什么是全基因组关联分析?(Genome-Wide Association Study,GWAS)
全基因组关联分析(GWAS)是一种在全基因组范围内搜索遗传变异(通常是单核苷酸多态性,SNP)与复杂性状之间关联的方法。
其核心思想是通过比较群体中不同个体的基因型与表型,识别出与目标性状显著相关的基因位点。GWAS基于连锁不平衡(LD)的原理,即相邻的遗传变异倾向于一起遗传,因此可以通过标记SNP间接捕获致病变异。
GWAS的应用场景
-
复杂性状解析:用于揭示控制复杂农艺性状(如产量、品质、抗病性等)的遗传基础,探索遗传学机理。
-
疾病抗性研究:发现与植物病害抗性相关的基因,为育种提供候选基因,其他性状也以此类推。
-
分子育种:辅助分子标记辅助选择(MAS)和基因组选择(GS)。
数据分析过程与原理
表型数据收集:精确、可靠的表型测定是关键。需在多环境、多重复下评估表型特征等数据,以减少环境误差。
基因型数据获取:利用SNP芯片或高通量测序技术获取全基因组SNP数据。
数据质量控制(QC)
-
标记过滤:删除缺失率高、次等位基因频率(MAF)低、偏离哈迪-温伯格平衡的SNP。 -
个体过滤:剔除基因型缺失率高或有杂合度异常的个体。
群体结构和亲缘关系分析
-
主成分分析(PCA):识别和校正群体结构。 -
STRUCTURE或ADMIXTURE分析:确定群体的组分。 -
亲缘关系矩阵(Kinship Matrix):估计个体间的亲缘关系。
关联分析模型构建
一般线性模型(GLM):y=Xβ+ϵ
-
y:表型值向量 -
X:基因型矩阵 -
β:效应量向量 -
ϵ:误差项
GLM未考虑群体结构易产生假阳性
混合线性模型(MLM):y=Xβ+Zu+ϵ
-
Z:随机效应的设计矩阵 -
u:随机效应向量,通常包括亲缘关系
MLM同时考虑了群体结构和亲缘关系,降低了假阳性率。
混合线性模型的原理
在全基因组关联分析(GWAS)中,混合线性模型(MLM)是一种广泛应用的统计方法,用于控制群体结构和亲缘关系对关联分析的干扰。MLM通过同时考虑固定效应和随机效应,提高了关联分析的准确性和可靠性。
基本概念
-
固定效应(Fixed Effects):指感兴趣的因素,其效应是固定的、可重复的。在GWAS中,通常是SNP的基因型效应和群体结构等协变量。 -
随机效应(Random Effects):指来自总体的随机样本,其效应是随机的、不可重复的。在GWAS中,个体间的亲缘关系被视为随机效应。
模型构建
MLM的基本形式:y=Xβ+Zu+ϵ
-
y:表示个体的表型值(向量长度与个体数相同) -
x:固定效应矩阵,包括截距、SNP基因型和协变量(例如群体结构等组分) -
β:固定效应系数向量,通过统计估计计算而得 -
Z:随机效应矩阵,通常为亲缘关系矩阵 -
u:随机效应向量,服从正态分布 -
ϵ:残差向量
固定效应部分(𝑋β):解释了SNP基因型和协变量对表型的线性效应。
随机效应部分(𝑍𝑢):捕捉了个体间由于亲缘关系导致的表型相似性。
误差项(𝜖):无法解释的随机误差。
亲缘关系矩阵(Kinship Matrix)
描述了个体间的遗传相似性,通常通过基因型数据计算,公式如下:
公式左边K表示个体的亲缘关系系数,m表示总的SNP数量,g表示SNP等位基因的编码,p表示SNP等位基因的频率。
举例
用一个简单的示例来解释吧,假设我们有一个研究,目标是寻找影响植物株高的基因位点。我们有10个样本,每个样本都有测量的高度和一个SNP的基因型数据。例如1号样本株高121CM,SNP基因型为0,2号样本株高97CM,SNP基因型为1
接下来构建一个模型,包括固定效应(由SNP引起的基因型效应)和随机效应(由个体亲缘关系引起的效应)
Step 1:构建固定效应设计矩阵𝑋
第一列为截距项,第二列为SNP基因型编码,这是一个10行2列行矩阵。
Step 2:计算亲缘关系矩阵𝐾
由于示例样本简单数量少,我们假设个体间的亲缘关系均等,即𝐾为单位矩阵(每个元素都为1的矩阵,10行×10列单位矩阵)
Step 3:应用MLM进行分析
使用软件(如R中的lme4包)进行参数估计,得到效应的估计值。
结果解释
