preprocessed with standard normal variate (SNV), multiplicative scattering correction (MSC), Savitzky-Golay smoothing (SG), SG plus SNV, and SG plus MSC, and partial least squares discriminant analysis (PLS-DA) and partial least squares regression (PLSR) were used to establish classification and regression models, respectively. PLS-DA models obtained good results with all the sensitivity and specificity over 0.96 in the cross-validation set. Regression models using raw spectrum obtained the best result, with coefficient of determination (R2), root mean square error (RMSE), and the ratio of performance to deviation (RPD) of cross-validation set were 0.98, 2.01, and 8.49, respectively. The results preliminarily indicate that the MIR spectroscopy is an effective technique to detect the goat milk adulteration with cow milk. In future, milk samples from different origins and different breeds of goats and cows should be collected, and more sophisticated adulteration at low levels should be further studied to explore the potential and effectiveness of milk mid-infrared spectroscopy and chemometrics.