Sarah Battenfield, PhD, obtentor híbrido de trigo, Syngenta
Resumen:
Muchos programas de mejoramiento de trigo se han centrado en aumentar el rendimiento del trigo harinero, pero la calidad de procesamiento y uso final son componentes críticos cuando se considera su uso para alimentar a la creciente población del próximo siglo. Los desafíos con las mejoras en los rasgos de calidad de uso final incluyen su alto costo y la cantidad de semillas para las pruebas, lo que hace que la selección en poblaciones de reproducción temprana sea imposible. Aquí describimos un enfoque novedoso para identificar asociaciones marcador-rasgo dentro de un programa de reproducción utilizando un estudio de asociación de meta-genoma amplio (GWAS) utilizando JMP Genomics. Este método combina el análisis GWAS de viveros de reproducción desequilibrados de varios años, de una manera que refleja la meta-GWAS en el descubrimiento de marcadores de enfermedades humanas. Este método facilitó el mapeo de fenotipos de calidad de procesamiento y uso final a partir de líneas de mejoramiento avanzado (n = 4,095) del programa de mejoramiento de trigo harinero del CIMMYT de 2009 a 2014. Usando meta-GWAS, identificamos asociaciones marcador-rasgo, efectos de alelo y genes candidatos, y podemos seleccionar usando marcadores generados en este proceso. Finalmente, el alcance de este enfoque puede aplicarse ampliamente en la genómica asistida por el mejoramiento genético en muchos cultivos para aumentar en gran medida nuestra comprensión funcional de los genomas de plantas.
Introducción:
Los estudios de asociación amplia de meta-genoma (meta-GWAS) se utilizan comúnmente en los análisis genómicos humanos, y se basan en la replicación de alelos en varios estudios para obtener poder. En el fitomejoramiento y la investigación, estos análisis son infrecuentes debido a la capacidad de replicar genotipos en el espacio y el tiempo. Sin embargo, en una era de big data y cuando los rasgos tienen un costo prohibitivo para el fenotipo, este método se convierte en una alternativa interesante.
Metodología:
Los análisis GWAS han sido soportados durante mucho tiempo en JMP-Genomics. Los flujos de trabajo fáciles de seguir están disponibles para el análisis QK o la contabilidad GWAS para la estructura de la población y el parentesco.
Figura 1: Flujo de trabajo de modelo mixto QK
La presente investigación consistió en mapear los loci que impactan los rasgos de calidad del trigo, que se midieron en un gran programa de mejoramiento de trigo aplicado. Las poblaciones de mapeo de estructuras para la calidad del trigo no son comunes, ya que estas pruebas serían muy costosas, tomarían muchos años y repeticiones y requerirían grandes cantidades de semillas. Dado que el foco de la generación de datos fue la mejora del rendimiento, ya que la calidad del trigo es costosa y sirve como una prioridad secundaria, las líneas se probaron en una sola réplica en un año, cruzando varios años. Esto no dejó ningún grado de libertad para desarrollar un modelo mixto QK estándar. Sin embargo, los datos ricos estaban disponibles para ser explotados basándose en la replicación de alelos en un meta-GWAS a través de los años.
Año de cosecha
|
Total en prueba de rendimiento
|
Calidad probada y genotipada
|
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
|
Tabla 1: Entradas disponibles a través de los años.
Así, el objetivo era:
- Utilice una gran cantidad de datos generados por el obtentor en GWAS para identificar QTL que afecta el procesamiento y la calidad del uso final en el programa de mejoramiento del CIMMYT.
- Aproveche grandes cantidades de líneas que no se replican en años usando el modelo meta-GWAS.
Las primeras matrices Q y K se resolvieron dentro de los datos de cada año:
Figura 2: Estructura de la población de la matriz Q, PCA
Figura 3: Mapa de calor de la relación críptica K-Matrix
A continuación, el modelo mixto QK se resolvió cada año con la aplicación de la corrección de prueba múltiple FDR:
Figura 4: Modelo mixto QK
Ahora se puede aplicar un meta-GWAS en todos los años del sitio ejecutando un Meta-Análisis de GWAS ingresando todos los archivos (_qkm) derivados de modelos QK Mixtos individuales. Utilizamos el modelo de efectos fijos de variación inversa con la opción de corrección de prueba múltiple FDR, que resultó en una estimación y error estándar para cada marcador estudiado, ya que el efecto deseado fue el efecto del marcador.
Figura 5: GWAS Meta-Analysis
El resultado es un resultado significativo de meta-QTL para el procesamiento de trigo y rasgos de calidad de uso final.
Figura 6: Diagramas de Manhattan de análisis de rasgos de marcadores meta significativos para varios rasgos de calidad
Al profundizar, queríamos saber el efecto de la QTL, en lugar de los SNP individuales, por lo que el siguiente paso fue determinar el efecto de haplotipos significativos. Tenga en cuenta que los haplotipos podrían determinarse antes del mapeo y usarse como la unidad de mapeo, pero el trigo tiene un genoma GRANDE, que no está completamente referenciado, y este haplotipo GWAS no era factible en ese momento.
Por lo tanto, redujimos el archivo de genotipos a solo los marcadores significativos que estaban en regiones similares y estimamos los haplotipos por región y año.
Figura 7: Ruta de estimación de haplotipos
Figura 8: Configuración de análisis de haplotipos
En los Resultados de la regresión de tendencias de haplotipos, abra los archivos de estimaciones de frecuencia de haplotipos (_hfr). Busque los haplotipos claramente diferenciados que constituyen el 90% del material (el resto podría ser errores en la genotipificación o haplotipos muy raros). Tome nota del número de haplotipo y las llamadas de alelos para futuras referencias.
Figura 9: Ventana de resultados del análisis de haplotipos
Figura 10: Archivo necesario (_hfr) que se agregará para el análisis de meta-haplotipos
A continuación, inicie la regresión de tendencias de haplotipos, lo que da como resultado una salida de SAS. Busque el número de haplotipo dentro del sitio o año dado y agregue la estimación y el error estándar en el archivo (_hfr). Guarde el archivo con el nuevo nombre para el metanálisis de los haplotipos significativos.
Figura 11: archivo de salida SAS de regresión de tendencias de haplotipos
Aplicando un metanálisis sobre los haplotipos significativos en todos los años y en todos los fenotipos pudimos ver los efectos de estos QTL en todos los rasgos.
Figura 12: Ruta al metaanálisis de haplotipos
Por lo tanto, capaces de realizar la postulación de genes candidatos mediante la búsqueda en la literatura de QTL conocidos y denominados, la búsqueda BLAST entre los límites de los haplotipos e investigar los genes que puedan afectar la expresión del rasgo objetivo.
Conclusiones
Usando Meta-GWAS en JMP-Genomics:
- La metodología es compatible para realizar meta-GWAS en JMP-Genomics. Esto se desarrolló con el equipo de JMP-Genomics y se están implementando mejoras para optimizar el proceso.
- El mapeo de rasgos costosos y económicamente necesarios es posible en programas de mejoramiento sin poblaciones estructuradas
- Esto permite el uso adicional de los datos ya generados en el programa de reproducción.
- Meta-GWAS permite De novo Detección y derivación de marcadores y haplotipos para QTL actualmente presentes en el programa de mejoramiento.
- Las estimaciones de efectos determinadas son relevantes para el programa de reproducción durante varios años.
