Metagenomic prediction of methane emissions in sheep using single- and multi-matrix BLUP models with taxonomic and functional microbial features

Resumo Técnico: Predição Metagenômica de Emissões de Metano em Ovinos

Declaração do Problema
As emissões de metano entérico de ruminantes constituem uma fonte significativa de gases de efeito estufa. As atuais estratégias de mitigação agrícola são dificultadas pelo alto custo e pela complexidade logística de identificar diretamente ruminantes de alta e baixa emissão. Embora os perfis microbianos do rúmen derivados de sequenciamento de leitura longa ofereçam um potencial proxy para prever a produção de metano, os pipelines bioinformáticos ideais para processar esses dados visando maximizar a precisidade da predição ainda não foram estabelecidos.

Metodologia
O estudo avaliou o impacto de diferentes pipelines de análise metagenômica na precisão dos modelos de predição de metano utilizando dados de 396 ovinos em pastejo. Os pesquisadores:

• Geração de Dados: Caracterizaram microbiomas do rúmen utilizando tecnologia de sequenciamento de leitura longa.
• Extração de Características: Aplicaram três pipelines bioinformáticos distintos para extrair características tanto taxonômicas quanto funcionais. As características de abundância funcional foram anotadas utilizando dois bancos de dados específicos: Clusters of Orthologous Genes (COG) e Kyoto Encyclopedia of Genes and Genomes (KEGG) pathways.
• Abordagem de Modelagem: Utilizaram modelos de Melhor Predição Linear Não Viesada (BLUP) de matriz única e de matriz múltipla.
  • Modelos de matriz única testaram características taxonômicas, características funcionais baseadas em COG e características funcionais baseadas em KEGG de forma independente.
  • Modelos de matriz múltipla combinaram características funcionais e taxonômicas para avaliar se a integração melhorava o desempenho.
• Validação: O desempenho do modelo foi avaliado por meio de validação cruzada de 5 dobras (5-fold cross-validation) e uma estratégia de validação "deixar um dia de fora" (leave-one-day-out). As métricas incluíram a microbiabilidade ($m^2$), representando a proporção da variância explicada pelas características microbianas, e a precisão preditiva, medida pela correlação de Pearson ($r$) entre os valores preditos e observados.

Principais Resultados

• Superioridade das Características Funcionais: Em todos os três pipelines bioinformáticos, as características funcionais superaram consistentemente as características taxonômicas em precisão preditiva.
• Pipeline Ótimo: O modelo de matriz única utilizando características funcionais baseadas em COG alcançou as métricas de desempenho mais elevadas:
  • Microbiabilidade ($m^2$): 0,942, indicando que as características microbianas explicaram a vasta maioria da variância nas emissões de metano.
  • Precisão Preditiva ($r$): 0,609 na validação cruzada de 5 dobras.
• Impacto dos Modelos de Matriz Múltipla: A combinação de características funcionais e taxonômicas em modelos de matriz múltipla resultou em uma ligeira melhoria na precisão preditiva em comparação com modelos que utilizaram apenas características funcionais. Essa melhoria foi observada tanto na validação cruzada de 5 dobras quanto na validação "deixar um dia de fora".

Significância e Alegações
O artigo demonstra o potencial de usar dados metagenômicos de leitura longa como uma ferramenta viável para prever emissões de metano entérico em ruminantes. Os achados sugerem que a anotação funcional de sequências de leitura longa existentes é suficiente para uma predição precisa de metano, especificamente quando se utilizam características baseadas em COG. Consequentemente, o estudo postula que predições precisas podem ser alcançadas sem a necessidade de adquirir dados taxonômicos complementares, oferecendo uma abordagem simplificada para futuras estratégias de mitigação.