Per gli organismi i cui genomi sono noti, si potrebbe ora cercare di escludere i geni nella regione identificata la cui funzione è nota con una certa certezza di non essere collegata al tratto in questione. Se il genoma non è disponibile, può essere un’opzione per sequenziare la regione identificata e determinare le funzioni putative dei geni dalla loro somiglianza ai geni con la funzione conosciuta, solitamente in altri genomi. Questo può essere fatto usando BLAST, uno strumento online che consente agli utenti di inserire una sequenza primaria e cercare sequenze simili all’interno del database BLAST di geni di vari organismi. Spesso non è il gene reale alla base del tratto fenotipico, ma piuttosto una regione di DNA che è strettamente legata al gene
Un altro interesse dei genetisti statistici che utilizzano la mappatura QTL è quello di determinare la complessità dell’architettura genetica alla base di un tratto fenotipico. Ad esempio, potrebbero essere interessati a sapere se un fenotipo è modellato da molti loci indipendenti, o da pochi loci, e questi loci interagiscono. Questo può fornire informazioni su come il fenotipo potrebbe evolversi.
In uno sviluppo recente, le analisi classiche di QTL sono state combinate con il profilo di espressione genica cioè dai microarray del DNA. Tali QTL di espressione (EQTL) descrivono elementi di controllo cis e trans per l’espressione di geni spesso associati alla malattia. Gli effetti epistatici osservati sono stati trovati utili per identificare il gene responsabile da una convalida incrociata dei geni all’interno dei loci interagenti con la via metabolica – e le banche dati della letteratura scientifica.
Analisi della varianzaEdit
Il metodo più semplice per la mappatura QTL è l’analisi della varianza (ANOVA, a volte chiamata “regressione dei marker”) nei loci dei marker. In questo metodo, in un backcross, si può calcolare una statistica t per confrontare le medie dei due gruppi di genotipi marker. Per altri tipi dicross (come l’intercross), dove ci sono più di due genotipi possibili, si usa una forma più generale di ANOVA, che fornisce una cosiddetta statistica F. L’approccio ANOVA per la mappatura QTL presenta tre importanti punti deboli. Innanzitutto, non riceviamo stime separate della posizione QTL e dell’effetto QTL. La posizione QTL è indicata solo osservando quali marcatori danno le maggiori differenze tra le medie del gruppo di genotipi e l’effetto QTL apparente su un marcatore sarà inferiore al vero effetto QTL come risultato della ricombinazione tra il marcatore e il QTL. In secondo luogo, dobbiamo scartare gli individui i cui genotipi mancano al marcatore. In terzo luogo, quando i marcatori sono ampiamente distanziati, il QTL può essere abbastanza lontano da tutti i marcatori, e quindi la potenza per il rilevamento QTL diminuirà.
Interval mappingEdit
Lander e Botstein hanno sviluppato la mappatura degli intervalli, che supera i tre svantaggi dell’analisi della varianza nei loci dei marker. La mappatura degli intervalli è attualmente l’approccio più popolare per la mappatura QTL nelle croci sperimentali. Il metodo fa uso di una mappa genetica dei marcatori tipizzati e, come l’analisi della varianza, presuppone la presenza di un singolo QTL. Nella mappatura degli intervalli, ogni locus viene considerato uno alla volta e il logaritmo dell’odds ratio (punteggio LOD) viene calcolato per il modello che il locus dato è un vero QTL. L’odds ratio è correlato al coefficiente di correlazione di Pearson tra il fenotipo e il genotipo marcatore per ogni individuo nella croce sperimentale.
Il termine ‘interval mapping’ viene utilizzato per stimare la posizione di un QTL all’interno di due marcatori (spesso indicato come ‘marker-bracket’). La mappatura degli intervalli è originariamente basata sulla massima verosimiglianza, ma ci sono anche ottime approssimazioni possibili con una semplice regressione.
Il principio per la mappatura QTL è:1) La probabilità può essere calcolata per un dato insieme di parametri (in particolare effetto QTL e posizione QTL) dati i dati osservati sui fenotipi e genotipi marker.2) Le stime per i parametri sono quelle in cui la probabilità è più alta.3) Una soglia di significatività può essere stabilita mediante test di permutazione.
I metodi convenzionali per la rilevazione di QTL (Quantitative Trait loci) si basano su un confronto di singoli modelli QTL con un modello che non assume QTL. Ad esempio nel metodo” interval mapping ” la probabilità di un singolo QTL putativo viene valutata in ogni posizione del genoma. Tuttavia, i QTL situati altrove sul genoma possono avere un effetto interferente. Di conseguenza, il potere di rilevamento può essere compromesso e le stime delle posizioni e degli effetti dei QTL possono essere prevenute (Lander and Botstein 1989; Knapp 1991). Anche i cosiddetti QTL “fantasma” inesistenti possono apparire (Haley e Knott 1992; Martinez e Curnow 1992). Pertanto, è possibile mappare più QTL in modo più efficiente e accurato utilizzando più modelli QTL. Un approccio popolare per gestire la mappatura QTL in cui più QTL contribuiscono a un tratto è quello di eseguire la scansione iterativa del genoma e aggiungere QTL noto al modello di regressione come QTL sono identificati. Questo metodo, chiamato composite interval mapping determina sia la posizione che la dimensione degli effetti del QTL in modo più accurato rispetto agli approcci single-QTL, specialmente nelle piccole popolazioni di mappatura in cui l’effetto della correlazione tra genotipi nella popolazione di mappatura può essere problematico.
Composite Interval mapping (CIM)Edit
In questo metodo, si esegue la mappatura degli intervalli utilizzando un sottoinsieme di loci marker come covariate. Questi marcatori servono come proxy per altri QTL per aumentare la risoluzione della mappatura degli intervalli, tenendo conto dei QTL collegati e riducendo la variazione residua. Il problema chiave con CIM riguarda la scelta di loci marker adatti a fungere da covariate; una volta che queste sono state scelte, CIM trasforma il problema di selezione del modello in una scansione monodimensionale. Tuttavia, la scelta delle covariate dei marcatori non è stata risolta. Non sorprende che i marcatori appropriati siano quelli più vicini ai veri QTL, e quindi se si potessero trovare questi, il problema della mappatura QTL sarebbe comunque completo.
Mapping basato sul pedigree della famigliamodifica
Mapping QTL basato sulla famiglia, o mapping basato sul pedigree familiare (mappatura del collegamento e dell’associazione), coinvolge più famiglie invece di una singola famiglia. La mappatura QTL basata sulla famiglia è stata l’unico modo per mappare i geni in cui le croci sperimentali sono difficili da realizzare. Tuttavia, a causa di alcuni vantaggi, ora i genetisti delle piante stanno tentando di incorporare alcuni dei metodi pionieristici nella genetica umana. È stato discusso l’utilizzo di un approccio basato sul pedigree familiare (Bink et al. 2008). Il legame e l’associazione basati sulla famiglia sono stati implementati con successo (Rosyara et al. 2009)