Sarah Battenfield, PhD, sélectionneuse de blé hybride, Syngenta
Abstrait:
De nombreux programmes de sélection du blé se sont concentrés sur l'augmentation du rendement du blé tendre. Cependant, la qualité de transformation et la qualité finale sont des éléments essentiels pour son utilisation dans l'alimentation de la population croissante du siècle prochain. Les défis liés à l'amélioration des caractères de qualité finale incluent son coût élevé et la quantité de semences à tester, ce dernier rendant impossible la sélection dans les populations de sélection précoce. Nous décrivons ici une nouvelle approche pour identifier les associations marqueurs-caractères au sein d'un programme de sélection, à l'aide d'une étude d'association pangénomique méta (GWAS) utilisant JMP Genomics. Cette méthode combine l'analyse GWAS de pépinières de sélection déséquilibrées pluriannuelles, reflétant ainsi la méta-GWAS dans la découverte de marqueurs de maladies humaines. Cette méthode a facilité la cartographie des phénotypes de transformation et de qualité finale des lignées de sélection avancées (n = 4 095) du programme de sélection du blé tendre du CIMMYT de 2009 à 2014. Grâce à la méta-GWAS, nous avons identifié les associations marqueurs-caractères, les effets alléliques et les gènes candidats, et pouvons sélectionner à l'aide des marqueurs générés au cours de ce processus. Enfin, la portée de cette approche peut être largement appliquée à la génomique assistée par la sélection dans de nombreuses cultures afin d’accroître considérablement notre compréhension fonctionnelle des génomes végétaux.
Introduction:
Les études d'association métagénomique (méta-GWAS) sont couramment utilisées dans les analyses génomiques humaines. Elles s'appuient sur la réplication des allèles au cours de plusieurs études pour gagner en puissance. En sélection végétale et en recherche, ces analyses sont peu courantes en raison de leur capacité à répliquer les génotypes dans l'espace et le temps. Cependant, à l'ère du big data et où les caractères sont trop coûteux pour le phénotype, cette méthode devient une alternative intéressante.
Méthodologie:
Les analyses GWAS sont prises en charge depuis longtemps dans JMP-Genomics. Des flux de travail faciles à suivre sont disponibles pour l'analyse QK ou la prise en compte GWAS de la structure de population et de la parenté.
Figure 1 : Flux de travail du modèle mixte QK
La présente recherche visait à cartographier les loci influant sur les caractères qualitatifs du blé, mesurés dans le cadre d'un vaste programme de sélection appliquée du blé. La cartographie structurale des populations pour la qualité du blé est peu courante, car ces tests seraient très coûteux, nécessiteraient de nombreuses années et répétitions, et nécessiteraient de grandes quantités de semences. L'objectif de la production de données étant la sélection pour le rendement, la qualité du blé étant coûteuse et secondaire, les lignées n'ont été testées qu'en une seule répétition par an, sur plusieurs années. Cela ne laissait aucune marge de manœuvre pour développer un modèle mixte QK standard. Cependant, des données riches étaient disponibles et pouvaient être exploitées grâce à la réplication des allèles dans une méta-GWAS sur plusieurs années.
|
Année de récolte
|
Essai de rendement total
|
Qualité testée et génotypée
|
|
2010
|
4 956
|
250
|
|
2011
|
6 685
|
995
|
|
2012
|
10 196
|
850
|
|
2013
|
9 436
|
886
|
|
2014
|
7 672
|
1 114
|
|
Total
|
38 945
|
4 095
|
Tableau 1 : Entrées disponibles au fil des années.
Ainsi, l’objectif était de :
- Utiliser une grande quantité de données générées par les sélectionneurs dans GWAS pour identifier les QTL ayant un impact sur la qualité du traitement et de l'utilisation finale dans le programme de sélection du CIMMYT.
- Exploitez de grandes quantités de lignes non répliquées au fil des années à l'aide du modèle méta-GWAS.
