Sarah Battenfield, PhD, Hybridweizenzüchterin, Syngenta
Abstrakt:
Viele Weizenzüchtungsprogramme haben sich auf die Steigerung des Brotweizenertrags konzentriert, aber die Verarbeitung und die Qualität der Endverwendung sind entscheidende Komponenten, wenn es darum geht, die wachsende Bevölkerung des nächsten Jahrhunderts zu ernähren. Zu den Herausforderungen bei Qualitätsmerkmalsverbesserungen im Endverbrauch gehören die hohen Kosten und die hohen Samenmengen für Tests, wobei letztere eine Selektion in frühen Zuchtpopulationen unmöglich machen. Hier beschreiben wir einen neuartigen Ansatz zur Identifizierung von Marker-Merkmal-Assoziationen innerhalb eines Zuchtprogramms mithilfe einer metagenomweiten Assoziationsstudie (GWAS) unter Verwendung von JMP Genomics. Diese Methode kombiniert GWAS-Analysen aus mehrjährigen, unausgeglichenen Zuchtgärten auf eine Art und Weise, die Meta-GWAS bei der Entdeckung menschlicher Krankheitsmarker widerspiegelt. Diese Methode erleichterte die Kartierung von Verarbeitungs- und Endnutzungsqualitätsphänotypen aus fortgeschrittenen Zuchtlinien (n=4.095) des CIMMYT-Brotweizenzuchtprogramms von 2009 bis 2014. Mithilfe von Meta-GWAS haben wir Marker-Merkmals-Assoziationen, Alleleffekte und Kandidatengene identifiziert und können anhand der in diesem Prozess generierten Marker auswählen. Schließlich kann der Umfang dieses Ansatzes in der züchtungsgestützten Genomik bei vielen Nutzpflanzen umfassend angewendet werden, um unser funktionelles Verständnis von Pflanzengenomen erheblich zu verbessern.
Einführung:
Meta-Genome Wide Association Studies (Meta-GWAS) werden häufig in humanen Genomanalysen eingesetzt und basieren auf der Allelreplikation über mehrere Studien, um an Aussagekraft zu gewinnen.In der Pflanzenzüchtung und -forschung sind diese Analysen aufgrund der Möglichkeit, Genotypen über Raum und Zeit zu reproduzieren, ungewöhnlich.In Zeiten großer Datenmengen und wenn die Kosten für die Phänotypisierung von Merkmalen jedoch unerschwinglich sind, wird diese Methode jedoch zu einer interessanten Alternative.
Methodik:
GWAS-Analysen werden in JMP-Genomics seit langem unterstützt.Für die QK-Analyse oder die GWAS-Buchhaltung für Bevölkerungsstruktur und Verwandtschaft stehen leicht verständliche Arbeitsabläufe zur Verfügung.
Abbildung 1: QK Mixed Model Workflow
Ziel der vorliegenden Forschung war es, Orte zu kartieren, die Auswirkungen auf die Weizenqualitätsmerkmale haben, die in einem großen, angewandten Weizenzüchtungsprogramm gemessen wurden.Strukturkartierungen von Populationen zur Bestimmung der Weizenqualität sind nicht üblich, da diese Tests sehr teuer wären, viele Jahre dauern und wiederholt werden müssten und große Mengen an Saatgut erfordern würden. Da der Schwerpunkt der Datengenerierung auf der Ertragszucht lag und die Weizenqualität teuer war und zweitrangig war, wurden die Linien nur in einer Wiederholung in einem Jahr und über mehrere Jahre hinweg getestet.Dies ließ keine Freiheitsgrade für die Entwicklung eines standardmäßigen gemischten QK-Modells.Es standen jedoch umfangreiche Daten zur Verfügung, die auf der Grundlage der Allelreplikation in einem Meta-GWAS über Jahre hinweg ausgewertet werden konnten.
Erntejahr
|
Gesamt im Ertragsversuch
|
Qualitätsgeprüft und genotypisiert
|
2010
|
4.956
|
250
|
2011
|
6.685
|
995
|
2012
|
10.196
|
850
|
2013
|
9.436
|
886
|
2014
|
7.672
|
1.114
|
Gesamt
|
38.945
|
4.095
|
Tabelle 1: Verfügbare Einträge über die Jahre hinweg.
Das Ziel bestand also darin:
- Nutzen Sie große Mengen von Züchtern generierter Daten in GWAS, um QTL zu identifizieren, die sich auf die Verarbeitung und Endverwendungsqualität im CIMMYT-Zuchtprogramm auswirken.
- Nutzen Sie mithilfe des Meta-GWAS-Modells große Mengen an Leitungen, die über Jahre hinweg nicht repliziert wurden.
