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 panifiable, mais la qualité de la transformation et de l’utilisation finale sont des éléments essentiels lorsqu’on envisage son utilisation pour nourrir la population croissante du siècle prochain. Les défis liés à l'amélioration des caractères de qualité d'utilisation finale comprennent son coût élevé et la quantité de graines à tester, cette dernière rendant impossible la sélection dans les populations de reproduction précoce. Nous décrivons ici une nouvelle approche pour identifier les associations marqueur-trait au sein d'un programme de sélection à l'aide d'une étude d'association à l'échelle du méta-génome (GWAS) utilisant JMP Genomics. Cette méthode combine l’analyse GWAS provenant de pépinières de sélection déséquilibrées sur plusieurs années, d’une manière reflétant le méta-GWAS dans la découverte de marqueurs de maladies humaines. Cette méthode a facilité la cartographie des phénotypes de qualité de transformation et d'utilisation finale des lignées de sélection avancées (n = 4 095) du programme de sélection de blé panifiable du CIMMYT de 2009 à 2014. À l'aide du méta-GWAS, nous avons identifié les associations marqueur-trait, 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 sélection dans de nombreuses cultures afin d’améliorer considérablement notre compréhension fonctionnelle des génomes végétaux.
Introduction:
Les études d'association à l'échelle du méta-génome (méta-GWAS) sont couramment utilisées dans les analyses génomiques humaines, s'appuyant sur la réplication allèle sur plusieurs études pour gagner en puissance.En sélection végétale et en recherche, ces analyses sont rares en raison de la capacité de répliquer des génotypes dans l’espace et dans le temps.Cependant, à l’ère du big data et où le coût des caractères est prohibitif pour le phénotype, cette méthode devient une alternative intéressante.
Méthodologie:
Les analyses GWAS sont depuis longtemps prises en charge dans JMP-Genomics.Des flux de travail faciles à suivre sont disponibles pour l'analyse QK ou la comptabilité GWAS pour la structure de la population et la parenté.
Figure 1 : Flux de travail du modèle mixte QK
La présente recherche visait à cartographier les loci ayant un impact sur les caractères de qualité du blé, qui ont été mesurés dans le cadre d'un vaste programme de sélection appliquée du blé.La cartographie structurelle des populations pour la qualité du blé n'est pas courante, car ces tests seraient très coûteux, prendraient de nombreuses années et se répéteraient, et nécessiteraient de grandes quantités de semences. Étant donné que la génération de données était axée sur la sélection axée sur le rendement, la qualité du blé étant coûteuse et constituant une priorité secondaire, les lignées ont été testées en une seule répétition par an, sur plusieurs années.Cela ne laissait aucune marge de liberté pour développer un modèle mixte QK standard.Cependant, de riches données étaient disponibles pour être exploitées en s'appuyant sur la réplication des allèles dans un méta-GWAS au fil des années.
Année de récolte
|
Total dans l'essai de rendement
|
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 :
- Utilisez une grande quantité de données générées par les sélectionneurs dans GWAS pour identifier les QTL ayant un impact sur la transformation et la qualité de l'utilisation finale dans le programme de sélection CIMMYT.
- Tirez parti d’un grand nombre de lignes non répliquées au fil des années à l’aide du modèle méta-GWAS.
Les premières matrices Q et K ont été résolues à partir des données de chaque année :
Figure 2 : APC sur la structure de la population de la matrice Q
Figure 3 : Carte thermique des relations cryptiques K-Matrix
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
Désormais, une méta-GWAS peut être appliquée sur toutes les années du site en exécutant une méta-analyse GWAS saisissant tous les fichiers (_qkm) dérivés de modèles mixtes QK individuels.Nous avons utilisé le modèle à effet fixe à variance inverse avec l'option de correction de tests multiples FDR, ce qui a abouti à une estimation et à une erreur standard pour chaque marqueur étudié, puisque l'effet du marqueur était le résultat souhaité.
Figure 5 : Méta-analyse GWAS
Il en résulte la production de méta-QTL significatifs pour la transformation du blé et les caractères de qualité d'utilisation finale.
Figure 6 : Graphiques de Manhattan d'analyses de traits métamarqueurs significatifs pour plusieurs caractères de qualité
En creusant plus profondément, nous voulions connaître l'effet des QTL, plutôt que des SNP uniques, l'étape suivante consistait donc à déterminer l'effet des haplotypes significatifs.Notez que les haplotypes pourraient être déterminés avant la cartographie et utilisés comme unité de cartographie, mais le blé a un GRAND génome, pas entièrement référencé, et cet haplotype GWAS n'était pas réalisable à l'époque.
Nous avons donc réduit le fichier de génotypes aux seuls marqueurs significatifs situés dans des régions similaires et estimé les haplotypes par région et par année.
Figure 7 : Chemin d’estimation des haplotypes
Figure 8 : configuration de l’analyse des haplotypes
Dans les résultats de la régression des tendances des haplotypes, ouvrez les fichiers d’estimations de fréquence des haplotypes (_hfr).Recherchez des haplotypes clairement différenciés qui constituent 90 % du matériel (le reste pourrait être constitué d'erreurs de génotypage ou d'haplotypes très rares).Prenez note du numéro d’haplotype et des appels d’allèles pour référence future.
Figure 9 : Fenêtre des résultats de l’analyse des haplotypes
Figure 10 : Fichier nécessaire (_hfr) qui sera ajouté pour l'analyse du méta-haplotype
Lancez ensuite la régression de tendance des haplotypes, qui aboutit à une sortie SAS.Recherchez le numéro d'haplotype dans le site ou l'année donné et ajoutez l'estimation et l'erreur standard dans le 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 des tendances des haplotypes
En appliquant une méta-analyse sur les haplotypes significatifs de toutes les années et dans tous les phénotypes, nous avons pu constater les effets de ces QTL sur tous les caractères.
Figure 12 : Chemin vers la méta-analyse des haplotypes
Ainsi, capable de postuler des gènes candidats en recherchant dans la littérature des QTL connus et nommés, BLAST recherche entre les limites des haplotypes et étudie les gènes susceptibles d'affecter l'expression du trait cible.
Conclusions
Utilisation de Meta-GWAS dans JMP-Genomics :
- La méthodologie est prise en charge pour réaliser des méta-GWAS dans JMP-Genomics. Celui-ci a été développé avec l'équipe JMP-Genomics et des améliorations sont mises en ligne pour mieux rationaliser le processus.
- La cartographie de 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 De novo détection et dérivation de marqueurs et d'haplotypes pour les QTL actuellement présents dans le programme de sélection
- Les estimations des effets déterminées sont pertinentes pour le programme de sélection sur plusieurs années
