image.png
綜述的主要結論
全基因組序列數據的采用并沒有導致對因果變異進行更精細的繪制。
更大的樣本量和多樣性比更高的變異密度更有利。
多品種全基因組關聯研究或薈萃分析提高了檢測能力。
需要應用更好的實踐和適當的驗證方案。
整合組學是識別因果變異的一種有前途的方法。
摘要
背景
牲畜全基因組關聯研究 (GWAS) 是一種強大的方法，可以更深入地了解控制復雜性狀的生物機制，通常著眼于提高生產效率。主要牲畜物種的 GWAS 的全基因組序列 (WGS) 數據已被廣泛采用。
綜述目標
通過重點關注一些最具代表性的工作的成果，對基于 WGS 的 GWAS 對牲畜的貢獻進行重要調查。
內容
首先，作者們回顧了與標記陣列相比，WGS 數據對 GWAS 的有效性的實證結果，以及目前正在采用哪些策略來提高基于 WGS 的 GWAS 的檢測能力。
然后，作者們回顧了基于 WGS 的 GWAS 對理解復雜性狀遺傳結構的貢獻，以及數據結構和實踐中什么阻礙因果變異的精細映射。
作者們對識別候選基因和變異、GWAS 結果的實際相關性以及數據共享方面提供了看法。
隨著未來 WGS 數據的可用性不斷增長，需要應用更好的 GWAS 實踐。
一些感興趣的細節
- 關聯的主要變體（即具有最低p值的變體）可能不是因果變體。在大多數情況下，這是極其密集的變異組中普遍存在連鎖不平衡（LD）的結果。局部 LD 結構尤其會阻礙由眾多影響較小的 QTL 決定的多基因性狀。
- 多重測試校正應該考慮整個基因組中獨立測試的數量，而不是考慮實際基因分型的變異數量
- 定義QTL區域，考慮局部 LD 結構
- 一般來說，多品種 GWAS 比個體內品種 GWAS 檢測到更多的關聯，并且置信區間更窄（即，包含較少數量的變體，便于精細映射）。然而，必須注意某個品種數量過多的情況，因為它可能主導多品種 GWAS 結果并阻礙檢測來自其他種群的較弱信號
- 據觀察，品種內 GWAS 中的 QTL 幾乎沒有重疊
- 多性狀薈萃分析也可用于檢測與進行單性狀 GWAS 時未達到顯著性閾值的多個性狀相關的基因組區域。作為多性狀薈萃分析的替代方案，一些研究使用多元線性混合模型，與單變量模型相比，這種方法的結果好壞參半。
- 其其他組學的GWAS：mGWAS,。然而，對于實際應用，需要將中間性狀發現的關聯轉化為生產水平上感興趣的復雜性狀的有意義的關聯。然后，具有高遺傳力估計的代謝物可以用作協助選擇的生物標志物。
- 相關變體的功能類別對后來因果變體的精細映射具有影響。一組顯著變異通常富含基因變異，盡管這些變異大多是內含子或位于下游和上游調控區
- 低MAF的變異可能存在關鍵信息。由于清除選擇，有害的錯義變體通常保持在低MAF，這反過來會損害插補準確性和變體效應的估計
- GWAS很難直接鑒定出因果突變。 基于 WGS 的 GWAS 的經驗證據進一步表明，盡管在某些情況下推定的因果突變是 QTL 中的主要變異，但這通常是例外而非正常情況
- 縮小鑒定顯著關聯區域的范圍。 減少 QTL 區域中候選因果變異數量的一個強大策略是評估它們的頻率以及它們與獨立群體中感興趣的性狀的關聯強度和標志
- 多組學： 將 GWAS 結果與有關相關基因組區域可能功能的其他信息來源相整合可能會鋪平前進的道路。使用多組學數據 幫助制定具體的評分來確定變體的優先順序
- 模擬表明，使用基于 GWAS 預選的 WGS 變體進行基因組預測對于具有簡單遺傳結構的性狀表現更好，即具有高遺傳力和少量具有大效應的數量性狀核苷酸
結論
- 主要牲畜品種的 GWAS 已廣泛采用 WGS 數據，但由于 LD 損害了精細繪圖，這一趨勢并未轉化為因果變異的更多發現。
- 經驗證據表明，增加樣本量和單倍型多樣性比增加變異密度更有利于檢測新的關聯。在這方面，多品種 GWAS 或薈萃分析似乎是有前途的方法，如果克服牲畜數據共享的限制，可能會受到青睞。
- 由于 WGS 數據的可用性預計將繼續增長，我們必須謹慎，不要將基于標記陣列的 GWAS 的相同邏輯應用于基于 WGS 的 GWAS。僅舉幾例，重要的是，我們應用更好的實踐來進行多重測試校正或 QTL 區間定義，我們的目光超越 SNP 和具有令人信服的功能注釋的變異，并且我們應用合適的驗證方案來將谷物與谷殼分開。
- 綜合組學將成為未來的重要組成部分
參考文章
The contribution of whole-genome sequence data to genome-wide association studies in livestock: Outcomes and perspectives（https://doi.org/10.1016/j.livsci.2024.105430）
