数量性状位点(QTL)分析

定量特征轨迹（QTL)分析是一种将表型数据(性状测量)和基因型数据(通常是分子标记)两种类型的信息联系起来的统计方法，试图解释复杂性状变异的遗传基础(Falconer & Mackay, 1996;Kearsey, 1998;林奇和沃尔什，1998)。QTL分析可以让研究人员在农业、进化以及将某些复杂的表型与染色体的特定区域联系起来的医学。这个过程的目标是确定行动，交互这些区域的数量和精确位置。

图1:定量性状位点映射。

a)数量性状位点(QTL)定位需要亲本品系(红色和蓝色图)在遗传上与该性状不同，例如通过发散的人工选择产生的品系。b)亲本系交叉产生F1个体(图中未显示)，然后它们之间交叉产生F2个体，或与亲本系之一交叉产生回交后代。这两种杂交所产生的个体或品系都含有不同亲本系基因组的不同部分。评估这些重组个体或品系的表型，以及亲本品系之间差异的标记的基因型。c)统计技术，如复合区间映射，评估一个标记或两个标记之间的区间与影响性状的QTL相关的概率，同时控制其他标记对性状的影响。这种分析的结果以重组单位(cM)表示为测试统计量对染色体图位置的图。标记的位置显示为三角形。水平线表示显著性阈值。高于这条线的似然比正式意义上是显著的，由最高显著似然比对应的染色体位置给出QTL位置的最佳估计。因此，该图显示了5个可能的QTL，支持最好的QTL在10和60 cM左右。

©2001自然出版集团麦基，t.f.果蝇．自然评论遗传学 2，13(2001)。版权所有。

细节图

为了开始QTL分析，科学家需要两件事。首先，他们需要两种或两种以上与感兴趣性状基因不同的生物菌株。例如，他们可能会选择线路固定为不同的等位基因影响蛋尺寸(一大一小)。其次，研究人员还需要区分这些亲本系的遗传标记。分子标记是基因分型的首选，因为这些标记不太可能影响感兴趣的性状。几种类型的标记使用，包括单一核苷酸多态性,简单序列重复(SSRs，或微卫星)，限制性片段长度多态性(RFLPs)，以及转座因子职位(Casaet al。, 2000;Vignalet al。, 2002;Gupta & russtgi, 2004;亨利,2006)。然后对亲本品系进行QTL分析，得到杂合的(F₁)个体，然后这些个体被交叉使用许多不同的方案之一(Darvasi, 1998)。最后，对衍生的表型和基因型(F₂）人口是得分。与影响感兴趣性状的QTL基因相关的标记将更频繁地与性状值分离(在我们的例子中，卵大小大或小)，而未相关的标记将不显示与感兴趣性状的显著关联表型(图1)。

对于由数十或数百个基因控制的性状基因，亲本系对于所讨论的表型并不需要实际不同;相反，它们必须简单地包含不同的等位基因，然后由复合在派生种群中产生一系列的表型值。例如，考虑一个由四个基因控制的性状，其中大写的等位基因会增加该性状的价值，小写的等位基因会降低该性状的价值。在这里，如果四种基因的等位基因的效果相似，那么具有AABBccdd和aabbCCDD基因型可能具有大致相同的表型。F₁代(AaBbCcDd)将是不变的，并将具有中间表型。然而，F₂一代，或者说后代从一个回交F的₁有父母任何一方的人变量．F₂后代会有0到8个大写的等位基因;回交后代会有4到8个大写的等位基因。

QTL分析的一个主要目标是回答表型差异主要是由于几个影响相当大的位点造成的，还是许多影响很小的位点造成的。看来，许多数量性状的表型变异的很大一部分可以用很少的大效应位点来解释，其余的则是由于大量的小效应位点(Remington & Purugganan, 2003;麦凯,2004;每年,2007)。例如，在驯化水稻中(栽培稻)，花期研究已确定6个QTL;前五个QTL效应的总和解释了该性状84%的变异(Yanoet al。, 1997;山本et al。， 1998, 2000)。一旦确定了QTL，就可以利用分子技术将QTL缩小到候选基因(这一过程将在本文后面描述)。在这些分析中，一个重要的新趋势是调节基因或编码基因的突出作用转录因子和其他信号蛋白。例如，在水稻中，已经在分子水平上确定了三个开花时间QTL，所有这些位点都编码了从研究中已知的调控蛋白拟南芥(Remington & Purugganan, 2003)。

