Cartographie QTL moderne : Évolution de RFLP à NGS haute résolution

Les traits quantitatifs continuent de poser la plupart des questions en agrigénomique : rendement, résistance aux maladies, tolérance au stress abiotique, attributs de qualité, et bien d'autres. Malgré des décennies de progrès, le cartographie des régions génomiques sous-jacentes à ces traits reste une tâche centrale. Ce qui a changé—de manière spectaculaire—c'est notre méthode. La cartographie des QTL d'aujourd'hui s'appuie sur des SNPs à haute densité issus du séquençage de nouvelle génération (NGS), des conceptions groupées rationalisées et des analyses reproductibles pour réduire les intervalles et accélérer la nomination des gènes candidats.

Note éditoriale sur le champ d'applicationCet article est un aperçu basé sur des preuves destiné à aider les chercheurs à comprendre les options modernes de cartographie des QTL et les flux de travail courants à l'ère du séquençage de nouvelle génération (NGS). Il est rédigé pour des contextes de recherche et s'appuie sur des publications évaluées par des pairs et des pratiques communautaires largement utilisées, mais il est pas une directive officielle d'une société scientifique, d'un journal ou d'un organisme de normalisation, et elle ne doit pas être considérée comme la seule référence autorisée pour la conception expérimentale ou les seuils de contrôle qualité dans chaque espèce ou contexte de laboratoire.

Que tente de faire cette vue d'ensemble, de manière crédible ?

• Utiliser sources évaluées par des pairs avec des DOI pour les revendications principales (par exemple, statistiques QTL-seq, compromis de conception d'étude et approches d'analyse validées).
• Donner points de contrôle audités et indépendants de la plateforme (profondeur, doublons, taux de correspondance, choix de fenêtrage/seuil) afin que les lecteurs puissent documenter les décisions dans un SOP ou un LIMS.
• Créer le flux de travail reproductible par conception: définitions claires, plages de paramètres explicites et liens vers des archives publiques (SRA/ENA/INSDC) afin que les résultats puissent être réanalysés de manière indépendante.

1. Qu'est-ce qu'un QTL et pourquoi le cartographie est-elle toujours importante ?

Les QTL (loci de caractères quantitatifs) sont des régions génomiques qui contribuent à la variation d'un phénotype quantitatif qui présente généralement une distribution continue (par exemple, la hauteur des plantes ou le rendement). Le mapping classique des QTL détecte une association statistique entre des marqueurs génétiques en ségrégation et des valeurs de traits dans une population recombinante (par exemple, F2, haploïdes doubles ou lignées recombinantes inbred). En modélisant la co-ségrégation induite par la recombinaison—souvent résumée en centimorgans—et en calculant un profil de statistiques de test (par exemple, les scores LOD) à travers le génome, nous localisons des intervalles où les génotypes des marqueurs expliquent une variance significative dans le trait. Ces intervalles deviennent ensuite le point focal pour la découverte et la validation de gènes candidats.

1.2 Quand utiliser le mapping QTL vs GWAS

Le mappage QTL basé sur le lien et les études d'association à l'échelle du génome (GWAS) relient tous deux des marqueurs génétiques à des traits, mais ils s'adaptent à des réalités expérimentales différentes :

• Utilisez le mapping QTL lorsque vous pouvez générer ou accéder à une population de mapping biparentale ou structurée (F2, DH, RIL). Vous aurez généralement une puissance robuste avec des tailles d'échantillon modestes et des modèles plus simples, tout en acceptant une résolution de mapping inférieure en raison d'une recombinaison limitée et de seulement deux allèles parentaux échantillonnés par locus. Pour les programmes de sélection avec des croisements spécifiques et des conceptions expérimentales contrôlées, cela reste un outil essentiel.
• Utilisez les GWAS lorsque vous souhaitez une résolution plus élevée à partir de la recombinaison historique dans un panel diversifié. Soyez prêt à avoir un plus grand nombre d'échantillons, des marqueurs plus denses et des corrections par modèles mixtes pour la structure et la parenté afin d'éviter les faux positifs. Les GWAS sont particulièrement efficaces lorsque vous disposez d'un panel bien caractérisé, d'une bonne standardisation des phénotypes à travers les environnements, et d'un profil de déclin de l'LD qui justifie le cartographie fine.

