for organismer, hvis genomer er kendt, kan man nu forsøge at udelukke gener i det identificerede område, hvis funktion er kendt med en vis sikkerhed for ikke at være forbundet med det pågældende træk. Hvis genomet ikke er tilgængeligt, kan det være en mulighed at sekvensere den identificerede region og bestemme genernes formodede funktioner ved deres lighed med gener med kendt funktion, normalt i andre genomer. Dette kan gøres ved hjælp af BLAST, et online værktøj, der giver brugerne mulighed for at indtaste en primær sekvens og søge efter lignende sekvenser i BLAST-databasen over gener fra forskellige organismer. Det er ofte ikke det egentlige gen, der ligger til grund for det fænotypiske træk, men snarere en region af DNA, der er tæt forbundet med genet
en anden interesse for statistiske genetikere, der bruger KVTL-kortlægning, er at bestemme kompleksiteten af den genetiske arkitektur, der ligger til grund for et fænotypisk træk. For eksempel kan de være interesserede i at vide, om en fænotype er formet af mange uafhængige loci eller af et par loci, og interagerer disse loci. Dette kan give information om, hvordan fænotypen kan udvikle sig.
i en nylig udvikling blev klassiske KVTL-analyser kombineret med genekspressionsprofilering, dvs.ved DNA-mikroarrays. En sådan ekspression beskriver cis-og trans-kontrollerende elementer til ekspression af ofte sygdomsassocierede gener. Observerede epistatiske effekter er fundet gavnlige til at identificere det gen, der er ansvarligt ved en krydsvalidering af gener inden for det interagerende loci med metabolisk vej-og videnskabelig litteraturdatabaser.
variansanalyseredit
den enkleste metode til kortlægning af KVTL er variansanalyse (ANOVA, undertiden kaldet “markørregression”) ved markørlokalet. I denne metode kan man i en backcross beregne en t-statistik for at sammenligne gennemsnittet af de to markørgenotypegrupper. For andre typerkryds (såsom intercross), hvor der er mere end to mulige genotyper, bruger man en mere generel form for ANOVA, som giver en såkaldt F-statistik. ANOVA-metoden til kortlægning af KVTL har tre vigtige svagheder. For det første modtager vi ikke separate estimater for placering og effekt. Ved at se på, hvilke markører der giver de største forskelle mellem genotype-gruppegennemsnit, og den tilsyneladende KVTL-effekt ved en markør vil være mindre end den sande KVTL-effekt som et resultat af rekombination mellem markøren og KVTL. For det andet skal vi kassere personer, hvis genotyper mangler ved markøren. For det tredje, når markørerne er vidt adskilt, kan KVTL være ret langt fra alle markører, og så vil strømmen til KVTL-detektion falde.
Interval mappingEdit
Lander og Botstein udviklet interval kortlægning, som overvinder de tre ulemper ved analyse af varians på markør loci. Intervallkortlægning er i øjeblikket den mest populære metode til kortlægning i eksperimentelle kryds. Metoden gør brug af et genetisk kort over de typede markører, og antager ligesom variansanalyse tilstedeværelsen af en enkelt KVTL. I intervallkortlægning betragtes hvert locus som et ad gangen, og logaritmen for oddsforholdet (LOD-score) beregnes for modellen, at det givne locus er et ægte KVTL. Oddsforholdet er relateret til Pearson-korrelationskoefficienten mellem fænotypen og markørgenotypen for hvert individ i det eksperimentelle kryds.
udtrykket ‘ intervallkortlægning ‘bruges til at estimere placeringen af en KVTL inden for to markører (ofte angivet som’markørbeslag’). Interval kortlægning er oprindeligt baseret på den maksimale sandsynlighed, men der er også meget gode tilnærmelser muligt med simpel regression.
princippet for KVTL-kortlægning er:1) sandsynligheden kan beregnes for et givet sæt parametre (især KVTL-effekt og KVTL-position) i betragtning af de observerede data om fænotyper og markørgenotyper.2) estimaterne for parametrene er dem, hvor sandsynligheden er størst.3) en signifikanstærskel kan etableres ved permutationstest.
konventionelle metoder til påvisning af kvantitative træk loci (Kvtl) er baseret på en sammenligning af enkelte KVTL-modeller med en model, der antager ingen KVTL. For eksempel i” interval mapping ” – metoden vurderes sandsynligheden for en enkelt formodet KVTL på hvert sted på genomet. Imidlertid kan Kvtl ‘ er placeret andetsteds på genomet have en interfererende virkning. Som følge heraf kan detektionskraften blive kompromitteret ,og estimaterne af placeringer og effekter af Kvtl ‘ er kan være forudindtaget (Lander and Botstein 1989; Knapp 1991). Selv ikke-eksisterende såkaldte “spøgelses” – Kvtl ‘ er kan forekomme (Haley and Knott 1992; Martins og Portne 1992). Derfor kunne flere Kvtl ‘ er kortlægges mere effektivt og mere præcist ved hjælp af flere KVTL-modeller. En populær tilgang til håndtering af KVTL-kortlægning, hvor flere KVTL bidrager til et træk, er at iterativt scanne genomet og tilføje kendt KVTL til regressionsmodellen, da Kvtl ‘ er identificeres. Denne metode, betegnet sammensat intervalkortlægning, bestemmer både placering og effektstørrelse af KVTL mere præcist end enkeltkvtl-tilgange, især i små kortlægningspopulationer, hvor effekten af korrelation mellem genotyper i kortlægningspopulationen kan være problematisk.
Composite interval mapping (CIM)Edit
i denne metode udfører man intervalmapping ved hjælp af en delmængde af markør loci som kovariater. Disse markører tjener som fuldmagter for andre Kvtl ‘er for at øge opløsningen af intervallkortlægning ved at regne med sammenkædede Kvtl’ er og reducere den resterende variation. Nøgleproblemet med CIM vedrører valget af passende markørloci til at fungere som kovariater; når disse er valgt, forvandler CIM modelvalgsproblemet til en enkeltdimensionel scanning. Valget af markørkovariater er imidlertid ikke løst. Ikke overraskende er de relevante markører dem, der er tættest på de sande Kvtl ‘ er, og så hvis man kunne finde disse, ville KVTL-kortlægningsproblemet alligevel være komplet.
familie-stamtavle baseret kortlægningredit
familiebaseret KORTLÆGNINGELLER familie-stamtavle baseret kortlægning (tilknytning og tilknytningskortlægning) involverer flere familier i stedet for en enkelt familie. Den eneste måde at kortlægge gener på, hvor eksperimentelle kryds er vanskelige at lave. Men på grund af nogle fordele forsøger plantegenetikere nu at indarbejde nogle af de metoder, der er banebrydende inden for human genetik. Brug af familie-stamtavle baseret tilgang er blevet diskuteret (Bink et al. 2008). Familiebaseret kobling og forening er blevet implementeret med succes (Rosyara et al. 2009)