学通第51卷第19期2006年10月 评述 谱数据定位出控制数量性状的基 复合区间作图法和双标记互作分析来确定初始模玉 :QTL定位 长足的发展，已经 但是，若QTL位于区间较大的标记中间时，其功效 发展了适 一怀 三倍体胚乳 会降低 连续性与间断性（二歧或多歧）变 1.2 Bayesian压缩估计方法2 ,静态与动态性状，单一性状与多个相关性状 联合，单个组合与多个组合联合以及两个亲本与多 个亲本甚至育成品种群体的QTL定位方法.本文主 要对多QTL定位、QTL精细定位和动态性状的QTL 等人hang和 该法延伸到多Q 分析，Wan 定位进行较为详细的介绍 阀述了该方法，Zhang和Xu将它延件 倒QL间上位性检测 1多QTL定位 模型(1)可变为 1.1多区间作图法2 y=4+立b+g (3) 若回交群体中某一数量性状受m个分别位于标 记区间1.1，. 其中，=1，q=mm+1)2,bo=4,b=g和g=x0 Im的p1.D Dm处OTL(O 1.2..,ml.bt=,和4=x(r=1.2, 0. ,Q)控制，则第1个体数量性状表型值男可表 .mi=12。.0-m)在多标记 示为 m-18=41,42, 分析中.假定每标记上存在一个OTLm为标记数目 (1) 在多OTL分析中。假定每标记区间在在一个OTL. 为标记区间个数若假定的OT是假的。测将其效 其中，“为群体平均数：和为QTL基因型编码变量， 若基因型为QQ,(或Q4)时，为12（或-12,4为 应估计值向0压缩：否则.不压缩。为实现该目标 Q主效：W为两QTL间的上位性效应：G4为上位 让每一QTL(或标记)效应有自己的方差参数，同时 该方差有其先验分布致使每一效应的方差都能从 性指示变量，存在上位性时取1，否侧取0：，为服从 现有资料中估计以调节效应估计值其且体作法与 M0,)的随机误差.由此，样本似然函数为 假定每一参数有其先验分布，如pb)x1,pσ)c1 2) a2.b)=N0.a和ox1/a1=1.2. 后，获得每一参数的条件后验分布；例如，b是从平 其中，)是正态分布密度函数，以和P分别是模型 ()中2个不同QTL恭因型值和条件概率.若各QT 均数为+三-4-】 间相互独立.可通过多点方法计算p 多区间作图法包括4个组成部分：(1)分析特定 和方差为号=它+/同a的正态分布中轴 遗传模型似嬷的评价程序·《ⅱ)优化遗传模型的博 索策略；（ⅲ）特定模型下各QTL位置、主效与互作 样，σ从自由度为1的逆x2分布中抽样；最后，从各 参数的估计方法：(v)用于标记辅助选择的个体或 个参数条件后验分布中抽样.当抽样链收敛时，用样 本的特征数来估计各参数差将慧因组作为描坐标 子代基因型值的预测模块中问两过程是关键对王 前者，最初提出用逐步回归例，后改为在基础模型 各OTL效应估计值作为纵坐标绘图.就可明显看出 0TL的数目、位置及其效成 上再进行最优模型的确定，此时互作项为·项，不是 mm-12项47可对平后者Ka0和Zene提出了最 大化lnL(YA以估计参数的EM算法的一般迭代公式 便端者模型()中某OT是假的.从资料中洪的 的条件 平均 与 最近，该方法已拓屉到间斯型性状48 值趋 0.应当指 在应用中发现，当无主效QTL有互作时，其功 :抽样相当要 效偏低·当O下L效应较小时甚功效偏低刘这可能 又不断从资料中 估计 是由于在模型拟合开始时误差方差较大所致.若初 始模型确定较好，可能会避免该问题.建议联合使用 一定的水平这就是 224 www.scichina.com htp/www.cnkin第 51 卷 第 19 期 2006 年 10 月 评 述 2224 www.scichina.com 谱数据定位出控制数量性状的基因. 迄今为止, QTL 定位方法有了长足的发展, 已经 发展了适合不同倍性(二倍体、三倍体胚乳[34~37]与同 源多倍体[38~42])、连续性与间断性(二歧或多歧)变 量[43~45]、静态与动态性状、单一性状与多个相关性状 联合[46]、单个组合与多个组合联合以及两个亲本与多 个亲本甚至育成品种群体的 QTL 定位方法. 本文主 要对多 QTL 定位、QTL 精细定位和动态性状的 QTL 定位进行较为详细的介绍. 1 多 QTL 定位 1.1 多区间作图法[18~20] 若回交群体中某一数量性状受 m 个分别位于标 记区间 I1, I2, … , Im 的 p1, p2, … , pm 处 QTL (Q1, Q2, … , Qm)控制, 则第 i 个体数量性状表型值 yi 可表 示为 1 ( ) m m i j ij jk jk ij ik i j jk y ax w xx e µ δ = < =+ + + ∑ ∑ (1) 其中, µ 为群体平均数; xij 为 QTL 基因型编码变量, 若基因型为 QjQj(或 Qjqj)时, xij 为 1/2(或−1/2); aj 为 QTL 主效; wjk 为两 QTL 间的上位性效应; δjk 为上位 性指示变量, 存在上位性时取 1, 否则取 0; ei 为服从 N(0, σe 2 )的随机误差. 