Des synthèses bien élaborées décrivent ces compromis et comment ils se complètent mutuellement : la colocalisation entre un QTL de liaison et un pic GWAS renforce la confiance et guide le raffinement et la validation (Frontiers in Plant Science, 2021, DOI : 10.3389/fpls.2021.812157).

1.3 Ce que signifie le "mapping QTL moderne" à l'ère du NGS

"Le cartographie QTL moderne" marie la logique de conception classique avec une densité de marqueurs permise par le séquençage de nouvelle génération, l'automatisation et les pipelines logiciels. Trois changements définissent cette époque :

• Densité : Le séquençage de génome entier (WGS), les méthodes de représentation réduite (GBS/RAD) et les conceptions groupées (BSA-Seq/QTL-seq) fournissent des ordres de grandeur de SNPs supplémentaires par rapport aux marqueurs traditionnels ou aux matrices fixes.
• Vitesse : Les conceptions volumineuses réduisent le nombre de bibliothèques et de génotypes à préparer et à analyser, compressant les délais de plusieurs saisons ou années à quelques semaines ou quelques mois pour de nombreux traits.
• Intégration : Les résultats du NGS se connectent directement à l'annotation des variants, aux effets fonctionnels prédits et même aux superpositions de transcriptomes, facilitant le passage des intervalles aux variants causaux plausibles.

2. La chronologie de l'évolution : RFLP → SSR → Arrays SNP → NGS

2.1 ère RFLP : faible débit, marqueurs rares, travail laborieux

Les polymorphismes de longueur de fragments de restriction (RFLP) ont alimenté les premières cartes génomiques de première génération en utilisant des transferts de Southern. Les avantages comprenaient la co-dominance et une bonne reproductibilité ; les inconvénients étaient sévères : faible débit, protocoles laborieux et cartes peu denses qui limitaient la résolution. Les RFLP ont été historiquement cruciaux mais conviennent rarement aux objectifs modernes de débit ou de coût.

2.2 ère SSR/microsatellite : praticité améliorée mais densité limitée

Les répétitions de séquences simples (SSR) ont introduit le génotypage basé sur la PCR avec un contenu de polymorphisme plus élevé, des flux de travail en laboratoire plus simples et une comparabilité entre les laboratoires. De nombreuses cultures ont standardisé des panneaux SSR et généré des centaines de loci par étude. Cependant, le plafond de densité et le développement locus par locus ont rendu le cartographie fine laborieuse, en particulier pour les traits complexes.

2.3 Arrays SNP : densité plus élevée mais contenu fixe

Les puces SNP ont permis de réaliser un génotypage à grande échelle de dizaines ou de centaines de milliers de variants par échantillon avec un coût de main-d'œuvre relativement faible par échantillon. Le compromis est un contenu fixe : si des allèles causaux ou spécifiques à une population ne sont pas présents sur la puce, vous ne les verrez pas. Les puces restent précieuses dans les programmes qui privilégient la standardisation et la comparabilité entre études, mais elles sont moins adaptables aux variations nouvelles.

2.4 NGS : SNPs à haute densité + conceptions évolutives (re-séquençage / GBS / BSA-Seq)

Les méthodes NGS ont transformé le mapping. Le séquençage de génome entier permet de découvrir des SNPs de novo à une densité immense ; le GBS/RAD réduit la représentation pour gérer les coûts tout en conservant un nombre suffisant de marqueurs ; le BSA-Seq/QTL-seq regroupe des phénotypes extrêmes pour détecter des variations de fréquence allélique avec un génotypage minimal par individu. Le résultat est des intervalles plus étroits, des délais de traitement plus rapides et des pipelines qui s'intègrent parfaitement aux analyses en aval. Par exemple, dans Brassica napus, le séquençage de génome entier a produit un espacement sub-centimorgan et des intervalles plus fins qu'une carte à array fixe antérieure, réduisant l'espacement moyen de la carte d'environ 1,47 cM à environ 0,47 cM et augmentant la densité des bins d'environ trois fois, ce qui améliore considérablement l'efficacité du fine-mapping (G3, 2021, DOI : 10.1093/g3journal/jkab118).

