Para los organismos cuyos genomas se conocen, ahora se podría tratar de excluir genes en la región identificada cuya función se sabe con cierta certeza que no está conectada con el rasgo en cuestión. Si el genoma no está disponible, puede ser una opción secuenciar la región identificada y determinar las funciones supuestas de los genes por su similitud con genes con función conocida, generalmente en otros genomas. Esto se puede hacer utilizando BLAST, una herramienta en línea que permite a los usuarios ingresar una secuencia primaria y buscar secuencias similares dentro de la base de datos de BLAST de genes de varios organismos. A menudo no es el gen real subyacente al rasgo fenotípico, sino más bien una región del ADN que está estrechamente vinculada con el gen
Otro interés de los genetistas estadísticos que utilizan el mapeo QTL es determinar la complejidad de la arquitectura genética subyacente a un rasgo fenotípico. Por ejemplo, pueden estar interesados en saber si un fenotipo está formado por muchos loci independientes, o por unos pocos loci, y si esos loci interactúan. Esto puede proporcionar información sobre cómo puede estar evolucionando el fenotipo.
En un desarrollo reciente, los análisis clásicos de QTL se combinaron con perfiles de expresión génica, es decir, mediante microarrays de ADN. Tales QTL de expresión (eQTL) describen elementos cis y trans controlantes para la expresión de genes a menudo asociados a enfermedades. Los efectos epistáticos observados se han encontrado beneficiosos para identificar el gen responsable mediante una validación cruzada de genes dentro de los loci que interactúan con la vía metabólica y las bases de datos de literatura científica.
Análisis de varianciaeditar
El método más simple para el mapeo de QTL es el análisis de varianza (ANOVA, a veces llamado «regresión de marcadores») en los loci de marcadores. En este método, en un backcross, se puede calcular un estadístico t para comparar los promedios de los dos grupos de genotipos marcadores. Para otros tipos de cruces (como el intercross), donde hay más de dos genotipos posibles, se utiliza una forma más general de ANOVA, que proporciona un llamado estadístico F. El enfoque ANOVA para el mapeo de QTL tiene tres puntos débiles importantes. En primer lugar, no recibimos estimaciones separadas de la ubicación de QTL y el efecto de QTL. La localización de QTL se indica solo observando qué marcadores dan las mayores diferencias entre los promedios de los grupos de genotipos, y el efecto aparente de QTL en un marcador será menor que el verdadero efecto de QTL como resultado de la recombinación entre el marcador y el QTL. Segundo, debemos descartar individuos cuyos genotipos faltan en el marcador. En tercer lugar, cuando los marcadores están ampliamente espaciados, el QTL puede estar bastante lejos de todos los marcadores, por lo que la potencia de detección de QTL disminuirá.
Mapeo de intervaleseditar
Lander y Botstein desarrollaron mapeo de intervalos, que supera las tres desventajas del análisis de varianza en los loci marcadores. La asignación de intervalos es actualmente el enfoque más popular para la asignación de QTL en cruces experimentales. El método hace uso de un mapa genético de los marcadores tipificados, y, al igual que el análisis de varianza, asume la presencia de un único QTL. En el mapeo de intervalos, cada lugar geométrico se considera uno a la vez y el logaritmo de la razón de probabilidades (puntuación LOD) se calcula para el modelo de que el lugar geométrico dado es un verdadero QTL. El odds ratio está relacionado con el coeficiente de correlación de Pearson entre el fenotipo y el genotipo marcador para cada individuo en el cruce experimental.
El término ‘ asignación de intervalos ‘se utiliza para estimar la posición de un QTL dentro de dos marcadores (a menudo indicado como’corchete de marcador’). El mapeo de intervalos se basa originalmente en la máxima verosimilitud, pero también hay muy buenas aproximaciones posibles con regresión simple.
El principio para el mapeo de QTL es: 1) La Probabilidad puede calcularse para un conjunto dado de parámetros (particularmente el efecto de QTL y la posición de QTL) dados los datos observados en fenotipos y genotipos marcadores.2) Las estimaciones de los parámetros son aquellas en las que la probabilidad es mayor.3) Se puede establecer un umbral de significación mediante pruebas de permutación.
Los métodos convencionales para la detección de loci de rasgos cuantitativos (QTL) se basan en una comparación de modelos de QTL individuales con un modelo que asume que no hay QTL. Por ejemplo, en el método de «mapeo de intervalos», la probabilidad de un único QTL putativo se evalúa en cada ubicación del genoma. Sin embargo, los QTL ubicados en otra parte del genoma pueden tener un efecto de interferencia. Como consecuencia, el poder de detección puede verse comprometido, y las estimaciones de ubicaciones y efectos de los QTLs pueden estar sesgadas (Lander y Botstein 1989; Knapp 1991). Incluso los llamados QTL «fantasmas» que no existen pueden aparecer (Haley y Knott 1992; Martínez y Curnow 1992). Por lo tanto, múltiples QTL podrían mapearse de manera más eficiente y precisa mediante el uso de varios modelos QTL. Un enfoque popular para manejar el mapeo de QTL donde múltiples QTL contribuyen a un rasgo es escanear iterativamente el genoma y agregar QTL conocidos al modelo de regresión a medida que se identifican QTL. Este método, denominado mapeo de intervalos compuestos, determina tanto la ubicación como el tamaño de los efectos de QTL con mayor precisión que los enfoques de QTL único, especialmente en poblaciones de mapeo pequeñas donde el efecto de la correlación entre genotipos en la población de mapeo puede ser problemático.
Asignación de intervalos compuesta (CIM)Editar
En este método, se realiza una asignación de intervalos utilizando un subconjunto de loci de marcadores como covariables. Estos marcadores sirven como proxies para otros QTL para aumentar la resolución de la asignación de intervalos, al tener en cuenta los QTL vinculados y reducir la variación residual. El problema clave con CIM se refiere a la elección de loci de marcador adecuados para servir como covariables; una vez que se han elegido, CIM convierte el problema de selección del modelo en un escaneo unidimensional. Sin embargo, la elección de covariables marcadores no se ha resuelto. No es de extrañar que los marcadores apropiados sean los más cercanos a los QTL verdaderos, por lo que si uno pudiera encontrarlos, el problema de asignación de QTL estaría completo de todos modos.
Mapeo basado en pedigrí Familiareditar
El mapeo QTL basado en la familia, o mapeo basado en pedigrí familiar (mapeo de vínculos y asociaciones), involucra a varias familias en lugar de una sola familia. El mapeo QTL basado en la familia ha sido la única forma de mapear genes donde los cruces experimentales son difíciles de hacer. Sin embargo, debido a algunas ventajas, ahora los genetistas de plantas están tratando de incorporar algunos de los métodos pioneros en genética humana. Se ha discutido el uso de un enfoque basado en pedigrí familiar(Bink et al. 2008). La vinculación y asociación basadas en la familia se ha implementado con éxito (Rosyara et al. 2009)