一个荟萃分析对猪和乳制品的大量数据的研究发现，QTL效应倾向于较少且影响较大的QTL (Hayes和Goddard 2001)。Orr(2001)提出了定义和区分“大”和“小”效应的问题。和所有的统计分析一样，样本规模是一个关键因素。小样本量可能无法检测到小效应的QTL，并导致高估那些被识别的QTL的效应量(Beavis 1994,1997)。这就是所谓的“Beavis效应”。Otto和Jones(2000)提出了一种将检测到的QTL与期望值分布进行比较的方法，以估计可能遗漏了多少位点。最近的研究已将这些偏见考虑在内(如。Albert et al. 2007)。

在跨性状和分类单元观察QTL的另一个一致趋势是，表型经常受到各种相互作用的影响(例如，性别基因型、环境基因型和上位性QTL之间的相互作用)，尽管并非所有的QTL研究都旨在检测这种相互作用。事实上，果蝇有几个复杂的特征黑腹果蝇已被广泛分析，这项研究表明，这种相互作用的影响是普遍的(Mackay, 2001,2004)。例如，详细检查寿命在d .腹揭示了许多基因的影响长寿(Nuzhdinet al。, 2005;威尔逊et al。, 2006)。此外，重要的主导地位据报道，对寿命、上位性和环境基因型的影响也有报道(Leips & Mackay, 2002;《福布斯》et al。, 2004)。类似地，QTL研究检测了玉米和大刍草之间的植物结构差异，多次显示出显著的上位性相互作用(Doebleyet al。, 1995;Lauter & Doebley, 2002)。这些相同类型的相互作用在大豆中也得到了证实(Larket al。, 1995)。

也可以使用杂交、兄弟姐妹(半兄弟姐妹或全兄弟姐妹家庭)和/或对未经操纵的自然群体进行QTL分析血统信息(Lynch & Walsh, 1998;莫特et al。, 2000;板岩,2005)。利用这些工具已经解决了各种生态和进化问题。例如，Shaw和同事(2007)在两个密切相关的雄性鸣叫之间发现了多个与差异相关的QTL物种夏威夷蟋蟀的一种特征物种形成．同样，Baack和同事(2008)探讨了可能性的问题基因流在对比鲜明的环境中，使用作物-向日葵杂交，进行驯化作物及其野生亲缘种之间的研究。环境和保护问题也得到了探讨。例如，Weinig和同事(2007)研究了各种影响基因座侵入性的而Pauwels和同事(2008)回顾了围绕植物耐重金属暴露QTL的问题，这些问题可能有助于污染土壤的植物修复。

和大多数方法一样，QTL分析也有局限性。例如，QTL研究需要非常大的样本量，而且他们只能绘制最初亲本品系之间捕捉到的差异。因为这些菌株不太可能被控制隔离在自然种群中，每个位点上影响较大的等位基因会导致种群变异，有些位点不会被检测到。此外，特别是在自交系中分离的特定等位基因可能与自然种群无关。然而，这些相同位点上的其他等位基因可能会引起人们的兴趣。因此，许多研究的目标是识别位点，而不是特定的等位基因。(一个值得注意的例外领域涉及医学和农业的应用研究，这些研究通常对特定的分离等位基因感兴趣)。

单个基因在一个QTL之后被识别的次数映射研究规模仍然很小。的确，Roff(2007)列举了单基因起主要作用的数量性状的例子，并对其分子基础进行了研究。他指出，相对于投入在QTL研究上的努力，这个数字是适度的。造成这种差异的一个原因是许多QTL映射到基因组的区域基因组这些区域通常包含多个影响同一性状的基因座(然而，参见Price, 2006)。此外，确定影响a的实际基因座定量特征包括使用技巧来证明因果关系定位克隆(见Clee等.， 2006)，其次是targeted基因替换(见沙利文等, 1997)。通常情况下，QTL中单个基因的寻找是由基因的识别来辅助的先天的候选基因使用经典反向遗传学或生物信息学．之间的函数关系候选基因然后必须证明QTL，如使用功能互补(野生型的加入互补DNA从有问题的基因到核挽救…的损失函数突变或者产生另一种表型;比如，弗瑞等, 2000)。其他技术，例如缺陷映射(删除映射)，可用于特定的生物，包括果蝇(麦凯,2001)。

