Sarah Battenfield 博士，先正達公司雜交小麥育種專家
抽象的：
許多小麥育種計畫都專注於提高麵包小麥的產量，但當考慮將其用於養活下個世紀不斷增長的人口時，加工和最終使用品質也是關鍵因素。最終用途品質性狀改良的挑戰包括其高成本和用於測試的種子量，這使得在早期繁殖族群中進行選擇變得不可能。在這裡，我們描述了一種新方法，使用 JMP Genomics 的元基因組全關聯研究 (GWAS) 來識別育種計劃中的標記-性狀關聯。該方法結合了多年不平衡育種苗圃的 GWAS 分析，以反映人類疾病標記物發現中的元 GWAS。此方法有助於繪製 2009 年至 2014 年 CIMMYT 小麥育種計劃中先進育種系（n=4,095）的加工和最終用途品質表型。使用 meta-GWAS，我們確定了標記-性狀關聯、等位基因效應和候選基因，並可以使用在此過程中產生的標記進行選擇。最後，這種方法的範圍可廣泛應用於多種作物的育種輔助基因組學，從而大大增加我們對植物基因組的功能理解。
介紹：
元基因組廣泛關聯研究 (meta-GWAS) 通常用於人類基因組分析，並依靠多項研究中的等位基因複製來獲得能力。在植物育種和研究中，由於能夠隨空間和時間複製基因型，這些分析並不常見。然而，在大數據時代，當性狀對於表型而言成本過高時，這種方法就成為有趣的替代方案。
方法論：
JMP-Genomics 長期以來一直支持 GWAS 分析。可以輕鬆遵循的工作流程適用於 QK 分析或考慮人口結構和親屬關係的 GWAS。
圖 1：QK 混合模型工作流程
本研究旨在繪製影響小麥品質性狀的基因座，這些性狀是在大型應用小麥育種計劃中進行測量的。小麥品質結構映射群體並不常見，因為這種測試非常昂貴，需要很多年的時間和重複，並且需要大量的種子。由於資料產生的重點是提高產量，而小麥品質成本高昂且是次要因素，因此這些品系一年內僅進行了一次重複測試，跨越了幾年。這使得開發標準 QK 混合模型沒有留下任何自由度。然而，依靠多年來元 GWAS 中的等位基因複製，可以利用豐富的數據。
|
豐收年
|
產量試驗總計
|
品質測試和基因分型
|
|
2010
|
4,956
|
250
|
|
2011
|
6,685
|
995
|
|
2012
|
10,196
|
850
|
|
2013
|
9,436
|
886
|
|
2014
|
7,672
|
1,114
|
|
全部的
|
38,945
|
4,095
|
表 1：各年份的條目。
因此，目標是：
- 使用大量育種者在 GWAS 中產生的數據來識別影響 CIMMYT 育種計劃中加工和最終用途品質的 QTL。
- 利用元 GWAS 模型，充分利用多年來未複製的大量線路。
首先根據每年的數據求解 Q 和 K 矩陣：
圖 2：Q 矩陣族群結構 PCA
圖 3：K 矩陣隱密關係熱圖
接下來，應用 FDR 多重檢定校正對 QK 混合模型進行逐年求解：
圖 4：QK 混合模型
現在，透過執行 GWAS 元分析並輸入來自各個 QK 混合模型的所有 (_qkm) 文件，可以將元 GWAS 應用於所有站點年份。我們使用了帶有 FDR 多重檢定校正選項的逆方差固定效應模型，從而得出所研究的每個標記的估計值和標準誤差，因為標記的效應是期望的結果。
圖 5：GWAS 薈萃分析
從而輸出與小麥加工和最終用途品質性狀相關的重要元 QTL。
圖 6：多個品質性狀的顯著元標記性狀分析的曼哈頓圖
深入挖掘後，我們想知道 QTL 的影響，而不是單一 SNP，因此下一步是確定重要單倍型的影響。請注意，單倍型可以在映射之前確定，並用作映射的單位，但小麥具有龐大的、未完全參考的基因組，並且這種單倍型 GWAS 當時是不可行的。
因此，我們將基因型文件縮減為僅位於相似地區的顯著標記，並按地區和年份估計單倍型。
圖 7：單倍型估計路徑
圖 8：單倍型分析設置
在單倍型趨勢迴歸結果中，開啟單倍型頻率估計 (_hfr) 檔案。尋找佔材料 90% 的明顯區分的單倍型（其餘的可能是基因分型錯誤或非常罕見的單倍型）。記下單倍型數量和等位基因調用以供日後參考。
圖9：單倍型分析結果窗口
圖 10：需要新增用於元單倍型分析的檔案 (_hfr)
然後啟動單倍型趨勢迴歸，得到 SAS 輸出。在給定的地點或年份內尋找單倍型編號，並在 (_hfr) 文件中附加估計值和標準誤差。以新名稱儲存文件，以便對重要的單倍型進行統合分析。
圖11：單倍型趨勢迴歸的SAS輸出文件
透過對所有年份和所有表型中的顯著單倍型進行薈萃分析，我們能夠看到這些 QTL 對所有性狀的影響。
圖 12：單倍型薈萃分析路徑
因此，可以透過在文獻中搜尋已知和命名的 QTL 來進行候選基因推定，在單倍型邊界之間進行 BLAST 搜尋並研究可能影響目標性狀表達的基因。
結論
在JMP-Genomics中使用Meta-GWAS：
- 方法論支持在 JMP-Genomics 中進行元 GWAS。這是與 JMP-Genomics 團隊共同開發的，並且正在進行改進以更好地簡化流程。
- 在沒有結構化族群的育種計畫中，可以繪製昂貴且經濟上必要的性狀圖
- 這允許使用育種計劃中已經產生的額外數據
- Meta-GWAS 允許從頭檢測和推導育種計劃中目前存在的 QTL 的標記和單倍型
- 確定的效果估計值與未來幾年的育種計劃相關
