Pour les organismes dont les génomes sont connus, on pourrait maintenant essayer d’exclure des gènes de la région identifiée dont la fonction est connue avec une certaine certitude de ne pas être liée au trait en question. Si le génome n’est pas disponible, il peut être possible de séquencer la région identifiée et de déterminer les fonctions putatives des gènes par leur similitude avec des gènes ayant une fonction connue, généralement dans d’autres génomes. Cela peut être fait à l’aide de BLAST, un outil en ligne qui permet aux utilisateurs d’entrer une séquence primaire et de rechercher des séquences similaires dans la base de données BLAST de gènes de divers organismes. Ce n’est souvent pas le gène réel sous-jacent au trait phénotypique, mais plutôt une région de l’ADN étroitement liée au gène
Un autre intérêt des généticiens statistiques utilisant la cartographie QTL est de déterminer la complexité de l’architecture génétique sous-jacente à un trait phénotypique. Par exemple, ils peuvent être intéressés à savoir si un phénotype est façonné par de nombreux locus indépendants, ou par quelques locus, et ces locus interagissent-ils. Cela peut fournir des informations sur la façon dont le phénotype peut évoluer.
Dans un développement récent, les analyses QTL classiques ont été combinées avec le profilage de l’expression génique, c’est-à-dire par des puces à ADN. De tels QTL d’expression (EQTL) décrivent des éléments de contrôle cis et trans pour l’expression de gènes souvent associés à la maladie. Les effets épistatiques observés ont été trouvés bénéfiques pour identifier le gène responsable par une validation croisée des gènes dans les loci en interaction avec les bases de données de la voie métabolique et de la littérature scientifique.
Analyse de la variancedit
La méthode la plus simple pour la cartographie QTL est l’analyse de la variance (ANOVA, parfois appelée « régression de marqueur ») aux loci de marqueur. Dans cette méthode, dans un rétrocroisement, on peut calculer une statistique t pour comparer les moyennes des deux groupes de génotypes marqueurs. Pour d’autres types de croisements (tels que les croisements), où il y a plus de deux génotypes possibles, on utilise une forme plus générale d’ANOVA, qui fournit une statistique dite F. L’approche ANOVA pour la cartographie QTL présente trois faiblesses importantes. Premièrement, nous ne recevons pas d’estimations distinctes de l’emplacement QTL et de l’effet QTL. L’emplacement QTL n’est indiqué qu’en regardant quels marqueurs donnent les plus grandes différences entre les moyennes des groupes de génotypes, et l’effet QTL apparent à un marqueur sera plus petit que l’effet QTL réel à la suite de la recombinaison entre le marqueur et le QTL. Deuxièmement, nous devons éliminer les individus dont les génotypes manquent au marqueur. Troisièmement, lorsque les marqueurs sont largement espacés, le QTL peut être assez éloigné de tous les marqueurs, et donc la puissance de détection du QTL diminuera.
Cartographie des intervalesmodifier
Lander et Botstein ont développé la cartographie des intervalles, qui surmonte les trois inconvénients de l’analyse de la variance aux loci marqueurs. Le mappage d’intervalles est actuellement l’approche la plus populaire pour le mappage QTL dans les croisements expérimentaux. La méthode utilise une carte génétique des marqueurs typés et, comme l’analyse de la variance, suppose la présence d’un seul QTL. Dans le mappage d’intervalles, chaque locus est considéré un à la fois et le logarithme du rapport de cotes (score LOD) est calculé pour le modèle selon lequel le locus donné est un QTL vrai. Le rapport de cotes est lié au coefficient de corrélation de Pearson entre le phénotype et le génotype marqueur pour chaque individu du croisement expérimental.
Le terme « mappage d’intervalles » est utilisé pour estimer la position d’un QTL à l’intérieur de deux marqueurs (souvent indiqué comme « parenthèse de marqueur »). Le mappage d’intervalles est à l’origine basé sur le maximum de vraisemblance, mais il existe également de très bonnes approximations possibles avec une régression simple.
Le principe de la cartographie QTL est le suivant: 1) La probabilité peut être calculée pour un ensemble donné de paramètres (en particulier l’effet QTL et la position QTL) compte tenu des données observées sur les phénotypes et les génotypes marqueurs.2) Les estimations des paramètres sont celles où la probabilité est la plus élevée.3) Un seuil de signification peut être établi par test de permutation.
Les méthodes conventionnelles de détection des loci de caractères quantitatifs (QTL) sont basées sur une comparaison de modèles QTL simples avec un modèle supposant l’absence de QTL. Par exemple, dans la méthode de « mappage d’intervalles », la probabilité d’un QTL putatif unique est évaluée à chaque emplacement du génome. Cependant, les QTL situés ailleurs sur le génome peuvent avoir un effet perturbateur. Par conséquent, la puissance de détection peut être compromise et les estimations des emplacements et des effets des QTL peuvent être biaisées (Lander et Botstein, 1989; Knapp 1991). Même des QTL dits » fantômes » non existants peuvent apparaître (Haley et Knott, 1992; Martinez et Curnow, 1992). Par conséquent, plusieurs QTL pourraient être cartographiés plus efficacement et plus précisément en utilisant plusieurs modèles QTL. Une approche populaire pour gérer la cartographie QTL où plusieurs QTL contribuent à un trait consiste à scanner de manière itérative le génome et à ajouter des QTL connus au modèle de régression au fur et à mesure que les QTL sont identifiés. Cette méthode, appelée cartographie par intervalles composites, détermine à la fois l’emplacement et la taille des effets de QTL avec plus de précision que les approches à QTL unique, en particulier dans les petites populations cartographiques où l’effet de la corrélation entre les génotypes dans la population cartographique peut être problématique.
Édition du mappage d’intervalles composite (CIM)
Dans cette méthode, on effectue un mappage d’intervalles en utilisant un sous-ensemble de loci de marqueurs comme covariables. Ces marqueurs servent de proxy pour d’autres QTL afin d’augmenter la résolution du mappage d’intervalles, en tenant compte des QTL liés et en réduisant la variation résiduelle. Le problème clé avec CIM concerne le choix des loci marqueurs appropriés pour servir de covariables; une fois ceux-ci choisis, CIM transforme le problème de sélection du modèle en un balayage monodimensionnel. Le choix des covariables des marqueurs n’a cependant pas été résolu. Sans surprise, les marqueurs appropriés sont ceux les plus proches des vrais QTL, et donc si l’on pouvait les trouver, le problème de mappage QTL serait de toute façon complet.
Cartographie basée sur le pedigree familial
La cartographie QTL basée sur la famille, ou la cartographie basée sur le pedigree familial (cartographie de liaison et d’association), implique plusieurs familles au lieu d’une seule famille. La cartographie QTL basée sur la famille a été le seul moyen de cartographier les gènes où les croisements expérimentaux sont difficiles à réaliser. Cependant, en raison de certains avantages, les généticiens des plantes tentent maintenant d’incorporer certaines des méthodes pionnières en génétique humaine. L’utilisation d’une approche fondée sur le pedigree familial a été discutée (Bink et al. 2008). Le couplage et l’association familiaux ont été mis en œuvre avec succès (Rosyara et al. 2009)