3. Familles de méthodes fondamentales que vous verrez dans les articles

3.1 Cartographie de liaison (populations biparentales)

Le cartographie QTL dans des croisements structurés offre puissance et contrôle. En pratique, un responsable de laboratoire ou un PI peut commencer avec un F2 de quelques centaines d'individus pour un premier passage, puis progresser vers des LIR pour une réplication stable à travers les saisons. Avec des SNP denses, les scans de liaison mettent rapidement en évidence les chromosomes et les intervalles où le génotype explique la variance phénotypique. Le principal compromis : moins d'événements de recombinaison signifient des intervalles de confiance plus larges et seulement deux allèles par locus échantillonnés.

Scénarios typiques où le mapping QTL basé sur le lien brille

• Découverte de traits au sein d'un croisement défini lorsque les parents diffèrent clairement.
• Programmes en phase précoce qui ont besoin de signaux exploitables avec des budgets serrés.
• Validation complémentaire pour les résultats de GWAS dans le même système biologique

3.2 Cartographie d'association / GWAS

GWAS tire parti de la recombinaison historique à travers des accès divers pour offrir une résolution plus fine—souvent jusqu'à de petits blocs de LD lorsque la décroissance est rapide. Cela nécessite une standardisation soigneuse des phénotypes et un contrôle statistique (structure, parenté) et bénéficie d'un génotypage très dense. Lorsque vous disposez d'un grand panel diversifié avec de bons enregistrements, le GWAS peut identifier des gènes candidats et des variants régulateurs qui ont été manqués dans des conceptions biparentales.

Quand une GWAS est la bonne décision

• Exploitation des collections de germoplasme existantes pour la diversité allélique
• Cartographie fine après la découverte initiale de liaison
• Méta-analyse inter-populations, où les différences dans les motifs de LD aident à trianguler les loci causaux à travers les panels.

3.3 Approches NGS basées sur le bulk (BSA-Seq / QTL-seq)

Qu'est-ce qui a changé et pourquoi c'est plus rapide ?

• La mise en commun des phénotypes extrêmes (par exemple, les 20-25 % supérieurs et inférieurs) transforme le génotypage individuel en estimation de la fréquence allélique en vrac.
• Avec une couverture suffisante, la différence de fréquence allélique entre les groupes - formellement capturée par le Δ(SNP-index) ou des statistiques connexes (G, G′) - produit des pics marqués près des loci causaux.
• Parce que vous séquencez moins de bibliothèques et évitez le génotypage par individu, les délais et les coûts diminuent considérablement. La puissance dépend de la taille de l'effet, de la taille du lot, de la taille de la population et de la profondeur ; les simulations suggèrent que des proportions de lot autour de 20 à 25 % et une couverture totale du lot dans la plage de 20× à 100× offrent des performances robustes pour les loci à effet modéré, avec des gains se stabilisant à mesure que la couverture augmente (G3, 2022, DOI : 10.1093/g3journal/jkab370 ; PLoS Genet., 2022, DOI : 10.1371/journal.pgen.1010337).

Si vous voulez le côté pratique de 'comment ça fonctionne' de BSA-Seq/QTL-seq, commencez ici : Approche QTL-seq pour la recherche sur les cultures.

4. Pourquoi le mapping QTL basé sur le NGS est devenu le nouveau standard

4.1 Densité de marqueurs dans le cartographie QTL → intervalles plus étroits et moins de candidats

Des cartes SNP denses réduisent les intervalles de confiance et diminuent le nombre de gènes à inspecter. Dans les cultures avec de bonnes références, le séquençage de génome entier atteint régulièrement un espacement moyen sub-centimorgan dans des cartes de bins de haute qualité, par rapport à des écarts multi-centimorgan dans des ensembles de données hérités. Comme cas illustratif, une carte de bins basée sur le séquençage dans Brassica napus a atteint un espacement moyen d'environ 0,47 cM contre environ 1,47 cM avec une carte de 60K, resserrant matériellement les régions candidates (G3, 2021, DOI : 10.1093/g3journal/jkab118). Moins de candidats signifient des plans de validation plus légers et une progression plus rapide vers des tests fonctionnels.

4.2 Réduction du temps et du travail

Les conceptions NGS basées sur le pooling minimisent le nombre de bibliothèques et les étapes de génotypage. Vous échangez le génotypage par individu contre un séquençage en vrac et des analyses robustes, compressant les délais de projet de saisons à quelques semaines ou quelques mois, en fonction de la logistique de phénotypage. La réduction des étapes pratiques diminue également les risques de contamination et de manipulation lorsqu'elle est associée à des contrôles de lot stricts.