由此, 样本似然函数为 2 2 1 1 ( | ) ( ; , ). m n ij i ij e i j L py θ φ µσ = = ⎡ ⎤ = ⎢ ⎥ ⎣ ⎦ Y ∏ ∑ (2) 其中, φ (.)是正态分布密度函数; µ ij 和 pij 分别是模型 (1)中 2m 个不同 QTL 基因型值和条件概率. 若各 QTL 间相互独立, 可通过多点方法计算 pij. 多区间作图法包括 4 个组成部分: (ⅰ) 分析特定 遗传模型似然的评价程序; (ⅱ) 优化遗传模型的搜 索策略; (ⅲ) 特定模型下各 QTL 位置、主效与互作 参数的估计方法; (ⅳ) 用于标记辅助选择的个体或 子代基因型值的预测模块. 中间两过程是关键. 对于 前者, 最初提出用逐步回归[19]; 后改为在基础模型 上再进行最优模型的确定, 此时互作项为 t 项, 不是 m(m − 1)/2 项[47]. 对于后者, Kao 和 Zeng[18]提出了最 大化 lnL(Y|θ)以估计参数的 EM 算法的一般迭代公式. 最近, 该方法已拓展到间断型性状[48]. 在应用中发现, 当无主效 QTL 有互作时, 其功 效偏低; 当 QTL 效应较小时, 其功效偏低[32]. 这可能 是由于在模型拟合开始时误差方差较大所致. 若初 始模型确定较好, 可能会避免该问题. 建议联合使用 复合区间作图法和双标记互作分析来确定初始模型. 但是, 若 QTL 位于区间较大的标记中间时, 其功效 会降低. 1.2 Bayesian 压缩估计方法[29~32] Xu[29]在 Meuwissen 等人[49]的工作基础上, 提出 了全基因组所有标记联合分析的 Bayesian 压缩估计 方法, Zhang和Xu[30]将该法延伸到多QTL分析, Wang 等人[32]全面阐述了该方法, Zhang 和 Xu[31]将它延伸 到 QTL 间上位性检测. 模型(1)可变为 0 1 q i ij j i j y b zb e = = + + ∑ . (3) 其中, δjk = 1, q = m(m+1)/2, b0 = µ, bj = aj 和 zij = xij(j = 1, 2, … , m), bj+m = wrs 和 zi(j+m) = xirxis (r = 1, 2, … , m−1; s = r+1, r+2, … , m; j = 1,2, … , q−m). 在多标记 分析中, 假定每标记上存在一个 QTL, m 为标记数目; 在多 QTL 分析中, 假定每标记区间存在一个 QTL, m 为标记区间个数. 若假定的 QTL 是假的, 则将其效 应估计值向 0 压缩; 否则, 不压缩. 为实现该目标, 让每一 QTL (或标记)效应有自己的方差参数, 同时 该方差有其先验分布, 致使每一效应的方差都能从 现有资料中估计, 以调节效应估计值. 其具体作法是 假定每一参数有其先验分布, 如 p(b0)∝1, p(σ e 2 )∝1/ σ e 2 , p(bj) = N(0, σ j 2 )和 p(σ j 2 )∝1/σ j 2 (j = 1, 2, … , q); 然 后, 获得每一参数的条件后验分布; 例如, bj 是从平 均数为 1 2 22 0 1 1 n n q j ij e j ij i ik k i i kj b x x y b xb σ σ − = =≠ ⎛ ⎞ ⎛ ⎞ = + −− ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ ⎝ ⎠ ∑ ∑∑ 和方差为 2 j s = 1 2 22 2 1 n ij e j e i x σ σ σ − = ⎛ ⎞ + ⎜ ⎟ ⎝ ⎠ ∑ 的正态分布中抽 样, σ j 2 从自由度为 1 的逆χ 2 分布中抽样; 最后, 从各 个参数条件后验分布中抽样. 当抽样链收敛时, 用样 本的特征数来估计各参数. 若将基因组作为横坐标, 各 QTL 效应估计值作为纵坐标绘图, 就可明显看出 QTL 的数目、位置及其效应. 若模型(3)中某 QTL 是假的, 从资料中估计的 2 ˆσ j 极端地趋近于 0, 使 bj的条件后验分布平均数 j b 与方 差 sj 2 均趋于 0, 则 bj 的抽样观测值趋于 0. 应当指出, σ j 2 抽样相当重要. 它既可克服岭回归中岭参数固定 的缺点, 又不断从资料中估计以真实反映资料信息. 这是因为σ j 2 = bj 2 /χ 2 v=1. 当 bj→0 时, 则σ j 2 →0. 但是, 当χ 2 v=1 非常小时, σ j 2 也可回复到一定的水平. 这就是