QTL定位的新排列建立在原始前提的效用之上:通过与标记的性状共分离来发现位点。然而，现在，一个性状的定义可以从整个有机体的表型扩展到表型，如数量核糖核酸来自特定基因(表达或eQTL;斯凯特et al。， 2003)或的数量蛋白质由特定基因产生(蛋白质QTL或PQL;Damervalet al。, 1994)。QTL定位在这些情况下工作，因为这些表型是多基因，就像玉米产量等更传统的有机体表型一样。例如，转录丰度不仅仅是由独联体-像启动子，但也有潜在的不关联，反式-作用转录因子。类似地，蛋白质丰度由编码基因本身的“局部”变异和映射到基因组其他区域的“远距离”变异控制。当地的变化可能由什么组成独联体控制转录水平的变体(尽管相关转录水平和蛋白质丰度之间的差异通常很低，所以这可能只是少数情况;看到自由/开源软件et al。, 2007)。的其他局部机制可能包括多态性稳定或者蛋白质的调节。相比之下，遥远的变异可能包括上游法规控制区域。除了这些例子，QTL分析的进一步扩展包括映射的贡献印记到与尺寸相关的性状(Cheverudet al。， 2008)，以及QTL作图的其他适应性研究无疑也会随之而来。

从历史上看，足够密集的标记(基因型)的可用性一直是QTL分析的限制步骤。然而，高通量技术和基因组学已经开始克服这一障碍。因此，QTL分析的剩余限制现在主要是在表型水平上，尽管使用基因组和蛋白质组学数据作为表型规避了这一挑战程度上．

全基因组关联研究(GWAS)在遗传研究中越来越受欢迎，是QTL定位的一个很好的补充。而QTL包含很多相关的基因GWAS产生了许多不相连的个体基因甚至核苷酸，但这些研究充斥着大量预期的假阳性。虽然GWAS仍然局限于具有基因组资源的生物体，但结合这两种技术可以充分利用这两种方法，并帮助提供最终的交付物:个体基因甚至核苷酸，有助于产生感兴趣的表型。

的确，将不同的QTL技术和技术相结合具有很大的前景。例如，Hubner和同事(2005)使用的数据基因表达在脂肪和肾脏组织中，重组研究高血压的大鼠品系。或者，可以比较适应不同环境的样本，或者选择其他感兴趣的群体进行表达分析。这种方法允许同时测量数百甚至数千个特征。表达差异可能与先前确定的表型QTL共定位，以创建可管理的位置候选基因列表(Wayne & McIntyre, 2002)。其他有趣的问题基因调控可以通过结合eQTL和QTL来解决，例如独联体-监管要素与反式监管元素。关于高血压，Hubneret al。(2005)确定了73个候选基因，认为适合在人群中进行测试，许多高度相关的eQTL在人群中被调节独联体．这些综合方法将变得越来越普遍，它们有望更深入地了解复杂性状的遗传基础，包括疾病大et al。, 2006)。将表型QTL与蛋白质QTL整合在一起，也可以为研究者提供更直接的联系基因型通过候选蛋白质丰度与表型QTL的共定位和表型(De Vienneet al。, 1999)。还有更多类型的数据可以与QTL作图集成，以实现“全面信息”基因组学方法(例如，eQTL，蛋白质组学和snp) (Stylianouet al。, 2008)。

QTL研究有着悠久而丰富的历史，并在世界范围内发挥着重要作用基因克隆和表征;然而，仍有大量的工作要做。现有资料模型生物体需要扩展到元分析可行的程度，以便记录关于遗传结构的稳健趋势。基于实验室的QTL研究生成的数据也可以用于指导和通知其他工作，例如人口基因组学，其中大量分子标记被用于试图确定的目标选择以及生态重要性状的基因(Stinchcombe & Hoekstra, 2008)。此外，QTL研究可以提供信息功能基因组学，其目标是描述等位基因变异及其如何影响健身以及整个有机体的功能。因此，尽管基因型和表型之间的图谱仍然难以解读，但QTL分析和各种相关的创新可能会继续提供关键的里程碑。