Directives de Soumission d'Échantillons
Introduction – Qu'est-ce que le QTL-seq ?
QTL-seq est une méthode de séquençage de nouvelle génération basée sur l'analyse de segregants en masse (BSA). Elle identifie rapidement des régions génomiques, connues sous le nom de loci de traits quantitatifs (QTL), qui sont associées à des traits agricoles ou biologiques importants. Contrairement au cartographie de liaison traditionnelle, qui nécessite des années de génotypage de marqueurs individuels, le QTL-seq utilise le séquençage en pool de phénotypes extrêmes pour accélérer la découverte.
Dans une approche typique de QTL-seq, les chercheurs croisent deux parents contrastés, développent une population de cartographie, puis regroupent des individus présentant des phénotypes extrêmes (par exemple, des lignées de riz résistantes vs sensibles aux maladies). Le séquençage de ces mélanges et la comparaison des différences de fréquence allélique à travers le génome permettent de détecter des QTL candidats liés au trait d'intérêt.
Cette approche est devenue largement adoptée dans l'amélioration des plantes et la génomique fonctionnelle car elle combine rapidité, rentabilité et cartographie à haute résolution. En se concentrant directement sur la variation de l'ADN entre les échantillons, le QTL-seq permet aux chercheurs de localiser des gènes associés à des traits clés en quelques semaines plutôt qu'en plusieurs années.
Pourquoi choisir l'approche QTL-seq ?
VitesseIdentifiez des QTL en quelques semaines plutôt qu'en plusieurs années en séquençant des groupes plutôt que des populations entières.
Rapport coût-efficacitéLe regroupement réduit le nombre d'extractions d'ADN et de bibliothèques de séquençage, ce qui diminue les coûts expérimentaux.
RésolutionLes données de séquence à haute densité détectent les régions associées aux traits avec une précision supérieure à celle des méthodes conventionnelles.
FlexibilitéApplicable à un large éventail de populations, y compris les F2, les lignées recombinantes consanguines (RIL) et les haploïdes doubles (DH).
Utilisation inter-espècesValidé dans le riz, le maïs, le blé, le colza et de nombreuses autres cultures.
Le QTL-seq est particulièrement précieux lorsque les chercheurs doivent localiser des gènes à effet majeur qui contrôlent des traits agronomiques tels que la résistance aux maladies, la hauteur des plantes, le rendement ou la tolérance au stress. En raccourcissant le chemin du développement de la population à la découverte de gènes candidats, il permet une prise de décision plus rapide dans la sélection des cultures et la génomique fonctionnelle.
Aperçu du pipeline QTL-seq
CD Genomics fournit une solution complète Pipeline QTL-seq cela couvre chaque étape, de la conception de l'étude à la découverte de gènes candidats. Notre flux de travail garantit la reproductibilité, l'efficacité des coûts et des résultats de haute qualité adaptés à la publication.
Étapes du flux de travail QTL-seq
Sélection parentale et conception de population
- Choisissez des parents contrastés (par exemple, résistant vs susceptible).
- Développez des populations de cartographie appropriées telles que les F2, les RIL ou les lignées DH.
Regroupement de phénotypes extrêmes
- Sélectionnez 20 à 50 individus présentant les valeurs de traits les plus élevées et les plus basses.
- Pooler l'ADN de chaque groupe pour créer des "High" et "Low" bulks.
Séquençage
- Effectuer un séquençage à haut débit en utilisant les plateformes Illumina, PacBio ou Nanopore.
- Atteindre une profondeur suffisante pour détecter des variants fiables.
Appel de variants
- Aligner les lectures au génome de référence.
- Détecter les SNP et les Indels en utilisant des pipelines bioinformatiques validés.
Calcul de l'indice SNP et de l'indice ΔSNP
- Calculez la fréquence allélique (indice SNP) pour chaque groupe.
- Dériver l'indice ΔSNP en comparant des groupes pour identifier des régions candidates liées aux traits.
Détection de régions QTL candidates
- Visualisez l'index ΔSNP à travers le génome.
- Appliquez des seuils statistiques et des tests de permutation pour confirmer la signification.
Annotation et découverte de gènes candidats
- Annoter les variants au sein des intervalles QTL.
- Identifier des mutations fonctionnelles et effectuer un enrichissement des voies GO/KEGG.
Résultats clés
- Détection rapide des QTL associés aux traits
- Graphiques haute résolution pour publication
- Listes de gènes candidats annotés pour validation en aval
Analyse bioinformatique
Notre bioinformatique L'équipe applique des pipelines validés pour garantir des résultats QTL-seq précis et reproductibles. Chaque étape de l'analyse est réalisée sous un contrôle qualité strict afin de fournir des résultats de haute confiance adaptés à la publication et à la recherche ultérieure.