Les premières matrices Q et K ont été résolues dans les données de chaque année :
Figure 2 : Structure de population de la matrice Q ACP
Figure 3 : Carte thermique des relations cryptiques de la matrice K
Ensuite, le modèle mixte QK a été résolu chaque année avec l'application de la correction de tests multiples FDR :
Figure 4 : Modèle mixte QK
Une méta-analyse GWAS peut désormais être appliquée à toutes les années du site en exécutant une méta-analyse GWAS intégrant tous les fichiers (_qkm) dérivés des modèles mixtes QK individuels. Nous avons utilisé le modèle à variance inverse et à effets fixes avec l'option de correction par tests multiples FDR, ce qui a permis d'obtenir une estimation et une erreur type pour chaque marqueur étudié, l'effet du marqueur étant le résultat souhaité.
Figure 5 : Méta-analyse GWAS
Il en résulte une production de méta-QTL significatifs pour les caractéristiques de transformation du blé et de qualité d'utilisation finale.
Figure 6 : Graphiques de Manhattan des analyses de traits de méta-marqueurs significatifs pour plusieurs traits de qualité
En creusant plus profondément, nous souhaitions connaître l'effet du QTL, plutôt que celui des SNP individuels. L'étape suivante consistait donc à déterminer l'effet des haplotypes significatifs. Il est à noter que les haplotypes pouvaient être déterminés avant la cartographie et utilisés comme unité de cartographie, mais le blé possède un génome LARGE, non entièrement référencé, et cette analyse GWAS des haplotypes n'était pas réalisable à l'époque.
Nous avons donc réduit le fichier de génotype aux seuls marqueurs significatifs qui se trouvaient dans des régions similaires et avons estimé les haplotypes par région et par année.
Figure 7 : Chemin d'estimation de l'haplotype
Figure 8 : Configuration de l'analyse des haplotypes
Dans les résultats de la régression de tendance des haplotypes, ouvrez les fichiers d'estimation de la fréquence des haplotypes (_hfr). Recherchez les haplotypes clairement différenciés, qui représentent 90 % du matériel (le reste pouvant être des erreurs de génotypage ou des haplotypes très rares). Notez le numéro de l'haplotype et les noms d'allèles pour référence ultérieure.
Figure 9 : Fenêtre des résultats de l'analyse des haplotypes
Figure 10 : Fichier nécessaire (_hfr) qui sera ajouté pour l'analyse des méta-haplotypes
Lancez ensuite la régression de tendance des haplotypes, qui génère une sortie SAS. Recherchez le numéro d'haplotype pour le site ou l'année donnés, puis ajoutez l'estimation et l'erreur standard au fichier (_hfr). Enregistrez le fichier sous un nouveau nom pour la méta-analyse des haplotypes significatifs.
Figure 11 : Fichier de sortie SAS de la régression de tendance des haplotypes
En appliquant une méta-analyse sur les haplotypes significatifs de toutes les années et de tous les phénotypes, nous avons pu observer les effets de ces QTL sur tous les traits.
Figure 12 : Chemin vers la méta-analyse des haplotypes
Ainsi, il est possible de faire des postulations de gènes candidats en recherchant dans la littérature des QTL connus et nommés, des recherches BLAST entre les limites des haplotypes et d'étudier les gènes susceptibles d'affecter l'expression du trait cible.
Conclusions
Utilisation de Meta-GWAS dans JMP-Genomics :
- JMP-Genomics prend en charge la méthodologie permettant de réaliser des méta-GWAS. Cette méthodologie a été développée avec l'équipe JMP-Genomics et des améliorations sont en cours pour optimiser le processus.
- La cartographie des caractères coûteux et économiquement nécessaires est possible dans les programmes de sélection sans populations structurées
- Cela permet une utilisation supplémentaire des données déjà générées dans le programme de sélection
- Meta-GWAS permet la détection de novo et la dérivation de marqueurs et d'haplotypes pour les QTL actuellement présents dans le programme de sélection
- Les estimations d'effet déterminées sont pertinentes pour le programme de sélection sur plusieurs années
