Sarah Battenfield, PhD, allevatrice di grano ibrido, Syngenta
Astratto:
Molti programmi di selezione del grano si sono concentrati sull'aumento della resa del grano tenero, ma la lavorazione e la qualità dell'uso finale sono componenti fondamentali quando si considera il suo utilizzo nell'alimentazione della crescente popolazione del prossimo secolo. Le sfide con i miglioramenti dei tratti di qualità dell'uso finale includono il suo costo elevato e le quantità di semi per i test, quest'ultimi rendendo impossibile la selezione nelle popolazioni riproduttive iniziali. Qui descriviamo un nuovo approccio per identificare le associazioni marcatore-tratto all'interno di un programma di selezione utilizzando uno studio di associazione meta-genomica (GWAS) utilizzando JMP Genomics. Questo metodo combina l'analisi GWAS da vivai di selezione pluriennali non bilanciati, in un modo che riflette il meta-GWAS nella scoperta di marcatori di malattie umane. Questo metodo ha facilitato la mappatura dei fenotipi di lavorazione e qualità dell'uso finale da linee di selezione avanzate (n=4.095) del programma di selezione del grano tenero CIMMYT dal 2009 al 2014. Utilizzando il meta-GWAS, abbiamo identificato associazioni marcatore-tratto, effetti allelici e geni candidati e possiamo selezionare utilizzando i marcatori generati in questo processo. Infine, la portata di questo approccio può essere ampiamente applicata alla genomica assistita dall'allevamento di numerose colture, per aumentare notevolmente la nostra comprensione funzionale dei genomi delle piante.
Introduzione:
Gli studi di associazione meta-genomica (meta-GWAS) sono comunemente utilizzati nelle analisi genomiche umane, basandosi sulla replicazione degli alleli su diversi studi per ottenere potenza. Nella selezione e nella ricerca delle piante, queste analisi sono poco comuni a causa della capacità di replicare i genotipi nello spazio e nel tempo. Tuttavia, in un'era di big data e quando i tratti sono proibitivi in termini di costi rispetto al fenotipo, questo metodo diventa un'alternativa interessante.
Metodologia:
Le analisi GWAS sono supportate da tempo in JMP-Genomics. Sono disponibili flussi di lavoro facili da seguire per l'analisi QK o GWAS che tiene conto della struttura della popolazione e della parentela.
Figura 1: Flusso di lavoro del modello misto QK
La presente ricerca era volta a mappare i loci che influenzano i tratti della qualità del grano, che sono stati misurati in un ampio programma di selezione applicata del grano. Le popolazioni di mappatura della struttura per la qualità del grano non sono comuni, poiché questo test sarebbe molto costoso, richiederebbe molti anni e repliche e richiederebbe grandi quantità di semi. Poiché l'obiettivo della generazione dei dati era la selezione per la resa con la qualità del grano costosa e che fungeva da priorità secondaria, le linee sono state testate in una sola replica in un anno, attraversando diversi anni. Ciò non ha lasciato gradi di libertà per lo sviluppo di un modello misto QK standard. Tuttavia, erano disponibili dati preziosi da sfruttare basandosi sulla replicazione degli alleli in un meta-GWAS negli anni.
|
Anno del raccolto
|
Totale nella prova di rendimento
|
Qualità testata e genotipizzata
|
|
2010
|
4.956
|
250
|
|
2011
|
6.685
|
995
|
|
2012
|
10.196
|
850
|
|
2013
|
9.436
|
886
|
|
2014
|
7.672
|
1.114
|
|
Totale
|
38.945
|
4.095
|
Tabella 1: voci disponibili nei vari anni.
Pertanto, l'obiettivo era:
- Utilizzare una grande quantità di dati generati dagli allevatori in GWAS per identificare i QTL che influenzano la lavorazione e la qualità dell'uso finale nel programma di allevamento del CIMMYT.
- Sfrutta grandi quantità di linee non replicate nel corso degli anni utilizzando il modello meta-GWAS.