4.3 Meilleure compatibilité avec la découverte de gènes candidats en aval

Les données NGS s'intègrent directement avec les prédicteurs d'effet des variants, les modèles de gènes et même les superpositions transcriptomiques pour la congruence expression-génotype. De nombreuses équipes désignent désormais des candidats en combinant l'intervalle QTL avec des SNPs/indels à fort impact prédit et des signaux d'expression différentielle issus de l'ARN-seq. Les outils communautaires—comme le package R QTLseqr pour l'analyse QTL-seq/G′ (The Plant Genome, 2018, DOI : 10.3835/plantgenome2018.01.0006)—standardisent ces étapes et rendent les seuils audités.

5. Flux de travail typique de bout en bout (niveau élevé)

Ce flux de travail de haut niveau reflète les meilleures pratiques issues de la littérature récente et de l'expérience sur le terrain. Il est délibérément indépendant de la plateforme afin que vous puissiez l'adapter à votre culture, à la taille de votre génome et aux contraintes de votre programme.

5.1 Conception de l'étude : choix de la population, stratégie phénotypique, réplication

• Choisissez une population alignée à votre question et à votre calendrier. Pour de nombreux traits, une population F2 ou RIL de 200 à 1000 individus offre un équilibre pratique entre puissance et précision. Les RIL ajoutent de la stabilité à travers les environnements ; les F2 accélèrent la découverte précoce.
• Définir la sélection phénotypique de manière rigoureuse. Utiliser des mesures répliquées et des environnements standardisés pour réduire le bruit. Pour le BSA-Seq/QTL-seq, prédéfinir les extrêmes : sélectionner environ 20 à 25 % de chaque extrême équilibre puissance et coût dans de nombreux scénarios (G3, 2022, DOI : 10.1093/g3journal/jkab370).
• Décidez de la stratégie de séquençage parental et en masse. Assurez-vous que les parents sont séquencés à une profondeur suffisante pour confirmer les polymorphismes ; choisissez des profondeurs en masse qui fournissent des estimations fiables des fréquences alléliques (souvent 20×–100× de couverture totale par masse pour des loci à effet modéré, en reconnaissant les rendements décroissants à des profondeurs élevées). Pour les cultures avec des génomes plus grands ou une ploïdie complexe, penchez-vous vers le haut de la couverture ou envisagez des expériences de réduction d'échantillonnage pour quantifier la précision.
• Pré-enregistrer les critères de contrôle qualité et d'acceptation. Établir des seuils audités pour la qualité de la bibliothèque, la profondeur de lecture, le taux de cartographie, les duplications et les contrôles de contamination afin de maintenir la cohérence des lots.

Pour le génotypage à représentation réduite dans des projets de liaison ou d'association basés sur des lignées, de nombreuses équipes considèrent Génotypage par séquençage (GBS) gérer les coûts tout en maintenant une densité de marqueur suffisante. Lorsque la puissance de découverte et la plus haute résolution sont primordiales, Séquençage du génome entier offre une découverte maximale de variantes.

5.2 Données : stratégie de séquençage et points de contrôle de QC

Les indicateurs de qualité (QC) indépendants de la plateforme aident à garder vos pools et échantillons prêts pour l'audit :

• Taux d'alignement : Cible >95 % de lectures mappées de manière unique à une référence appropriée ; des taux <90 % signalent un décalage de référence ou une contamination. Surveillez la contamination organellaire lorsque cela est pertinent.
• Taux de duplication : Maintenez les duplicatas PCR/optique <10–20 % pour éviter de gaspiller de la profondeur et de biaiser les fréquences alléliques. Dédupliquez lors du traitement.
• Couverture : Visez une profondeur uniforme adaptée à votre conception (pour les bulk WGS, de nombreux programmes ciblent >90 % des bases couvertes à ≥10–30×). Inspectez les distributions de profondeur et le biais GC. Dans les cartes de liaison basées sur le resequencement, un espacement moyen entre les bins inférieur à ~1 cM est une bonne heuristique pour une résolution exploitable ; des études sur des cultures comme Brassica napus rapportent ~0,47 cM avec WGS (G3, 2021, DOI : 10.1093/g3journal/jkab118).
• Contamination croisée et saut d'index : Utilisez des index doubles uniques et vérifiez les motifs d'allèles inattendus ; mettez en œuvre des contrôles de laboratoire à travers les lots et les voies.

