畜禽全基因组关联分析中基因交互作用检测方法研究

Recent genome-wide association studies (GWAS),a new method for studies of complex traits，have developed.GWAS studies already undertaken focus on single-point analysis and major gene testing in animal, found a lot of sites associated with the phenotype, but these loci explained very little genetic variation. One of the important reasons is that many GWAS model ignores the effect of interactions between points on the target. Therefore, on a genome-wide scale,genes interaction is importance. Research interactions will contribute to greater awareness of the complex trait genetic mechanisms to achieve depth analysis of genome-wide data, insufficient cover classic GWAS. Integrated Genomic analysis of this study was to use the latest ideas, proposed and established application integrates genomic information for livestock and poultry genetic interaction testing of new strategies and the corresponding animal gene interaction detection method. Inspection policy established is not only the statistics for a single genetic markers, taking genomic location information (genetic correlation), the evolutionary chain information, information, information of gene regulatory networks from whole genome system water genetic mechanism analysis of complex traits.

全基因组关联分析（GWAS）是近几年发展起来的一种复杂性状研究的新方法。已经开展的畜禽GWAS 研究比较关注单点关联分析和主效基因检测, 发现了很多与表型相关的位点,但是估算发现这些位点只解释了很少的遗传变异。 其中的一个重要的原因是, 之前许多 GWAS 的统计模型中忽略了位点间的交互作用对目标性状的影响。因此, 在全基因组范围内, 开展交互作用研究具有重要意义。研究交互作用将推动对复杂性状遗传机制的进一步认识, 实现对全基因组数据的深度分析, 弥补经典 GWAS 的不足。 本研究拟采用最新的集成基因组分析思想，提出并建立应用集成基因组信息进行畜禽基因交互作用检测的新策略和相应的畜禽基因交互作用检测方法。所建立的检测策略不但利用单个遗传标记的统计信息，还同时考虑基因组位置信息（遗传相关）、进化信息、连锁信息、基因调控网络信息，从基因组系统的整体水解析复杂性状遗传相关机制。

已有的畜禽GWAS 研究比较关注单点关联分析和主效基因检测，发现了很多与表型相关的位点，但是估算发现这些位点只解释了很少的遗传变异。 其中的一个重要的原因是，之前许多GWAS 的统计模型中忽略了位点间的交互作用对目标性状的影响。因此, 在全基因组范围内，开展交互作用研究具有重要意义。研究交互作用将推动对复杂性状遗传机制的进一步认识，实现对全基因组数据的深度分析，弥补经典 GWAS 的不足。本研究拟采用最新的集成基因组分析思想，提出并建立应用集成基因组信息进行畜禽基因交互作用检测的新策略和相应的畜禽基因交互作用检测方法。所建立的检测策略不但利用单个遗传标记的统计信息，还同时考虑基因组位置信息（遗传相关）、进化信息、连锁信息、基因调控网络信息，从基因组系统的整体水平解析复杂性状遗传相关机制。首先，本研究将现有GWAS 研究中常用的七种假设检验方法和贝叶斯因子法进行比较。通过对模拟数据和公开数据集的研究，结果表明：畜禽全基因组关联分析中用贝叶斯因子法进行假设推断，其优良的统计性能与假设检验数目(SNP 数)和最小等位基因频率（MAF）基本无关，其在假设检验中的某些表现优于其它几种基于p 值（p-value）的方法。其次，采用了贝叶斯多元回归（BMR）方法，主要讨论其理论基础、处理SNPs 间局部高相关性和后验Ⅰ型错误率（PER）在控制GWAS中假阳性（FP）问题中的应用，并基于模拟数据来比较该方法的性质。结果表明: 1) 即使预测变量间存在由连锁不平衡（LD）导致的潜在相关性，BMR 也可以成功地应用在全基因组预测问题中;2) 在真阳性检测和低假阳性方面，本方法仍然具有较为优良的性质。说明贝叶斯多元回归方法可以得到优良的推断结果，但是QTL 加性效应估计值可能出现与模拟数据“真”值正负号相反的情况。第三，结合新的统计学方法，并检测基因组数据的特征无疑是进行基因组研究和实验设计的基础。准确的掌握基因组数据的特征可以为QTL 检测和研究数量性状的遗传基础提供坚实的研究基础。但是，海量的基因组数据量加大了研究基因组数据特征的难度。我们讨论了研究基因组时代动物育种研究中基因组数据基本特征及其必要的统计学基础。