Predicting bull’s fertility is one of the main challenges for dairy breeding industry and artificial insemination (AI) centers. Semen evaluation performed in the AI center is not fully reliable to determine the level of bull fertility. Spermatozoa are rich in active miRNAs. Specific sperm-borne miRNAs can be linked to fertility. The aim of our study is to propose a combined flow cytometric analysis and miRNA profiling of semen bulls with different fertility in order to identify markers that can be potentially used for the prediction of field fertility. Sperm functions were analyzed in frozen-thawed semen doses (CG: control group) and high quality sperm fraction (HQS) collected from bulls with different field fertility level (Estimated Relative Conception Rate, ERCR) by using advanced techniques as computer-assisted semen analysis system, flow cytometry and small RNA-sequencing. Fertility groups differs for total and progressive motility, and in the abnormality degree of chromatin structure (P<0.05). A backward stepwise multiple regression analysis was applied to define a model with high relation between in vivo (e.g. ERCR) and in vitro (i.e semen quality and DE-miRNA) fertility data. The analysis produced two models that accounted for more than 78% of the variation of ERCR (CG: R2=0.88; HQS: R2=0.78), identifying a suitable combination of parameters useful to predict bull fertility. The predictive equation on CG samples included eight variables: four kinetic parameters and four DNA integrity. For the HQS fraction, the predictive equation included 5 variables: three kinetic parameters and two DNA integrity indicators. A significant relationship was observed between real and predicted fertility in CG (R2=0.88) and in the HQS fraction (R2=0.82). We identified 15 differentially expressed miRNAs between high and low fertility bulls, 9 of which known (miR-2285n, miR-378, miR-423-3p, miR-191, miR-2904, miR-378c, miR-431, miR-486, miR-2478) while the remaining novel. The Multidimensional Preference Analysis model partially separate bulls according their fertility, clustering three semen quality variables groups’ relative to motility, DNA integrity and viability. A positive association between field fertility, semen quality parameters and specific miRNAs was revealed. The integrated approach could provide a model for bull’s selection in AI centers, increasing reproductive efficiency of livestock.

中文翻译：

---

结合流式细胞术精液分析和 miRNA 分析作为区分高生育率和低生育率公牛的工具。

预测公牛的生育能力是奶牛养殖业和人工授精 (AI) 中心面临的主要挑战之一。在 AI 中心进行的精液评估对于确定公牛生育力水平并不完全可靠。精子富含活性 miRNA。特定的精子携带的 miRNA 可能与生育能力有关。我们研究的目的是提出对具有不同生育力的精液公牛进行流式细胞术分析和 miRNA 分析的组合，以识别可潜在用于预测田间生育力的标记。通过使用计算机辅助精液分析等先进技术，分析了冻融精液剂量（CG：对照组）和从不同田间生育水平（估计相对受孕率，ERCR）的公牛收集的高质量精子分数 (HQS) 中的精子功能系统，流式细胞术和小RNA测序。生育力组在总能动性和进行性能动性以及染色质结构异常程度方面存在差异（P<0.05）。应用反向逐步多元回归分析来定义在体内（例如ERCR）和体外（即精液质量和DE-miRNA）生育力数据之间具有高度相关性的模型。该分析产生了两个模型，这些模型占 ERCR 变异的 78% 以上（CG：R2=0.88；HQS：R2=0.78），确定了可用于预测公牛生育率的合适参数组合。CG 样本的预测方程包括八个变量：四个动力学参数和四个 DNA 完整性。对于 HQS 分数，预测方程包括 5 个变量：三个动力学参数和两个 DNA 完整性指标。在 CG (R2=0.88) 和 HQS 分数 (R2=0.82) 中观察到实际和预测生育率之间存在显着关系。我们在高生育率和低生育率公牛之间鉴定了 15 种差异表达的 miRNA，其中 9 种是已知的（miR-2285n、miR-378、miR-423-3p、miR-191、miR-2904、miR-378c、miR-431、miR- 486, miR-2478) 而其余的小说。多维偏好分析模型根据公牛的生育能力部分分离公牛，将三个与运动性、DNA 完整性和活力相关的精液质量变量组聚类。揭示了田间生育力、精液质量参数和特定 miRNA 之间的正相关关系。综合方法可以为人工智能中心的公牛选择提供模型，提高牲畜的繁殖效率。我们在高生育率和低生育率公牛之间鉴定了 15 种差异表达的 miRNA，其中 9 种是已知的（miR-2285n、miR-378、miR-423-3p、miR-191、miR-2904、miR-378c、miR-431、miR- 486, miR-2478) 而其余的小说。多维偏好分析模型根据公牛的生育能力部分分离公牛，将三个与运动性、DNA 完整性和活力相关的精液质量变量组聚类。揭示了田间生育力、精液质量参数和特定 miRNA 之间的正相关关系。综合方法可以为人工智能中心的公牛选择提供模型，提高牲畜的繁殖效率。我们在高生育率和低生育率公牛之间鉴定了 15 种差异表达的 miRNA，其中 9 种是已知的（miR-2285n、miR-378、miR-423-3p、miR-191、miR-2904、miR-378c、miR-431、miR- 486, miR-2478) 而其余的小说。多维偏好分析模型根据公牛的生育能力部分分离公牛，将三个与运动性、DNA 完整性和活力相关的精液质量变量组聚类。揭示了田间生育力、精液质量参数和特定 miRNA 之间的正相关关系。综合方法可以为人工智能中心的公牛选择提供模型，提高牲畜的繁殖效率。miR-2478) 而剩下的小说。多维偏好分析模型根据公牛的生育能力部分分离公牛，将三个与运动性、DNA 完整性和活力相关的精液质量变量组聚类。揭示了田间生育力、精液质量参数和特定 miRNA 之间的正相关关系。综合方法可以为人工智能中心的公牛选择提供模型，提高牲畜的繁殖效率。miR-2478) 而剩下的小说。多维偏好分析模型根据公牛的生育能力部分分离公牛，将三个与运动性、DNA 完整性和活力相关的精液质量变量组聚类。揭示了田间生育力、精液质量参数和特定 miRNA 之间的正相关关系。综合方法可以为人工智能中心的公牛选择提供模型，提高牲畜的繁殖效率。