Lorsque cela est approprié, reliez vos analyses à un LIMS pour la traçabilité et la reproductibilité. Si vous ne maintenez pas de pipeline interne, suivez les meilleures pratiques neutres vis-à-vis des fournisseurs pour appel de variantes peut être appliqué en utilisant les cadres GATK/BCFtools et des schémas de filtrage clairs (par exemple, profondeur, qualité, biais de brin).

5.3 Analyse : appel de variants → statistiques de mappage → région candidate

• Appelez les variantes contre une référence vérifiée en utilisant des pipelines standards (par exemple, BWA-MEM → marquage des duplicats → recalibrage de la qualité des bases → GATK HaplotypeCaller ou BCFtools mpileup/call). Appliquez des filtres pour exclure les artefacts de faible qualité ou des régions répétitives ; assurez-vous que les parents confirment les polymorphismes.
• Calculez les indices SNP par lot (fréquence de l'allèle alternatif par site) et dérivez Δ(SNP-index) = Élevé − Bas. Lissez avec une approche par fenêtres (par exemple, fenêtres de 0,5 à 2 Mb ; 1 Mb est courant) et estimez la signification par simulation/bootstrapping (The Plant Journal, 2013, DOI : 10.1111/tpj.12105). En règle générale, les fenêtres contenant environ 200 à 500 SNPs informatifs produisent des profils stables ; augmentez la taille de la fenêtre sur des ensembles de données peu denses.
• Alternativement ou en complément, calculez les statistiques G ou G′, qui peuvent améliorer la netteté des pics autour des loci causaux dans certains contextes (voir PLoS Genet., 2022, DOI : 10.1371/journal.pgen.1010337). Des packages comme QTLseqr mettent en œuvre ces étapes avec des seuils basés sur des simulations (The Plant Genome, 2018, DOI : 10.3835/plantgenome2018.01.0006).
• Annoter l'intervalle : croiser les pics avec les modèles de gènes, prédire les effets des variantes et, lorsque cela est possible, superposer les données d'expression (par exemple, RNA-seq) ou des connaissances antérieures pour prioriser les candidats. Pour une profondeur d'analyse ou un renforcement de pipeline, les équipes indépendantes des fournisseurs font souvent appel à un soutien pour une évolutivité. Analyse des données génomiques standardiser les rapports et les archives.

5.4 Étalonnage et ensembles de données : rendre vos résultats de QTL reproductibles

Ce guide se concentre sur la sélection des méthodes et les plages de paramètres pratiques ; il n'introduit pas de nouvelles données de référence. Néanmoins, vous pouvez rendre vos résultats de cartographie QTL plus faciles à reproduire (et plus faciles à examiner) en associant votre analyse à la provenance de jeux de données publics et à une liste de contrôle de référence légère.

Où trouver des ensembles de données publiques comparables

Pour le mapping QTL basé sur le NGS et les conceptions groupées, le point de départ le plus courant est d'identifier des études avec une taille de génome/ploidie similaire et des conceptions de population similaires, puis de récupérer les lectures brutes et les métadonnées à partir des principales archives nucléotidiques publiques :

• Le Archive de lectures de séquences NCBI (SRA) pour les lectures de séquençage à haut débit brutes et les métadonnées associées à l'expérience/au run.
• Le Archive Européen des Nucleotides (ENA) pour les lectures brutes, les assemblages et les enregistrements associés.

Ces archives sont synchronisées via le Collaboration internationale sur les séquences de nucléotides (INSDC), qui coordonne l'échange de données entre GenBank/NCBI, ENA/EMBL-EBI et DDBJ.

Une liste de contrôle de benchmarking minimale à rapporter

Lorsque vous réanalysez un ensemble de données publiques (ou publiez le vôtre), incluez suffisamment de détails pour qu'un autre laboratoire puisse reproduire vos appels de pics QTL :

• Identifiants d'accession pour les parents et les lots (ou individus), version/construction du génome de référence, et disposition des lectures (PE/SE) et longueur.
• Pile d'alignement et d'appel de variants (versions logicielles + paramètres clés), plus filtres de variants (profondeur, qualité du génotype, absence).
• La statistique que vous avez utilisée pour l'appel de pics (ΔSNP-index et/ou G/G′), la taille de la fenêtre/pas, et comment vous avez défini les seuils (simulation/bootstrap/FDR).
• Résumés de QC qui comptent pour la précision de la fréquence allélique dans les lots (taux de cartographie, taux de duplication et distribution de la couverture par lot).

