Sarah Battenfield 博士，雜交小麥育種家，先正達
抽象的：
許多小麥育種計劃的重點是提高麵包小麥產量，但在考慮將其用於餵養下世紀不斷增長的人口時，加工和最終使用品質是關鍵組成部分。 最終使用品質性狀改進的挑戰包括其高成本和用於測試的種子數量，後者使得在早期育種群體中進行選擇變得不可能。 在這裡，我們描述了一種利用 JMP Genomics 進行元基因組廣泛關聯研究 (GWAS) 來識別育種計劃中標記-性狀關聯的新方法。 該方法結合了多年不平衡育種苗圃的 GWAS 分析，反映了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 麵包小麥育種計劃的先進育種系 (n=4,095) 的加工和最終使用品質表型。 使用meta-GWAS，我們識別了標記-性狀關聯、等位基因效應和候選基因，並且可以使用在此過程中產生的標記進行選擇。 最後，這種方法的範圍可以廣泛應用於許多作物的育種輔助基因組學，以大大增加我們對植物基因組功能的理解。
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力量。在植物育種和研究中，由於能夠在空間和時間上複製基因型，這些分析並不常見。然而，在大數據時代，當性狀對於表型來說成本過高時，這種方法就成為一個有趣的替代方案。
方法：
JMP-Genomics 長期以來一直支持 GWAS 分析。易於遵循的工作流程可用於 QK 分析或人口結構和親屬關係的 GWAS 核算。
圖 1：QK 混合模型工作流程
目前的研究是繪製影響小麥品質性狀的基因座圖譜，這些基因座是在大型應用小麥育種計劃中測量的。小麥品質的結構繪圖並不常見，因為這種測試非常昂貴，需要多年的時間和重複，並且需要大量的種子。 由於資料產生的重點是育種產量，而小麥品質昂貴且是次要優先事項，因此這些品系一年內僅進行一次重複測試，跨越數年。這使得開發標準 QK 混合模型沒有自由度。然而，多年來，依靠元 GWAS 中的等位基因複製，可以利用豐富的數據。
豐收年
|
試驗總產量
|
品質測試和基因分型
|
2010年
|
4,956
|
250
|
2011年
|
6,685
|
995
|
2012年
|
10,196
|
850
|
2013年
|
9,436
|
第886章
|
2014年
|
7,672
|
1,114
|
全部的
|
38,945
|
4,095
|
表 1：各年份可用的條目。
因此，目標是：
- 使用 GWAS 中育種者產生的大量數據來識別影響 CIMMYT 育種計劃中的加工和最終使用品質的 QTL。
- 利用元 GWAS 模型利用多年來未複製的大量產品線。
第一個 Q 和 K 矩陣在每年的資料中求解：
圖 2：Q 矩陣總體結構 PCA
圖 3：K 矩陣隱密關係熱圖
接下來，應用 FDR 多重檢定校正，在每年內求解 QK 混合模型：
圖 4：QK 混合模型
現在，透過執行 GWAS 元分析並輸入從各個 QK 混合模型派生的所有 (_qkm) 文件，元 GWAS 可以應用於所有站點年份。我們使用 FDR 多重檢定校正選項的逆方差、固定效應模型，得出所研究的每個標記的估計值和標準誤差，因為標記的效果是期望的結果。
圖 5：GWAS 薈萃分析
產生用於小麥加工和最終用途品質性狀的重要元 QTL。
圖 6：幾個質量性狀的顯著元標記性狀分析的曼哈頓圖
更深入地挖掘，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，單倍型可以在作圖之前確定，並用作作圖的單位，但小麥的基因組很大，沒有完全參考，這種單倍型 GWAS 在當時是不可行的。
因此，我們將基因型檔案減少到僅包含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% 的明顯差異化的單倍型（其餘部分可能是基因分型錯誤或非常罕見的單倍型）。記下單倍型編號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：將新增用於元單倍型分析所需的檔案 (_hfr)
然後啟動單倍型趨勢回歸，從而產生 SAS 輸出。尋找給定站點或年份內的單倍型編號，並在 (_hfr) 文件中附加估計值和標準誤差。使用新名稱儲存文件，以便對重要單倍型進行薈萃分析。
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重要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，能夠透過在文獻中搜尋已知和命名的 QTL 來進行候選基因假設，在單倍型邊界之間進行 BLAST 搜索，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：
- JMP-Genomics 支援執行元 GWAS 的方法。 這是與 JMP-Genomics 團隊共同開發的，並且正在進行線上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
- 這允許額外使用育種計劃中已產生的數據
- Meta-GWAS 允許從頭檢測和推導目前育種計劃中存在的 QTL 標記和單倍型
- 確定的效果估計與數年的育種計劃相關