| Étape d'analyse | Description | Outils / Méthodes | Livrables |
|---|---|---|---|
| Contrôle de la qualité des données | Filtrer les lectures de faible qualité, enlever les adaptateurs, vérifier le contenu en GC et la duplication. | FastQC, Trimmomatic | Fichiers FASTQ nettoyés, rapport de contrôle qualité |
| Alignement de lecture | Mapper les lectures propres au génome de référence avec une grande précision. | BWA-MEM, Bowtie2 | Fichiers d'alignement BAM |
| Appel de variantes | Détecter les SNPs et les Indels à travers des pools groupés. | GATK, SAMtools, FreeBayes | Fichier VCF brut avec toutes les variantes |
| Filtrage des variants | Appliquez des seuils de profondeur, de qualité et de fréquence pour éliminer les appels non fiables. | Filtrage strict GATK, scripts personnalisés | VCF filtré de haute qualité |
| Calcul de l'indice SNP | Estimez la fréquence des allèles dans chaque groupe. | Scripts QTL-seq personnalisés, méthode de fenêtre glissante | Graphiques de l'indice SNP |
| Analyse de l'indice ΔSNP | Comparer les volumes, calculer l'indice ΔSNP, effectuer des tests statistiques. | Pipeline QTL-seq, test de permutation | Graphiques de l'indice ΔSNP, seuils de signification |
| Identification de la région QTL | Définir des régions génomiques significatives associées à des traits. | QTL IciMapping, scripts R personnalisés | Intervalles QTL candidats |
| Annotation fonctionnelle | Annoter les variants au sein des intervalles QTL, identifier les gènes candidats. | ANNOVAR, Ensembl VEP | Liste de gènes candidats avec annotations des variants |
| Analyse des voies et enrichissement | Explorer les fonctions biologiques des gènes candidats (GO/KEGG). | clusterProfiler, KEGG Mapper | Graphiques et tableaux d'enrichissement fonctionnel |
Exigences d'échantillon
| Type d'échantillon | Exigence | Notes |
|---|---|---|
| Lignes parentales | Deux parents avec des phénotypes contrastés (par exemple, résistant vs sensible). | De préférence séquencé ; cela garantit une précision plus élevée dans la détection des variants. |
| Cartographie de la population | F2, RILs ou populations DH. | Taille de la population : ≥200 individus recommandés. |
| Construction en gros | 20 à 50 individus par bassin extrême. | Sélectionnez en fonction des valeurs de traits les plus élevées et les plus basses. Pour QTG-seq : ≥1000. |
| Quantité d'ADN | ≥2 µg par échantillon. Concentration ≥50 ng/µL. | Fournir suffisamment d'ADN pour les bibliothèques de resequençage. |
| Pureté de l'ADN | OD260/280 = 1,8–2,0 ; OD260/230 ≥ 2,0. | Sans contamination par l'ARN et sans inhibiteurs. |
| Intégrité de l'ADN | Bande claire de haute masse moléculaire sur gel d'agarose. | Aucune dégradation ni flou visible. |
| Données phénotypiques (facultatif) | Mesures des traits pour tous les individus cartographiés. | Augmente la puissance statistique pour la détection et la validation des QTL. |
Livrables
Les clients reçoivent un ensemble de résultats complet conçu pour la recherche en aval et la publication.
- Données de séquençage nettoyées (fichiers FASTQ avec rapport de QC)
- Fichiers de variantes (VCF avec SNPs et Indels)
- Graphiques de l'indice SNP et de l'indice ΔSNP
- Régions QTL candidates avec des statistiques de signification
- Listes de gènes candidats annotés
- Résultats d'enrichissement GO/KEGG
- Rapport d'analyse prêt à être publié
Vitrine des résultats de la démonstration
Graphique de l'indice SNP
Graphique de l'indice ΔSNP avec seuils
Enrichissement fonctionnel des gènes candidats
FAQ
Q : Quelle est la différence entre le QTL-seq et le mapping QTL traditionnel ?
A : Le QTL-seq remplace une grande partie du génotypage individuel par le séquençage en pool de phénotypes extrêmes, réduisant considérablement les coûts et les efforts. Il utilise la fréquence allélique (SNP-index et ΔSNP-index) à travers les pools pour le lien des traits au lieu de scanner de nombreux marqueurs individuels comme dans le mapping de liaison traditionnel.
Q : Combien d'échantillons sont nécessaires pour chaque lot dans le QTL-seq ?
A : Vous avez besoin d'au moins des dizaines d'individus par extrême de masse (par exemple, phénotypes élevés contre bas) pour obtenir des estimations fiables des fréquences alléliques ; en avoir plus améliorera la puissance statistique. La taille de la masse dépend de l'héritabilité du caractère, du type de population et de la profondeur de séquençage.
Q : Dois-je séquencer les deux parents dans le QTL-seq ?
A : Oui, le séquençage des deux lignées parentales améliore la précision en aidant à filtrer la variation de fond. Cela permet une meilleure identification des marqueurs polymorphes et un signal ΔSNP-index plus clair.
Q : Quelle profondeur de séquençage est requise ?
A : La profondeur doit être suffisante pour garantir des estimations fiables des fréquences alléliques - une couverture modérée à élevée dans les échantillons en vrac est essentielle. Une profondeur trop faible augmentera le bruit et réduira la capacité à identifier de véritables régions QTL. (La profondeur exacte dépend de l'organisme et de la taille du génome.)