Die ersten Q- und K-Matrizen wurden innerhalb der Daten für jedes Jahr gelöst:
Abbildung 2: Q-Matrix-Bevölkerungsstruktur PCA
Abbildung 3: K-Matrix Cryptic Relationship Heatmap
Als nächstes wurde das gemischte QK-Modell jedes Jahr unter Anwendung der FDR-Mehrfachtestkorrektur gelöst:
Abbildung 4: QK-Mischmodell
Jetzt kann ein Meta-GWAS über alle Standortjahre hinweg angewendet werden, indem eine GWAS-Metaanalyse ausgeführt wird, bei der alle (_qkm) Dateien eingegeben werden, die von einzelnen gemischten QK-Modellen abgeleitet wurden.Wir verwendeten das Inverse-Varianz-Modell mit festem Effekt und der FDR-Korrekturoption für mehrere Tests, was zu einer Schätzung und einem Standardfehler für jeden untersuchten Marker führte, da der Effekt des Markers das gewünschte Ergebnis war.
Abbildung 5: GWAS-Metaanalyse
Dies führt zur Ausgabe signifikanter Meta-QTL für die Weizenverarbeitung und Qualitätsmerkmale für die Endverwendung.
Abbildung 6: Manhattan-Diagramme signifikanter Metamarker-Merkmalsanalysen für mehrere Qualitätsmerkmale
Als wir tiefer gruben, wollten wir die Wirkung des QTL und nicht einzelner SNPs kennen. Daher bestand der nächste Schritt darin, die Wirkung signifikanter Haplotypen zu bestimmen.Beachten Sie, dass Haplotypen vor der Kartierung bestimmt und als Kartierungseinheit verwendet werden konnten, aber Weizen hat ein GROßES, nicht vollständig referenziertes Genom, und dieser Haplotyp GWAS war zu diesem Zeitpunkt nicht realisierbar.
Daher haben wir die Genotypdatei nur auf die signifikanten Marker reduziert, die sich in ähnlichen Regionen befanden, und die Haplotypen nach Region und Jahr geschätzt.
Abbildung 7: Haplotyp-Schätzpfad
Abbildung 8: Einrichtung der Haplotyp-Analyse
Öffnen Sie in den Ergebnissen der Haplotyp-Trendregression die Dateien mit Haplotyp-Häufigkeitsschätzungen (_hfr).Suchen Sie nach klar differenzierten Haplotypen, die 90 % des Materials ausmachen (der Rest könnte Fehler in der Genotypisierung oder sehr seltene Haplotypen sein).Notieren Sie sich die Haplotypnummer und die Allelaufrufe zur späteren Bezugnahme.
Abbildung 9: Fenster mit den Ergebnissen der Haplotyp-Analyse
Abbildung 10: Benötigte Datei (_hfr), die für die Meta-Haplotyp-Analyse hinzugefügt wird
Starten Sie dann die Haplotyp-Trendregression, die zur SAS-Ausgabe führt.Suchen Sie nach der Haplotypnummer innerhalb des angegebenen Standorts oder Jahres und fügen Sie die Schätzung und den Standardfehler in die Datei (_hfr) ein.Speichern Sie die Datei unter neuem Namen für die Metaanalyse der signifikanten Haplotypen.
Abbildung 11: SAS-Ausgabedatei der Haplotyp-Trendregression
Durch die Anwendung einer Metaanalyse der signifikanten Haplotypen in allen Jahren und in allen Phänotypen konnten wir die Auswirkungen dieser QTL auf alle Merkmale erkennen.
Abbildung 12: Pfad zur Haplotyp-Metaanalyse
Somit ist es möglich, Kandidatengene zu postulieren, indem man die Literatur nach bekannten und benannten QTL durchsucht, BLAST-Suchen zwischen Haplotypgrenzen durchführt und Gene untersucht, die wahrscheinlich die Expression des Zielmerkmals beeinflussen.
Schlussfolgerungen
Verwendung von Meta-GWAS in JMP-Genomics:
- Die Methodik zur Durchführung von Meta-GWAS in JMP-Genomics wird unterstützt. Dies wurde mit dem JMP-Genomics-Team entwickelt und es werden online Verbesserungen vorgenommen, um den Prozess noch effizienter zu gestalten.
- Die Kartierung teurer und wirtschaftlich notwendiger Merkmale ist in Zuchtprogrammen ohne strukturierte Populationen möglich
- Dies ermöglicht die zusätzliche Nutzung bereits im Zuchtprogramm generierter Daten
- Meta-GWAS ermöglicht De novo Erkennung und Ableitung von Markern und Haplotypen für QTL, die derzeit im Zuchtprogramm vorhanden sind
- Die ermittelten Wirkungsschätzungen sind für mehrjährige Zuchtprogramme relevant