Si vous standardisez ces éléments, le document ressemble moins à une analyse ponctuelle et plus à un flux de travail réutilisable, sans nécessiter l'introduction d'un tout nouvel outil ou jeu de données. Pour être expliciteCet aperçu ne fournit pas d'exemple de jeu de données téléchargeable ni de "package de reproduction" exécutable. Au lieu de cela, il dirige les lecteurs vers des archives publiques (SRA/ENA/INSDC) et une liste de contrôle de rapport minimale afin que les résultats puissent être réanalysés de manière indépendante.

Un exemple neutre d'exécution facilitée par un fournisseur : un fournisseur axé sur les RUO tel que CD Genomics peut soutenir un projet QTL-seq de bout en bout — de la stratégie de pooling sur mesure et la préparation NGS à l'appel de variants et à l'analyse Δ(SNP-index)/G′ — en documentant le contrôle qualité et les seuils pour l'auditabilité. Pour les programmes préférant des conceptions en pool spécifiquement, le dédié QTL-seq la page décrit un cadre de service que vous pouvez utiliser comme référence pour tout flux de travail interne ou externe.

Pour le flux de travail bioinformatique étape par étape (appel de SNP, indice SNP, ΔΔindice SNP), voir le Guide d'optimisation du pipeline QTL-seq.

Plages de paramètres recommandées pour BSA-Seq/QTL-seq (loci à effet modéré)

Remarques : La norme littéraire est Δ(SNP-index) pour BSA-Seq. Le terme "ΔΔ(SNP-index)" apparaît de manière informelle dans certains contextes pratiques pour les contrastes entre conditions ou lots, mais les sources principales s'appuient sur Δ et G/G′.

6. Conclusion : Choisir le bon chemin et maîtriser le risque

Pensez au choix de la méthode comme au choix de l'objectif d'un appareil photo. Si vous avez besoin d'une vue rapide et confiante de l'endroit où se situe le signal dans un croisement spécifique, le mapping QTL basé sur les liaisons—en particulier avec le NGS en pool—vous offre une image nette et grand angle rapidement. Si vous recherchez des détails fins à travers une diversité de germoplasmes, l'AGC est votre objectif téléobjectif, à condition d'avoir les échantillons et les marqueurs nécessaires pour résoudre la scène.

Un croquis décisionnel pratique en mots

• Vous avez un croisement biparental, une variation d'effet modéré à important et des délais serrés : choisissez QTL-seq/BSA-Seq avec des queues prédéfinies, une couverture par bulk de 20× à 100×, et une analyse G ou Δ(SNP-index).
• Vous disposez d'un panel RIL stable ou d'une population de reproduction structurée avec des phénotypes historiques : le mapping de liaison avec des SNP denses ou le GBS permet une découverte robuste et complète les conceptions en pool.
• Vous disposez d'un panel diversifié et des ressources pour un génotypage dense et un plus grand nombre d'échantillons : les GWAS peuvent fournir une résolution fine, surtout lorsque le LD décroît rapidement et que les phénotypes sont standardisés.

Contrôles de risque et de conformité à intégrer dans vos procédures opérationnelles standard (SOP)

Convertissez la liste de contrôle suivante dans votre SOP interne ou votre modèle LIMS afin que le projet reste prêt pour un audit :

• Prédéfinir les portes de contrôle qualité (taux de correspondance, doublons, couverture) et documenter les contrôles de lot pour gérer la contamination/le saut d'index.
• Préservez la traçabilité avec l'intégration LIMS, des pipelines scriptés et des fichiers de paramètres archivés.
• Validez les meilleurs candidats avec des preuves orthogonales (par exemple, confirmation Sanger, recombinants de fine-mapping, concordance d'expression) avant tout investissement en aval.

Prochaines étapes

• Si vous souhaitez discuter d'un design d'étude RUO ou de documentation prête pour un audit pour un projet de cartographie groupée ou basé sur des individus, n'hésitez pas à nous contacter via Contactez-nousVous pouvez également explorer les pages de solutions en agrigénomique, telles que Agriculture et sciences alimentaires, pour des considérations spécifiques au domaine.

