Für Organismen, deren Genome bekannt sind, könnte man nun versuchen, Gene in der identifizierten Region auszuschließen, deren Funktion mit einiger Sicherheit nicht mit dem fraglichen Merkmal in Verbindung gebracht werden kann. Wenn das Genom nicht verfügbar ist, kann es eine Option sein, die identifizierte Region zu sequenzieren und die mutmaßlichen Funktionen von Genen durch ihre Ähnlichkeit mit Genen mit bekannter Funktion, normalerweise in anderen Genomen, zu bestimmen. Dies kann mit BLAST erfolgen, einem Online-Tool, mit dem Benutzer eine Primärsequenz eingeben und nach ähnlichen Sequenzen in der BLAST-Datenbank mit Genen verschiedener Organismen suchen können. Es ist oft nicht das eigentliche Gen, das dem phänotypischen Merkmal zugrunde liegt, sondern eine Region der DNA, die eng mit dem Gen verbunden ist
Ein weiteres Interesse statistischer Genetiker, die QTL-Mapping verwenden, besteht darin, die Komplexität der genetischen Architektur zu bestimmen, die einem phänotypischen Merkmal zugrunde liegt. Zum Beispiel könnten sie daran interessiert sein zu wissen, ob ein Phänotyp von vielen unabhängigen Loci oder von wenigen Loci geformt wird und ob diese Loci interagieren. Dies kann Informationen darüber liefern, wie sich der Phänotyp entwickeln kann.
In einer neueren Entwicklung wurden klassische QTL-Analysen mit Genexpressionsprofilen, d.h. mittels DNA-Microarrays, kombiniert. Solche Expressions-QTLs (eQTLs) beschreiben cis- und trans-kontrollierende Elemente für die Expression häufig krankheitsassoziierter Gene. Beobachtete epistatische Effekte haben sich als vorteilhaft erwiesen, um das verantwortliche Gen durch eine Kreuzvalidierung von Genen innerhalb der interagierenden Loci mit Stoffwechselweg- und wissenschaftlichen Literaturdatenbanken zu identifizieren.
Analyse der Varianzbearbeiten
Die einfachste Methode für das QTL-Mapping ist die Varianzanalyse (ANOVA, manchmal auch „Marker-Regression“ genannt) an den Marker-Loci. Bei dieser Methode kann in einer Rückkreuzung eine t-Statistik berechnet werden, um die Durchschnittswerte der beiden Marker-Genotypgruppen zu vergleichen. Für andere Kreuzungstypen (z. B. Intercross), bei denen es mehr als zwei mögliche Genotypen gibt, verwendet man eine allgemeinere Form der ANOVA, die eine sogenannte F-Statistik liefert. Der ANOVA-Ansatz für das QTL-Mapping weist drei wichtige Schwächen auf. Erstens erhalten wir keine separaten Schätzungen des QTL-Standorts und des QTL-Effekts. Die QTL-Lokalisierung wird nur angezeigt, indem untersucht wird, welche Marker die größten Unterschiede zwischen den Durchschnittswerten der Genotypgruppe ergeben, und der scheinbare QTL-Effekt an einem Marker ist aufgrund der Rekombination zwischen dem Marker und dem QTL kleiner als der wahre QTL-Effekt. Zweitens müssen wir Individuen verwerfen, deren Genotypen am Marker fehlen. Drittens, wenn die Marker weit voneinander entfernt sind, kann die QTL ziemlich weit von allen Markern entfernt sein, und so wird die Leistung für die QTL-Erkennung abnehmen.
Intervall-Mappingbearbeiten
Lander und Botstein entwickelten ein Intervall-Mapping, das die drei Nachteile der Varianzanalyse an Markerorten überwindet. Intervall-Mapping ist derzeit der beliebteste Ansatz für QTL-Mapping in experimentellen Anwendungen. Die Methode verwendet eine genetische Karte der typisierten Marker und nimmt wie die Varianzanalyse das Vorhandensein eines einzelnen QTL an. Bei der Intervallzuordnung wird jeder Locus einzeln betrachtet und der Logarithmus des Odds Ratio (LOD-Score) wird für das Modell berechnet, dass der angegebene Locus eine echte QTL ist. Das Odds Ratio bezieht sich auf den Pearson-Korrelationskoeffizienten zwischen dem Phänotyp und dem Marker-Genotyp für jedes Individuum in der experimentellen Kreuzung.
