近日，中国农业大学闫军副教授（之前王向峰老师组）和赖锦盛教授联合在Plant Communications 上发表了题为“MRBIGR: a versatile toolbox for genetic regulation inference from population-scale multi-omics data”的研究论文，推出了一款名为MRBIGR（Mendelian Randomization-Based Inference of Genetic Regulation）的多组学遗传调控推断工具，为解决如何从复杂的作物多组学数据中揭示关键基因与性状之间的遗传关系提供了一种有效的方案。
MRBIGR主要功能
MRBIGR是一个集成了全基因组关联研究（GWAS）和孟德尔随机化（MR）分析的工具箱，旨在通过群体规模的多组学数据，深入探索作物的遗传调控网络。通过MRBIGR，研究人员能够更加精准地分析基因与表型、基因与代谢物之间的因果关系，从而揭示复杂性状的遗传机制。主要功能如下：
基因型数据分析：基因型数据的预处理，包括格式转换、质量过滤、基因型填补以及基于连锁不平衡（LD）的降维分析。通过亲缘关系分析、主成分分析（PCA）和t-SNE分析，揭示潜在的群体遗传结构，并支持系统发育树的重建与功能注释。 表型数据分析：表型数据的清理和标准化，进行低可信度表型值过滤、缺失数据填补、数据规范化处理，并校正环境效应。此外，还支持使用BLUP和BLUE方法，充分整合多环境表型数据。 GWAS与显著关联位点分析：集成了三种主流的GWAS工具——GEMMA、GAPIT3和rMVP，用户可以根据需求选择合适的方法进行GWAS分析，绘制曼哈顿图和Q-Q图，准确检测显著关联位点，并进行SNP单倍型分析，帮助发现潜在候选基因。 MR分析：采用线性模型（LM）或混合线性模型（MLM）进行因果效应量化分析，将分子特征如基因表达、代谢物含量或蛋白质含量作为暴露变量，表型特征作为结果变量，深入挖掘基因与表型之间的因果关系。 MR网络构建：根据MR分析结果构建因果网络，识别网络中的功能调控模块，揭示复杂的遗传调控网络。 基因本体分析：对通过MR网络分析识别的调控模块进行GO富集分析，提供每个模块的生物学背景。 数据可视化：提供一系列图形化工具，直观展示基因型差异、表型分布、GWAS信号、MR分析结果、网络结构以及GO富集结果。 图形用户界面（GUI）：满足非生物信息背景研究人员的分析需求。
MRBIGR的使用教程和下载链接：https://mrbigr.github.io/
MR能否用于植物育种？
孟德尔随机化（Mendelian randomization, MR）是一种利用遗传变异作为工具变量来推断因果关系的统计方法，它在人类群体遗传学中被广泛用于探索复杂疾病的遗传基础（可以说是用烂了~）。在植物育种领域很少有报道，但也被探索用于推断植物突变、基因、生物分子和性状之间的因果关系。注意，因果关系（Causal relation）不同于相关关系，比如我们通过GWAS一般获得的是基因型与表型之间的“关联”信息，至于两者之间是否存在因果关系就不得而知了。
例如在水稻中，湖南农大李兰芝团队曾通过MR提供了提高水稻产量潜力的见解（doi:10.1038/s41598-021-86389-7）。这说明MR可以尝试用于植物育种中。
早前，王向峰老师团队在Science Bulletin上发表了MODAS（Multi-Omics Data Association Analysis）软件，也利用MR实现了多组学数据在群体水平上的关联分析与因果推断。
然而，需要注意的是，孟德尔随机化的基本假设是基于人类群体遗传学的，其是否适用于所有植物物种还需要进一步验证。因为许多驯化植物是人工选择的结果，而非自然选择，这可能影响MR方法的适用性。因此，在植物育种中应用孟德尔随机化时，需要考虑到这些因素，并可能需要开发独立于遗传假设的新方法来适应植物育种的特殊需求。
总的来说，孟德尔随机化有潜力在植物育种中发挥作用，但其适用性和有效性需要针对不同的植物物种和育种目标进行具体评估和验证。这一点，王向峰老师在其最近的GPB观点文章（Machine learning for AI breeding in plants）中也有提到。
扩展阅读：