Q : La QTL-seq peut-elle être utilisée pour n'importe quelle espèce de culture ?
A : Oui, le QTL-seq fonctionne pour de nombreuses cultures, y compris le riz, le blé, le maïs, le colza, et d'autres, tant qu'il y a un génome de référence et suffisamment de polymorphisme entre les parents.
Q : Comment la découverte fausse ou la signification statistique est-elle gérée dans le QTL-seq ?
A : Des seuils statistiques (par exemple, intervalles de confiance à 95 % / 99 %) et des tests de permutation sont utilisés. Le lissage par fenêtre glissante de l'indice ΔSNP aide à réduire le bruit. Le filtrage des variantes de faible qualité et des profondeurs est également essentiel.
Étude de cas : Cartographie QTL des traits contribuant au rendement chez le mungo (Vigna radiata L.)
CitationReddappa, S.B., Aski, M.S., Mishra, G.P. et al. Cartographie QTL pour les traits contribuant au rendement chez le mungo (Vigna radiata L.) en utilisant une population RIL. Rapports scientifiques 15, 20795 (2025). Désolé, je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici.
1. Contexte
Haricot mungoVigna radiata L.) est une culture de courte durée importante pour la sécurité alimentaire en Asie. Malgré sa valeur nutritionnelle et son rôle économique, la productivité du haricot mungo reste faible en raison de traits de rendement complexes influencés par plusieurs gènes et l'environnement. Comprendre la base génétique des traits liés au rendement tels que la hauteur des plantes, le nombre de gousses, le poids des graines et le rendement en grains est essentiel pour la sélection assistée par marqueurs et l'élevage de variétés améliorées.
2. Méthodes
- Population : Une population de lignées recombinantes consanguines (RIL) (166 lignées, F9:10) dérivée d'un croisement entre la variété à haut rendement Pusa Baisakhi et la lignée à faible rendement PMR-1.
- Phénotypage : Six caractères contribuant au rendement mesurés sur plusieurs saisons (2022–2023).
- Génotypage : Le génotypage par séquençage (GBS) a produit 38 931 SNPs ; 1 374 SNPs de haute qualité ont été utilisés pour construire une carte de liaison.
- Cartographie QTL : Le mapping par intervalle composite (CIM) et le mapping par intervalles multiples (MIM) ont été appliqués pour détecter des QTL significatifs (LOD > 3,0). Des gènes candidats ont été identifiés par le séquençage du génome complet des parents et l'annotation fonctionnelle.
3. Résultats
Découverte de QTL17 QTL ont été identifiés sur neuf chromosomes, expliquant 9 à 24 % de la variance phénotypique.
QTLs clés:
- qPH-11-1 : Hauteur de la plante (21,5 % PVE).
- qSW-10-1 : Poids des graines (24,4 % de PVE).
- qGY-7-1 : Rendement en grains (11 % PVE).
Gènes candidats: Inclus LOC106777318 (inositol-tétrakisphosphate 1-kinase, PH), LOC106775680 (ferredoxine-like, SW), et LOC106768860 facteur de transcription SPL, GY.
Point chaud du chromosomeLe chromosome 7 abritait cinq QTL majeurs pour plusieurs traits, soulignant son importance dans l'amélioration du rendement du haricot mungo.
Figure. Cartographie d'intervalle composite des traits liés au rendement dans le haricot mungo, montrant les pics de score LOD pour la hauteur des plantes, le SPAD, le poids des graines, le nombre de gousses et le rendement en grains.
4. Conclusions
Cette étude démontre que le cartographie QTL basée sur des SNP à haute densité peut efficacement disséquer l'architecture génétique du rendement dans le haricot mungo. Le rendement en grains était positivement associé au nombre de gousses, au nombre de feuilles et à la teneur en chlorophylle. Deux QTL avec un PVE élevé (qPH-11-1 et qSW-10-1) sont des cibles privilégiées pour la sélection assistée par marqueurs. Le chromosome 7 s'est révélé être une région clé contrôlant plusieurs traits de rendement, en faisant un point chaud pour le développement de nouvelles variétés. Les résultats fournissent des marqueurs moléculaires et des gènes candidats qui peuvent accélérer les programmes d'amélioration du haricot mungo.
Références:
- Takagi H, Abe A, Yoshida K, Kosugi S, Natsume S, Mitsuoka C, Uemura A, Utsushi H, Tamiru M, Takuno S, Innan H, Cano LM, Kamoun S, Terauchi R. QTL-seq : cartographie rapide des loci de traits quantitatifs chez le riz par séquençage de génome entier de l'ADN provenant de deux populations en vrac.. Plante J. Avr 2013;74(1):174-83. doi: 10.1111/tpj.12105. Publié en ligne le 18 fév 2013. PMID: 23289725.
- Reddappa, S.B., Aski, M.S., Mishra, G.P. et al. Cartographie QTL des traits contribuant au rendement chez le mungo (Vigna radiata L.) à l'aide d'une population RIL.. Sci Rep 15, 20795 (2025).