Der Begriff ‚Interval Mapping‘ wird verwendet, um die Position eines QTL innerhalb von zwei Markern zu schätzen (oft als ‚Marker-Bracket‘ bezeichnet). Die Intervallkartierung basiert ursprünglich auf der maximalen Wahrscheinlichkeit, aber es sind auch sehr gute Näherungen mit einfacher Regression möglich.
Das Prinzip für die QTL-Kartierung lautet:1) Die Wahrscheinlichkeit kann für einen bestimmten Satz von Parametern (insbesondere QTL-Effekt und QTL-Position) anhand der beobachteten Daten zu Phänotypen und Markergenotypen berechnet werden.2) Die Schätzungen für die Parameter sind diejenigen, bei denen die Wahrscheinlichkeit am höchsten ist.3) Eine Signifikanzschwelle kann durch Permutationstests festgelegt werden.
Herkömmliche Methoden zum Nachweis quantitativer Merkmalsloci (QTLs) basieren auf einem Vergleich einzelner QTL-Modelle mit einem Modell, das keine QTL annimmt. Zum Beispiel wird in der „Intervall-Mapping“ -Methode die Wahrscheinlichkeit für eine einzelne mutmaßliche QTL an jeder Stelle des Genoms bewertet. QTLs, die sich an anderer Stelle im Genom befinden, können jedoch eine störende Wirkung haben. Infolgedessen kann die Erkennungsleistung beeinträchtigt werden, und die Schätzungen der Standorte und Auswirkungen von QTLs können voreingenommen sein (Lander und Botstein 1989; Knapp 1991). Sogar nicht existierende sogenannte „Ghost“ -QTLs können erscheinen (Haley und Knott 1992; Martinez und Curnow 1992). Daher könnten mehrere QTLs durch die Verwendung mehrerer QTL-Modelle effizienter und genauer abgebildet werden. Ein beliebter Ansatz zur QTL-Kartierung, bei dem mehrere QTL zu einem Merkmal beitragen, besteht darin, das Genom iterativ zu scannen und bekannte QTL zum Regressionsmodell hinzuzufügen, wenn QTLs identifiziert werden. Diese Methode, die als zusammengesetzte Intervallkartierung bezeichnet wird, bestimmt sowohl den Ort als auch die Größe von QTL genauer als Einzel-QTL-Ansätze, insbesondere in kleinen Kartierungspopulationen, in denen der Effekt der Korrelation zwischen Genotypen in der Kartierungspopulation problematisch sein kann.
Composite Interval Mapping (CIM)Bearbeiten
Bei dieser Methode wird eine Intervallzuordnung unter Verwendung einer Teilmenge von Markerloci als Kovariaten durchgeführt. Diese Marker dienen als Proxies für andere QTLs, um die Auflösung der Intervallzuordnung zu erhöhen, indem verknüpfte QTLs berücksichtigt und die Restvariation reduziert werden. Das Hauptproblem bei CIM betrifft die Auswahl geeigneter Markerloci als Kovariaten; Sobald diese ausgewählt wurden, verwandelt CIM das Modellauswahlproblem in einen eindimensionalen Scan. Die Wahl der Markerkovariaten ist jedoch nicht gelöst. Es überrascht nicht, dass die geeigneten Marker diejenigen sind, die den wahren QTLs am nächsten kommen, und wenn man diese finden könnte, wäre das QTL-Zuordnungsproblem sowieso vollständig.
Family-pedigree based mappingbedit
Familienbasiertes QTL-Mapping oder Family-Pedigree based Mapping (Verknüpfungs- und Assoziationsmapping) umfasst mehrere Familien anstelle einer einzelnen Familie. Familienbasiertes QTL-Mapping war die einzige Möglichkeit zur Kartierung von Genen, bei denen experimentelle Kreuzungen schwierig zu machen sind. Aufgrund einiger Vorteile versuchen Pflanzengenetiker jedoch, einige der Methoden zu integrieren, die in der Humangenetik Pionierarbeit geleistet haben. Die Verwendung eines familienstammbaumbasierten Ansatzes wurde diskutiert (Bink et al. 2008). Familienbasierte Verknüpfung und Assoziation wurde erfolgreich implementiert (Rosyara et al. 2009)