Per prima cosa sono state risolte le matrici Q e K all'interno dei dati per ogni anno:
Figura 2: Struttura della popolazione della matrice Q PCA
Figura 3: Mappa termica delle relazioni criptiche della matrice K
Successivamente, il modello misto QK è stato risolto entro ogni anno con l'applicazione della correzione dei test multipli FDR:
Figura 4: Modello misto QK
Ora un meta-GWAS può essere applicato a tutti gli anni del sito eseguendo una meta-analisi GWAS inserendo tutti i file (_qkm) derivati da singoli modelli QK misti. Abbiamo utilizzato il modello a varianza inversa, effetto fisso con opzione di correzione test multipli FDR, ottenendo una stima e un errore standard per ogni marcatore studiato, poiché l'effetto del marcatore era il risultato desiderato.
Figura 5: Meta-analisi GWAS
Ciò si traduce nella produzione di meta-QTL significativi per la lavorazione del grano e per i tratti qualitativi destinati all'uso finale.
Figura 6: Grafici di Manhattan delle analisi significative dei tratti dei meta-marcatori per diversi tratti di qualità
Approfondendo, volevamo conoscere l'effetto del QTL, piuttosto che dei singoli SNP, quindi il passo successivo è stato determinare l'effetto degli aplotipi significativi. Nota, gli aplotipi potevano essere determinati prima della mappatura e usati come unità di mappatura, ma il grano ha un genoma GRANDE, non completamente referenziato, e questo GWAS dell'aplotipo non era fattibile al momento.
Abbiamo quindi ridotto il file del genotipo ai soli marcatori significativi presenti in regioni simili e stimato gli aplotipi per regione e anno.
Figura 7: Percorso di stima dell'aplotipo
Figura 8: Impostazione dell'analisi degli aplotipi
Nei risultati della regressione di tendenza degli aplotipi, apri i file delle stime di frequenza degli aplotipi (_hfr). Cerca aplotipi chiaramente differenziati che costituiscono il 90% del materiale (il resto potrebbe essere errori di genotipizzazione o aplotipi molto rari). Prendi nota del numero di aplotipi e delle chiamate alleliche per riferimento futuro.
Figura 9: Finestra dei risultati dell'analisi dell'aplotipo
Figura 10: File necessario (_hfr) che verrà aggiunto per l'analisi del meta-aplotipo
Quindi avvia la regressione di tendenza degli aplotipi, che genera un output SAS. Cerca il numero di aplotipi all'interno del sito o dell'anno specificato e aggiungi stima ed errore standard nel file (_hfr). Salva il file con un nuovo nome per la meta-analisi degli aplotipi significativi.
Figura 11: File di output SAS della regressione della tendenza degli aplotipi
Applicando una meta-analisi sugli aplotipi significativi in tutti gli anni e in tutti i fenotipi, siamo stati in grado di osservare gli effetti di questi QTL su tutti i tratti.
Figura 12: Percorso verso la meta-analisi degli aplotipi
In questo modo, è possibile postulare un gene candidato ricercando in letteratura QTL noti e denominati, effettuare ricerche BLAST tra i confini degli aplotipi e studiare i geni che potrebbero influenzare l'espressione del tratto target.
Conclusioni
Utilizzo di Meta-GWAS in JMP-Genomics:
- La metodologia è supportata per condurre meta-GWAS in JMP-Genomics. È stata sviluppata con il team JMP-Genomics e sono in arrivo miglioramenti per semplificare al meglio il processo.
- La mappatura dei tratti costosi ed economicamente necessari è possibile nei programmi di allevamento senza popolazioni strutturate
- Ciò consente l'utilizzo aggiuntivo dei dati già generati nel programma di allevamento
- Meta-GWAS consente il rilevamento e la derivazione De novo di marcatori e aplotipi per QTL attualmente presenti nel programma di allevamento
- Le stime degli effetti determinate sono rilevanti per il programma di allevamento su più anni