固定效应估计:截距项是植株的基础高度,SNP效应是斜率,固定效应部分告诉我们,SNP基因型与植物高度之间是否存在关联。随机效应部分控制了个体间由于遗传背景相似性导致的高度相似,避免将这种相似性误认为是SNP的效应。
混合线性模型(MLM)在GWAS中起着关键作用,通过同时考虑固定效应和随机效应,MLM能够有效地控制群体结构和亲缘关系对关联分析的干扰。理解MLM的原理和细节,有助于研究者正确应用该模型,提高关联分析的准确性。
多重检验校正
-
Bonferroni校正:严格控制假阳性,但过于保守。 -
FDR(False Discovery Rate)控制:如Benjamini-Hochberg方法,平衡了假阳性和假阴性。
结果可视化和解释
曼哈顿图:展示每个SNP的关联显著性,直观识别显著关联区域。
QQ图(Quantile-Quantile Plot):评估模型是否存在系统性偏差。
候选基因挖掘
-
连锁不平衡块分析:确定显著SNP所在的LD区域。
-
基因注释和功能预测:结合基因组注释,筛选可能的候选基因。 -
生物学验证:通过qPCR、基因编辑等手段验证候选基因功能。
注意事项
样本量和统计功效:足够大的样本量有助于检测小效应基因。
环境互作效应:考虑基因×环境(G×E)互作,提高关联分析的准确性。
遗传背景复杂性:在多倍体植物如小麦中,基因组复杂,需要更精细的分析方法。
GWAS的优点
-
高通量性:能够在全基因组范围内同时分析数百万个SNP。 -
无偏见性:无需预先设定候选基因或区域,具有探索性。 -
高分辨率:在连锁不平衡的基础上,可以精细定位关联信号。
GWAS的缺点
-
多重检验问题:大量的统计检验增加了假阳性率,需要严格的校正,降低了检测功效。 -
群体结构干扰:未校正的群体结构可能导致假关联。 -
效应大小限制:对小效应等位基因的检测能力有限,需更大样本量。
GWAS是一种强有力的工具,可用于关键基因的挖掘。然而,其有效性取决于高质量的表型和基因型数据、适当的统计模型以及对多重检验和群体结构的校正。理解其原理、优势和局限性,有助于更有效地设计研究、解释结果,并将发现应用于实际育种中。
参考文献:
Yu et al., 2006. A unified mixed-model method for association mapping that accounts for multiple levels of relatedness.
Price et al., 2006. Principal components analysis corrects for stratification in genome-wide association studies.
Wang et al., 2014. Genomic association mapping of quantitative traits in plants.
Yu, J., et al. (2006). A unified mixed-model method for association mapping that accounts for multiple levels of relatedness. Nature Genetics, 38(2), 203-208.
Zhang, Z., et al. (2010). Mixed linear model approach adapted for genome-wide association studies. Nature Genetics, 42(4), 355-360.
Bradbury, P. J., et al. (2007). TASSEL: software for association mapping of complex traits in diverse samples. Bioinformatics, 23(19), 2633-2635.
Lipka, A. E., et al. (2012). GAPIT: genome association and prediction integrated tool. Bioinformatics, 28(18), 2397-2399.
本文由 mdnice 多平台发布