소개
게놈 전체 연관성 연구(GWAS)는 특정 표현형이나 특성과의 유전적 연관성을 찾기 위해 많은 피험자의 전체 DNA(게놈) 세트에 걸쳐 유전자 마커(또는 SNP 또는 단일 뉴클레오티드 다형성)를 신속하게 스캐닝하는 것과 관련된 접근 방식입니다. 연구자들은 GWAS를 사용하여 특정 특성과 통계적으로 연관된 게놈 변종을 식별합니다.
GWAS는 동물과 식물에 적용됩니다. 그러나 GWAS는 인간보다 식물에서 더 성공적이었습니다( 참고자료 ). 특히, GWAS가 매년 더욱 중요해지고 있는 문제인 증가하는 세계 인구에게 지속 가능한 식량 공급 문제를 해결하는 데 도움이 될 수 있기를 바랍니다. 2050년까지 지구 인구는 100억 명에 가까울 것으로 예상됩니다. 이는 2010년보다 약 30억 명이 더 많은 인구에 해당합니다. 실제로 식물이 우리에게 식량을 제공하는 능력을 더 잘 활용할 필요가 있습니다. 따라서 유전공학을 이용하여 더 나은 식물을 육종하기 위한 연구 개발이 이루어지고 있습니다. 다음은 이 과제를 해결하기 위한 GWAS 애플리케이션의 몇 가지 주목할만한 예입니다.
- 참깨의 오일 생산량, 가뭄 내성 및 비타민 E를 향상시킵니다.
- 브라시카(브로콜리, 양배추, 콜리플라워 및 기타 채소 포함)의 스트레스 내성, 오일 함량 및 종자 품질과 관련된 유전자를 식별합니다.
- 옥수수에 마름병 저항성을 부여할 수 있는 유전자를 식별합니다.
연구자들은 농업을 향상시키고 적응 과정을 이해하기 위해 이러한 연관성을 계속해서 탐구하고 있습니다.
도전
식물에 연관 매핑 접근법을 적용하는 것은 대부분의 생식질 세트에 존재하는 집단 구조로 인해 복잡합니다. 개체군 구조는 잘못된 연관성을 초래할 수 있으므로, 지리적 배경으로 인해 개체군 간에 유전적 변이가 다를 수 있기 때문에 식물 유전학에서 연관성 연구를 사용하는 것이 제한되어 왔습니다. 이러한 변화를 인구 계층화라고 합니다. 기능적 연관의 진정한 신호가 인구 구조에 의해 생성된 수많은 잘못된 신호로부터 분리될 수 있다면 연관 매핑은 큰 가능성을 가지고 있습니다.
GWAS는 인구 구조를 고려합니다.
인구 구조는 GWAS에서 중요한 역할을 합니다. 인구 구조는 하위 인구 집단 간의 대립 유전자 빈도 간의 체계적인 차이를 나타냅니다. 무작위로 교배하는 집단에서는 대립유전자 빈도가 그룹 간에 대략 유사할 것으로 예상됩니다. 그러나 짝짓기는 어느 정도 무작위적이지 않아 구조가 발생하는 경향이 있습니다. 예를 들어, 강과 같은 장벽은 동일한 종의 두 그룹을 분리하여 잠재적인 짝이 건너는 것을 어렵게 만들 수 있습니다. 결과적으로, 이 돌연변이는 반드시 특정 특성과 연관되는 돌연변이는 아닙니다. 따라서 인구 구조는 유전학 연구에서 혼란스러운 변수가 될 수 있습니다. GWAS에서는 그 효과를 설명하고 통제하는 것이 필수적입니다. 인구 구조가 제대로 해결되지 않으면 거짓 긍정 연관성이 발생할 수 있습니다. 인구 구조 효과를 완화하기 위해 인구 구조와 관련성을 수정하는 혼합 모델이 등장했습니다. JMP Pro가 이 문제를 처리할 수 있는지 좀 더 자세히 살펴보겠습니다.
자료
이 분석을 위해 우리는 5개의 서로 다른 하위 집단에 걸쳐 총 8336개의 마커에 대해 343개 계통을 포함하는 쌀에 대한 데이터를 사용합니다. 다음은 다양한 하위 모집단에 대한 설명입니다.
아시아의 5개 주요 쌀 하위 집단의 현재 분포.
참조:https://doi.org/10.1371/journal.pgen.0030133.g001
이 데이터를 사용하여 개화일, 성숙기 식물 높이, 개별 원추꽃차례의 무게 및 곡물 수확량과 같은 특성과 관련된 마커를 찾는 것이 아이디어입니다.
네 가지 특성의 분포
결의안
반응 선별
반응 선별은 다양한 반응에 대한 테스트 수행 프로세스를 자동화하여 유전자 데이터에 대한 완벽한 시나리오를 만드는 강력한 플랫폼입니다. JMP Pro 18을 사용하면 이제 IBS(Identity By State) 관계 매트릭스와 같은 인구 구조 정보를 모델에 추가할 수 있습니다. 이렇게 하면 반응을 고정 효과로 사용하고 인구 구조를 무작위 효과로 사용하여 혼합 모델을 수행하는 것이 가능합니다.
