Sarah Battenfield 博士，杂交小麦育种家，先正达
抽象的：
许多小麦育种计划的重点是提高面包小麦产量，但在考虑将其用于喂养下世纪不断增长的人口时，加工和最终使用质量是关键组成部分。 最终使用质量性状改进的挑战包括其高成本和用于测试的种子数量，后者使得在早期育种群体中进行选择变得不可能。 在这里，我们描述了一种利用 JMP Genomics 进行元基因组广泛关联研究 (GWAS) 来识别育种计划中标记-性状关联的新方法。 该方法结合了多年不平衡育种苗圃的 GWAS 分析，反映了人类疾病标记物发现中的元 GWAS。 该方法有助于绘制 2009 年至 2014 年 CIMMYT 面包小麦育种计划的先进育种系 (n=4,095) 的加工和最终使用质量表型。 使用meta-GWAS，我们确定了标记-性状关联、等位基因效应和候选基因，并且可以使用在此过程中生成的标记进行选择。 最后，这种方法的范围可以广泛应用于许多作物的育种辅助基因组学，以极大地增加我们对植物基因组功能的理解。
介绍：
元基因组广泛关联研究 (meta-GWAS) 通常用于人类基因组分析，依靠多项研究中的等位基因复制来获得力量。在植物育种和研究中，由于能够在空间和时间上复制基因型，这些分析并不常见。然而，在大数据时代，当性状对于表型来说成本过高时，这种方法成为一个有趣的替代方案。
方法：
JMP-Genomics 长期以来一直支持 GWAS 分析。易于遵循的工作流程可用于 QK 分析或人口结构和亲属关系的 GWAS 核算。
图 1：QK 混合模型工作流程
目前的研究是绘制影响小麦品质性状的基因座图谱，这些基因座是在大型应用小麦育种计划中测量的。小麦品质的结构绘图并不常见，因为这种测试非常昂贵，需要多年的时间和重复，并且需要大量的种子。 由于数据生成的重点是育种产量，而小麦质量昂贵并且是次要优先事项，因此这些品系一年内仅进行一次重复测试，跨越数年。这使得开发标准 QK 混合模型没有自由度。然而，多年来，依靠元 GWAS 中的等位基因复制，可以利用丰富的数据。
丰收年
|
试验总产量
|
质量测试和基因分型
|
2010年
|
4,956
|
250
|
2011年
|
6,685
|
995
|
2012年
|
10,196
|
850
|
2013年
|
9,436
|
第886章
|
2014年
|
7,672
|
1,114
|
全部的
|
38,945
|
4,095
|
表 1：各年份可用的条目。
因此，目标是：
- 使用 GWAS 中育种者生成的大量数据来识别影响 CIMMYT 育种计划中的加工和最终使用质量的 QTL。
- 利用元 GWAS 模型利用多年来未复制的大量产品线。
第一个 Q 和 K 矩阵在每年的数据中求解：
图 2：Q 矩阵总体结构 PCA
图 3：K 矩阵隐秘关系热图
接下来，应用 FDR 多重测试校正，在每年内求解 QK 混合模型：
图 4：QK 混合模型
现在，通过运行 GWAS 元分析并输入从各个 QK 混合模型派生的所有 (_qkm) 文件，元 GWAS 可以应用于所有站点年份。我们使用带有 FDR 多重测试校正选项的逆方差、固定效应模型，得出所研究的每个标记的估计值和标准误差，因为标记的效果是期望的结果。
图 5：GWAS 荟萃分析
产生用于小麦加工和最终用途品质性状的重要元 QTL。
图 6：几个质量性状的显着元标记性状分析的曼哈顿图
更深入地挖掘，我们想知道 QTL 的影响，而不是单个 SNP，因此下一步是确定重要单倍型的影响。注意，单倍型可以在作图之前确定，并用作作图的单位，但小麦的基因组很大，没有完全参考，这种单倍型 GWAS 在当时是不可行的。
因此，我们将基因型文件减少到仅包含相似地区的显着标记，并按地区和年份估计单倍型。
图 7：单倍型估计路径
图 8：单倍型分析设置
在单倍型趋势回归结果中，打开单倍型频率估计 (_hfr) 文件。寻找占材料 90% 的明显差异化的单倍型（其余部分可能是基因分型错误或非常罕见的单倍型）。记下单倍型编号和等位基因调用以供将来参考。
图 9：单倍型分析结果窗口
图 10：将添加用于元单倍型分析所需的文件 (_hfr)
然后启动单倍型趋势回归，从而产生 SAS 输出。查找给定站点或年份内的单倍型编号，并在 (_hfr) 文件中附加估计值和标准误差。使用新名称保存文件，以便对重要单倍型进行荟萃分析。
图11：单倍型趋势回归的SAS输出文件
通过对所有年份和所有表型中的重要单倍型进行荟萃分析，我们能够看到这些 QTL 对所有性状的影响。
图 12：单倍型荟萃分析路径
因此，能够通过在文献中搜索已知和命名的 QTL 来进行候选基因假设，在单倍型边界之间进行 BLAST 搜索，并研究可能影响目标性状表达的基因。
结论
在 JMP-Genomics 中使用 Meta-GWAS：
- JMP-Genomics 支持执行元 GWAS 的方法。 这是与 JMP-Genomics 团队共同开发的，并且正在进行在线改进以更好地简化流程。
- 在没有结构化种群的育种计划中可以绘制昂贵且经济上必要的性状
- 这允许额外使用育种计划中已生成的数据
- Meta-GWAS 允许从头检测和推导当前育种计划中存在的 QTL 标记和单倍型
- 确定的效果估计与数年的育种计划相关
