Sarah Battenfield, PhD, Mejoradora de trigo híbrido, Syngenta
Abstracto:
Muchos programas de mejoramiento de trigo se han enfocado en aumentar el rendimiento del trigo harinero, pero el procesamiento y la calidad de uso final son componentes críticos al considerar su uso para alimentar a la creciente población del próximo siglo. Los desafíos con las mejoras de los rasgos de calidad de uso final incluyen su alto costo y la cantidad de semillas para las pruebas, lo cual imposibilita la selección en poblaciones de mejoramiento temprano. Aquí describimos un enfoque novedoso para identificar asociaciones entre marcadores y rasgos dentro de un programa de mejoramiento mediante un meta-estudio de asociación de todo el genoma (GWAS) con JMP Genomics. Este método combina el análisis de GWAS de viveros de mejoramiento desequilibrados de varios años, de una manera que refleja el meta-GWAS en el descubrimiento de marcadores de enfermedades humanas. Este método facilitó el mapeo de fenotipos de procesamiento y calidad de uso final de líneas de mejoramiento avanzado (n = 4,095) del programa de mejoramiento de trigo harinero del CIMMYT de 2009 a 2014. Mediante meta-GWAS, identificamos asociaciones entre marcadores y rasgos, efectos alélicos y genes candidatos, y podemos seleccionar utilizando los marcadores generados en este proceso. Por último, el alcance de este enfoque se puede aplicar ampliamente en la genómica asistida por mejoramiento en muchos cultivos para aumentar en gran medida nuestra comprensión funcional de los genomas de las plantas.
Introducción:
Los estudios de asociación metagenómica (meta-GWAS) se utilizan comúnmente en análisis genómicos humanos, basándose en la replicación de alelos a lo largo de varios estudios para obtener mayor precisión. En el fitomejoramiento y la investigación, estos análisis son poco comunes debido a su capacidad de replicar genotipos en el espacio y el tiempo. Sin embargo, en la era del big data y cuando los rasgos tienen un coste prohibitivo para el fenotipo, este método se convierte en una alternativa interesante.
Metodología:
Los análisis GWAS se han incorporado desde hace tiempo a JMP-Genomics. Existen flujos de trabajo fáciles de seguir para el análisis QK o la contabilidad GWAS de la estructura poblacional y el parentesco.
Figura 1: Flujo de trabajo del modelo mixto QK
La presente investigación se centró en mapear loci que influyen en las características de calidad del trigo, medidas en un amplio programa de mejoramiento genético aplicado. El mapeo estructural de poblaciones para la calidad del trigo no es común, ya que estas pruebas serían muy costosas, tomarían muchos años y repeticiones, y requerirían grandes cantidades de semilla. Dado que la generación de datos se centró en el mejoramiento genético para el rendimiento, siendo la calidad del trigo costosa y una prioridad secundaria, las líneas se probaron en una sola repetición en un año, abarcando varios años. Esto no permitió el desarrollo de un modelo mixto estándar de conocimiento cuantitativo (QK). Sin embargo, se dispuso de datos valiosos para su explotación, basándose en la replicación de alelos en un meta-GWAS a lo largo de los años.
|
Año de cosecha
|
Total en prueba de rendimiento
|
Calidad probada y genotipada
|
|
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
|
Tabla 1: Entradas disponibles por años.
Así, el objetivo fue:
- Utilizar una gran cantidad de datos generados por los mejoradores en GWAS para identificar QTL que impactan el procesamiento y la calidad del uso final en el programa de mejoramiento del CIMMYT.
- Aproveche grandes cantidades de líneas no replicadas durante años utilizando el modelo meta-GWAS.
Las primeras matrices Q y K se resolvieron dentro de los datos de cada año:
Figura 2: Estructura poblacional de la matriz Q PCA
Figura 3: Mapa de calor de relaciones crípticas de la matriz K
A continuación, se resolvió el modelo mixto QK dentro de cada año con la aplicación de la corrección de pruebas múltiples FDR:
Figura 4: Modelo mixto QK
Ahora es posible aplicar un meta-GWAS a todos los años del sitio ejecutando un metaanálisis de GWAS que ingresa todos los archivos (_qkm) derivados de los modelos mixtos QK individuales. Se utilizó el modelo de efectos fijos de varianza inversa con la opción de corrección de pruebas múltiples FDR, lo que generó una estimación y un error estándar para cada marcador estudiado, ya que el efecto del marcador era el resultado deseado.
Figura 5: Metaanálisis de GWAS
Esto da como resultado meta-QTL significativos para el procesamiento del trigo y características de calidad para el uso final.
Figura 6: Gráficos de Manhattan de análisis de rasgos de metamarcadores significativos para varios rasgos de calidad
Profundizando, queríamos conocer el efecto del QTL, en lugar de los SNP individuales, por lo que el siguiente paso fue determinar el efecto de los haplotipos significativos. Cabe destacar que los haplotipos podrían determinarse antes del mapeo y usarse como unidad de mapeo, pero el trigo tiene un genoma extenso y no completamente referenciado, y este GWAS de haplotipos no era viable en ese momento.
Entonces, redujimos el archivo de genotipos sólo a los marcadores significativos que estaban en regiones similares y estimamos los haplotipos por región y año.
Figura 7: Ruta de estimación de haplotipos
Figura 8: Configuración del análisis de haplotipos
En los Resultados de la Regresión de Tendencia Haplotípica, abra los archivos de estimaciones de frecuencia haplotípica (_hfr). Busque haplotipos claramente diferenciados que constituyan el 90 % del material (el resto podría ser errores de genotipado o haplotipos muy raros). Anote el número de haplotipo y las llamadas alélicas para futuras consultas.
Figura 9: Ventana de resultados del análisis de haplotipos
Figura 10: Archivo necesario (_hfr) que se agregará para el análisis de metahaplotipos
A continuación, inicie la regresión de tendencia de haplotipos, que genera la salida SAS. Busque el número de haplotipo dentro del sitio o año indicado y añada la estimación y el error estándar al archivo (_hfr). Guarde el archivo con el nuevo nombre para el metaanálisis de los haplotipos significativos.
Figura 11: Archivo de salida SAS de la regresión de la tendencia del haplotipo
Aplicando un metaanálisis sobre los haplotipos significativos en todos los años y en todos los fenotipos pudimos ver los efectos de estos QTL sobre todos los caracteres.
Figura 12: Camino hacia el metanálisis de haplotipos
De este modo, es posible realizar la postulación de genes candidatos mediante la búsqueda en la literatura de QTL conocidos y nombrados, la búsqueda BLAST entre los límites de los haplotipos y la investigación de los genes que probablemente afecten la expresión del rasgo objetivo.
Conclusiones
Uso de Meta-GWAS en JMP-Genomics:
- Se apoya la metodología para realizar meta-GWAS en JMP-Genomics. Esta metodología fue desarrollada con el equipo de JMP-Genomics y se están implementando mejoras para optimizar el proceso.
- El mapeo de rasgos costosos y económicamente necesarios es posible en programas de mejoramiento sin poblaciones estructuradas
- Esto permite el uso adicional de datos ya generados en el programa de mejoramiento.
- Meta-GWAS permite la detección de novo y la derivación de marcadores y haplotipos para QTL actualmente presentes en el programa de mejoramiento.
- Las estimaciones de efectos determinadas son relevantes para el programa de mejoramiento a lo largo de varios años.