반응 선별을 모델로 사용하는 적합 모델의 대화 상자
인간의 집단 유전 구조 분석에 관한 이전 블로그 에서 마커 관련성 플랫폼을 사용하는 방법을 설명했습니다. 요약하자면, 마커 관련성은 마커 동일성이 관련되지 않은 개인 간의 유사성에 미치는 영향을 조사하는 IBS(Identity By State) 기반의 소위 관계 매트릭스를 생성하여 개인 간의 관련성을 측정합니다.
신호 수준의 차이를 확인하기 위해 먼저 모집단 구조 없이 반응 선별을 실행한 다음 모집단 구조(혼합 모델 사용)를 사용하여 실행했습니다.
관계 매트릭스가 있거나 없는 반응 선별 결과
보고서는 표와 도표에서 단일 마커와 단일 특성 간의 연관 중요성을 보여줍니다. 표에서 빨간색 Logworth(p-값의 -log 10)는 마커와 특성 사이의 강한 연관성을 나타냅니다. 효과 도표에서 빨간색 점과 빨간색 가로 선은 각각 원시 p-값과 p-값 임계값을 반영합니다. 파란색 점과 파란색 가로 선은 각각 FDR(false discovery rates)로 변환된 p-값을 반영합니다. 파란색 선 아래에 있는 FDR p 값을 사용한 테스트는 잘못된 발견 비율을 조정했을 때 0.05 수준에서 유의미합니다. 빨간색 선 아래에 있는 일반적인 p 값을 사용한 테스트는 잘못된 발견 비율을 조정하지 않고도 0.05 수준에서 유의미합니다. 이러한 방식으로 플롯을 사용하면 p 값 세트 중 하나에서 FDR 유의성을 읽을 수 있습니다. 따라서 임계값 미만의 신호는 유의미한 것으로 선언됩니다.
두 경우 모두 원시 및 FDR 조정 p-값을 사용하여 인구 구조 유무에 관계없이 차이를 명확하게 확인할 수 있습니다. 인구 구조가 있는 것보다 인구 구조가 없는 반응 선별을 기반으로 한 특성과 관련된 더 중요한 마커가 많이 있습니다. 따라서 혼합 모델 접근 방식을 사용하면 다양한 특성 간의 연관성을 찾아 인구 구조를 동시에 조정하여 잘못된 신호를 줄이는 것이 가능합니다.
맨해튼 음모
이제 다른 방식으로 결과를 살펴보겠습니다. 응답 스크리닝의 데이터 테이블 결과를 가져와 주석과 결합함으로써(따라서 마커 위치 및 염색체 정보를 추가함으로써) 소위 맨해튼 플롯이 생성될 수 있습니다. 아래 맨해튼 플롯에서 x축에는 마커가 염색체(색상)별로 그룹화되어 있고 y축의 로그워스는 4가지 다른 반응으로 그룹화되어 있습니다. 왼쪽에는 인구 구조가 있고 왼쪽에는 인구 구조가 없습니다. 오른쪽. 높은 값을 갖는 로그워스는 중요한 것으로 간주됩니다. 모든 반응에 대해 로그워스 값이 낮을수록 모집단 구조를 고려하여 잘못된 신호가 감소한다는 것을 보여줍니다.
인구 구조가 있는 염색체(왼쪽)와 인구 구조가 없는(오른쪽) 각 반응에 대한 로그워스를 보여주는 맨해튼 플롯
염색체별로 채색된 하나의 반응(성숙기 식물 높이)에 대한 로그워스를 보여주는 애니메이션 맨해튼 플롯
참 신호와 거짓 신호를 식별하는 것은 모집단 구조가 있는 로그워스를 빼고 모집단 구조가 없는 로그워스를 빼는 것입니다. 아래 그래프에서 인구 구조가 있는 경우(녹색)와 없는 경우(빨간색)의 중첩된 로그워스를 볼 수 있습니다. 화살표는 특성과 관련성이 높은 것으로 예상되는 마커의 신호를 강조 표시합니다(인구 구조 없음 고려). 그래프 하단은 인구 구조가 있는 로그워스와 없는 로그워스의 차이를 나타내므로 참양성과 거짓양성을 구별할 수 있습니다. 인구 구조가 있는 경우와 없는 경우의 로그워스를 비교할 때 상당한 차이가 있음을 분명히 보여줍니다. 오탐지 수를 살펴보세요! (음수 차이 값).
인구 구조 유무에 따른 로그워스 차이를 보여주는 그래프
결론
이 블로그에서는 인구 구조를 고려하여 JMP Pro가 GWAS용 혼합 모델을 처리하는 방법을 설명합니다. 인구 구조가 제대로 해결되지 않으면 거짓 긍정 연관성이 발생할 수 있습니다. 인구 구조 영향을 완화하기 위해 인구 구조가 중요한 역할을 하는 경우 혼합 모델이 올바른 도구입니다.
