för organismer vars Genom är kända kan man nu försöka utesluta gener i den identifierade regionen vars funktion är känd med viss säkerhet att inte vara kopplad till egenskapen i fråga. Om genomet inte är tillgängligt kan det vara ett alternativ att sekvensera den identifierade regionen och bestämma de förmodade funktionerna hos gener genom deras likhet med gener med känd funktion, vanligtvis i andra genom. Detta kan göras med BLAST, ett onlineverktyg som tillåter användare att ange en primär sekvens och söka efter liknande sekvenser inom BLAST databas av gener från olika organismer. Det är ofta inte den faktiska genen som ligger bakom fenotypisk egenskap, utan snarare en region av DNA som är nära kopplad till genen
ett annat intresse för statistiska genetiker som använder QTL-kartläggning är att bestämma komplexiteten hos den genetiska arkitekturen som ligger bakom ett fenotypiskt drag. Till exempel kan de vara intresserade av att veta om en fenotyp formas av många oberoende loci, eller av några loci, och interagerar dessa loci. Detta kan ge information om hur fenotypen kan utvecklas.
i en ny utveckling kombinerades klassiska QTL-analyser med profilering av genuttryck, dvs genom DNA-mikroarrayer. Sådana uttryck QTLs (eQTLs) beskriver cis – och trans-kontrollerande element för uttryck av ofta sjukdomsassocierade gener. Observerade epistatiska effekter har visat sig vara fördelaktiga för att identifiera genen som är ansvarig genom en korsvalidering av gener inom de interagerande loci med metabolisk väg-och vetenskapliga litteraturdatabaser.
variansanalyseedit
den enklaste metoden för QTL-mappning är variansanalys (ANOVA, ibland kallad” markörregression”) vid markörlokalerna. I denna metod kan man i en backcross beräkna en T-statistik för att jämföra medelvärdena för de två markörgenotypgrupperna. För andra typer avkorsningar (som intercross), där det finns mer än två möjliga genotyper, använder man en mer allmän form av ANOVA, som ger en så kallad F-statistik. ANOVA-metoden för QTL-kartläggning har tre viktiga svagheter. För det första får vi inte separata uppskattningar av QTL-plats och QTL-effekt. QTL-plats indikeras endast genom att titta på vilka markörer som ger de största skillnaderna mellan genotypgruppens medelvärden, och den uppenbara QTL-effekten vid en markör kommer att vara mindre än den sanna QTL-effekten som ett resultat av rekombination mellan markören och QTL. För det andra måste vi kasta individer vars genotyper saknas vid markören. För det tredje, när markörerna är brett åtskilda, kan QTL vara ganska långt från alla markörer, och så kommer kraften för QTL-detektering att minska.
Intervallmappningedit
Lander och Botstein utvecklade intervallmappning, som övervinner de tre nackdelarna med variansanalys vid markörlokaler. Intervallmappning är för närvarande det mest populära tillvägagångssättet för QTL-kartläggning i experimentella kors. Metoden använder sig av en genetisk karta över de typade markörerna och, som variansanalys, antar närvaron av en enda QTL. I intervallmappning anses varje locus vara en i taget och logaritmen för oddsförhållandet (LOD-poäng) beräknas för modellen att det givna locus är en sann QTL. Oddsförhållandet är relaterat till Pearson-korrelationskoefficienten mellan fenotypen och markörgenotypen för varje individ i experimentkorset.
termen ’intervallmappning’ används för att uppskatta positionen för en QTL inom två markörer (ofta indikerad som ’marker-bracket’). Intervallmappning baseras ursprungligen på maximal sannolikhet men det finns också mycket goda approximationer möjliga med enkel regression.
principen för QTL-kartläggning är: 1) sannolikheten kan beräknas för en given uppsättning parametrar (särskilt QTL-effekt och QTL-position) med tanke på observerade data om fenotyper och markörgenotyper.2) uppskattningarna för parametrarna är de där sannolikheten är högst.3) en signifikanströskel kan fastställas genom permutationstestning.
konventionella metoder för detektering av kvantitativ egenskap loci (QTLs) baseras på en jämförelse av enstaka QTL-modeller med en modell som antar ingen QTL. Till exempel i metoden” intervallmappning ” sannolikheten för en enda förmodad QTL utvärderas vid varje plats på genomet. QTLs som finns någon annanstans på genomet kan emellertid ha en störande effekt. Som en konsekvens kan detekteringskraften äventyras, och uppskattningarna av platser och effekter av QTLs kan vara förspända (Lander och Botstein 1989; Knapp 1991). Även icke-existerande så kallade ”ghost” QTLs kan visas (Haley och Knott 1992; Martinez och Curnow 1992). Därför kan flera QTL: er kartläggas mer effektivt och mer exakt genom att använda flera QTL-modeller. Ett populärt tillvägagångssätt för att hantera QTL-kartläggning där flera QTL bidrar till ett drag är att iterativt skanna genomet och lägga till känd QTL till regressionsmodellen när QTL identifieras. Denna metod, benämnd sammansatt intervallmappning, bestämmer både platsen och effektstorleken för QTL mer exakt än singel-QTL-tillvägagångssätt, särskilt i små kartläggningspopulationer där effekten av korrelation mellan genotyper i kartläggningspopulationen kan vara problematisk.
sammansatt intervallmappning (CIM)redigera
i denna metod utför man intervallmappning med en delmängd av markörlokaler som kovariater. Dessa markörer fungerar som proxyservrar för andra QTL: er för att öka upplösningen av intervallmappning genom att redovisa länkade QTL: er och minska restvariationen. Nyckelproblemet med CIM gäller valet av lämpliga markörlokaler för att fungera som kovariater; när dessa har valts förvandlar CIM modellvalsproblemet till en endimensionell skanning. Valet av markörkovariater har dock inte lösts. Inte överraskande är de lämpliga markörerna de som ligger närmast de sanna QTLs, och så om man kunde hitta dessa, skulle QTL-kartläggningsproblemet vara fullständigt ändå.
familj stamtavla baserad mappingEdit
familj baserad QTL kartläggning, eller familj stamtavla baserad kartläggning (koppling och association kartläggning), involverar flera familjer i stället för en enda familj. Familjebaserad QTL-kartläggning har varit det enda sättet att kartlägga gener där experimentella kors är svåra att göra. Men på grund av vissa fördelar försöker nu växtgenetiker att införliva några av de metoder som är banbrytande inom mänsklig genetik. Med hjälp av familj-stamtavla baserad strategi har diskuterats (Bink et al. 2008). Familjebaserad koppling och förening har genomförts framgångsrikt (Rosyara et al. 2009)