Services associés

• QTL-seq
• Analyse de ségrégation en vrac (BSA)
• Appel de variantes
• Génotypage par séquençage (GBS)
• Séquençage du génome entier
• Analyse des données génomiques
• Étude d'Association à l'Échelle du Génome (GWAS)
• Carte de liaison génétique
• Génétique des populations
• Agriculture et Sciences Alimentaires

Auteur

Yang H. — Chercheur senior, CD Genomics ; Université de Floride.

Yang est un chercheur en génomique avec plus de 10 ans d'expérience en recherche dans les domaines de la génétique, de la biologie moléculaire et cellulaire, des flux de travail de séquençage et de l'analyse bioinformatique. Compétent à la fois dans les techniques de laboratoire et l'interprétation des données, Yang soutient la conception d'études RUO et les projets basés sur le séquençage de nouvelle génération (NGS).

Références :

1. Takagi H, Abe A, Yoshida K, et al. QTL-seq : cartographie rapide des loci de traits quantitatifs chez le riz par le séquençage de génome entier de l'ADN provenant de deux populations en vrac. The Plant Journal. 2013 ; 74(1) : 174–183. DOI : 10.1111/tpj.12105. Désolé, je ne peux pas accéder à des liens externes. Veuillez fournir le texte que vous souhaitez traduire.
2. de la Fuente Cantó C, et al. Évaluation de neuf statistiques pour identifier des QTL dans l'analyse de ségrégation en vrac utilisant des approches de séquençage de nouvelle génération. PLoS Genetics. 2022;18(7):e1010337. DOI: 10.1371/journal.pgen.1010337. Désolé, je ne peux pas accéder à des liens externes. Si vous avez un texte spécifique à traduire, veuillez le fournir ici.
3. Magwene PM, et al. Les statistiques de l'analyse de ségrégation en vrac utilisant le séquençage de nouvelle génération. PLoS Computational Biology. 2011;7(11):e1002255. DOI: 10.1371/journal.pcbi.1002255. Désolé, je ne peux pas accéder à des liens externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir et je serai heureux de vous aider.
4. Huang L, et al. Optimisation de l'expérience BSA-seq pour le cartographie des QTL. G3 : Genes|Genomes|Genetics. 2022 ; 12(1) : jkab370. DOI : 10.1093/g3journal/jkab370. Désolé, je ne peux pas accéder aux contenus externes ou aux liens. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici.
5. Zhang J, et al. Une méthode de variante structurelle significative pour l'analyse des données BSA-Seq présente une puissance de détection supérieure. G3 : Genes|Genomes|Genetics. 2022 ; 12(2) : jkab400. DOI : 10.1093/g3journal/jkab400. Je suis désolé, mais je ne peux pas accéder à des contenus externes ou des liens. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
6. Dong Z, et al. Cartographie d'un QTL majeur contrôlant la hauteur des plantes à l'aide d'une carte de bins à haute densité avec séquençage du génome entier dans Brassica napus. G3 : Genes|Genomes|Genetics. 2021 ; 11(7) : jkab118. DOI : 10.1093/g3journal/jkab118. 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.
7. Khan SU, Saeed S, Khan MHU, Fan C, Ahmar S, Arriagada O, Shahzad R, Branca F, Mora-Poblete F. Avancées et défis pour l'analyse des QTL et les GWAS dans l'amélioration des plantes à haut rendement : un focus sur le colza. Biomolécules. 15 octobre 2021 ; 11(10) : 1516. doi : 10.3390/biom11101516. PMID : 34680149 ; PMCID : PMC8533950.
8. Mansfeld BN, Grumet R. QTLseqr : Un package R pour l'analyse de ségrégation en vrac avec le séquençage de nouvelle génération. The Plant Genome. 2018 ; 11(2) : 170106. DOI : 10.3835/plantgenome2018.01.0006. Je suis désolé, mais 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 et je serai heureux de vous aider.
9. Steiert TA, et al. Méthode à haut débit pour le séquençage ciblé basé sur l'hybridation de milliers de régions génomiques. NAR Genomics and Bioinformatics. 2022;4(3):lqac051. DOI : 10.1093/nargab/lqac051. Je suis désolé, mais je ne peux pas accéder à des liens ou des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le copier ici et je serai heureux de vous aider.
10. Sprang M, et al. Directives statistiques pour le contrôle de la qualité des données de séquençage à haut débit. Briefings in Bioinformatics. 2021;22(4):bbab264. DOI : 10.1093/bib/bbab264. Désolé, je ne peux pas accéder à des contenus externes ou des liens. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.