Sarah Battenfield, PhD, ibrida Allevatore di grano, Syngenta
Astratto:
Molti programmi di miglioramento del grano si sono concentrati sull'aumento della resa del grano di frumento, ma la lavorazione e la qualità di utilizzo finale sono componenti critici quando si considera il suo uso nell'alimentazione della popolazione in aumento del prossimo secolo. Le sfide con i miglioramenti del tratto di qualità dell'uso finale includono il costo elevato e le quantità di semi da sottoporre a test, il che rende impossibile la selezione nelle popolazioni di allevamento precoce. Qui descriviamo un nuovo approccio per identificare le associazioni di marker-marker all'interno di un programma di allevamento usando uno studio di associazione a meta-genoma ampio (GWAS) usando JMP Genomics. Questo metodo combina l'analisi GWAS da vivai pluriannuali di allevamento non bilanciato, in modo da riflettere la meta-GWAS nella scoperta di marker di malattia umana. Questo metodo ha facilitato la mappatura dei fenotipi di qualità di elaborazione e di uso finale da linee di riproduzione avanzate (n = 4.095) del programma di selezione del frumento da pane CIMMYT dal 2009 al 2014. Usando il meta-GWAS, abbiamo identificato le associazioni marker-trait, gli effetti allelici e i geni candidati e possiamo selezionare l'uso di marcatori generati in questo processo. Infine, la portata di questo approccio può essere ampiamente applicata nella genomica riproduttiva assistita attraverso molte colture per aumentare notevolmente la nostra comprensione funzionale dei genomi delle piante.
Introduzione:
Gli studi di ampia associazione di meta-genoma (meta-GWAS) sono comunemente utilizzati nelle analisi genomiche umane, basandosi sulla replicazione allelica su diversi studi per ottenere energia. Nella selezione e nella ricerca di piante, queste analisi sono rare a causa della capacità di replicare i genotipi nello spazio e nel tempo. Tuttavia, in un'era di grandi dati e quando i tratti sono proibitivi per il fenotipo, questo metodo diventa un'alternativa interessante.
Metodologia:
Le analisi GWAS sono state a lungo supportate da JMP-Genomics. Flussi di lavoro facili da seguire sono disponibili per l'analisi QK, o GWAS per la struttura della popolazione e la parentela.
Figura 1: flusso di lavoro del modello misto QK
La presente ricerca era di mappare i loci che incidono sui tratti della qualità del grano, che sono stati misurati in un ampio programma di allevamento del frumento applicato. Le popolazioni di mappatura delle strutture per la qualità del grano non sono comuni, dal momento che questo test sarebbe molto costoso, richiedere molti anni e replicarsi e richiedere grandi quantità di semi. Dal momento che l'obiettivo della generazione dei dati è stato quello di migliorare la resa con la qualità del grano che è costosa e che serve come priorità secondaria, le linee sono state testate in una sola replica in un anno, attraversando diversi anni. Ciò non ha lasciato gradi di libertà per lo sviluppo di un modello misto QK standard. Tuttavia, erano disponibili dati ricchi da sfruttare sfruttando la replicazione allele in un meta-GWAS per anni.
Anno della vendemmia
|
Total in Yield Trial
|
Qualità testata e genotipizzata
|
2010
|
4.956
|
250
|
2011
|
6.685
|
995
|
2012
|
10.196
|
850
|
2013
|
9436
|
886
|
2014
|
7672
|
1.114
|
Totale
|
38.945
|
4.095
|
Tabella 1: voci disponibili in anni.
Pertanto, l'obiettivo era:
- Utilizzare una grande quantità di dati generatori di allevatori in GWAS per identificare l'elaborazione di impatto QTL e la qualità dell'uso finale nel programma di allevamento CIMMYT.
- Utilizzare grandi quantità di linee non replicate negli anni utilizzando il modello meta-GWAS.
Le prime matrici Q e K sono state risolte all'interno dei dati per ogni anno:
Figura 2: Struttura della popolazione Q-Matrix PCA
Figura 3: Mappa di calore di relazione criptica di K-Matrix
Successivamente, il modello misto QK è stato risolto ogni anno con l'applicazione della correzione di test multipli FDR:
Figura 4: Modello misto QK
Ora un meta-GWAS può essere applicato su tutti gli anni del sito eseguendo una meta-analisi GWAS inserendo tutti i file (_qkm) derivati dai singoli modelli misti QK. Abbiamo usato il modello a inversione-varianza, a effetti fissi con l'opzione di correzione di test multipli FDR, ottenendo una stima e un errore standard per ogni marcatore studiato, poiché l'effetto del marcatore era il risultato desiderato.
Figura 5: Meta-analisi GWAS
Risultato dell'output di meta-QTL significativo per la lavorazione del grano e i tratti di qualità finale.
Figura 6: Grafici di Manhattan di significative analisi del tratto di meta-marker per diversi tratti di qualità
Scavando più a fondo, volevamo sapere l'effetto del QTL, piuttosto che singoli SNP, quindi il passo successivo era determinare l'effetto degli aplotipi significativi. Nota: gli aplotipi potrebbero essere determinati prima della mappatura e usati come unità di mappatura, ma il grano ha un genoma LARGE, non completamente referenziato, e questo aplotipo GWAS non era fattibile al momento.
Quindi, abbiamo ridotto il file genotype ai soli marcatori significativi presenti in regioni simili e stimando gli aplotipi per regione e anno.
Figura 7: percorso stima Haplotype
Figura 8: impostazione Analisi Haplotype
Nei risultati della regressione della tendenza dell'aplotipo, aprire i file delle stime della frequenza dell'aplotype (_hfr). Cerca gli aplotipi chiaramente differenziati che costituiscono il 90% del materiale (il resto potrebbe essere errori nella genotipizzazione o aplotipi molto rari). Prendere nota del numero di haplotype e delle chiamate alleliche per riferimento futuro.
Figura 9: finestra dei risultati dell'analisi Haplotype
Figura 10: file necessario (_hfr) che verrà aggiunto per l'analisi meta-haplotype
Quindi avviare la regressione della tendenza aplotipo, che risulta nell'output SAS. Cerca il numero di haplotype all'interno del sito o dell'anno specificato e aggiungi la stima e l'errore standard nel file (_hfr). Salva il file con un nuovo nome per la meta-analisi degli aplotipi significativi.
Figura 11: file di output SAS di regressione di tendenza aplotipo
Applicando una meta-analisi sugli aplotipi significativi in tutti gli anni e in tutti i fenotipi, siamo stati in grado di vedere gli effetti di questi QTL su tutti i tratti.
Figura 12: percorso verso la meta-analisi aplotipo
Pertanto, è in grado di eseguire la postulazione del gene candidato ricercando nella letteratura la QTL nota e denominata, la ricerca BLAST tra i confini degli aplotipi e l'investigazione dei geni che possono influenzare l'espressione del tratto target.
conclusioni
Usando Meta-GWAS in JMP-Genomics:
- La metodologia è supportata per condurre meta-GWAS in JMP-Genomics. Questo è stato sviluppato con il team di JMP-Genomics e sono in corso miglioramenti per ottimizzare il processo.
- La mappatura dei caratteri costosi ed economicamente necessari è possibile nei programmi di allevamento senza popolazioni strutturate
- Ciò consente l'utilizzo aggiuntivo di dati già generati nel programma di allevamento
- Permette Meta-GWAS De novo rilevamento e derivazione di marcatori e aplotipi per QTL attualmente presenti nel programma di allevamento
- Le stime di effetto determinate sono rilevanti per il programma di allevamento per diversi anni
