Services d'analyse de génotypage et de diversité génétique : GBS, ddRAD-Seq, génotypage SNP et solutions en génomique des populations.

La génotypage — détermination de la composition allélique d'un organisme à des loci spécifiques — est la mesure fondamentale de la génétique moderne. Chaque étude de génétique des populations, chaque association à l'échelle du génome, chaque programme de reproduction, chaque plan de gestion de la conservation commence par la même question : quels sont les génotypes et comment varient-ils entre les individus ? Les méthodes disponibles pour répondre à cette question ont considérablement évolué au cours des deux dernières décennies, passant des tests de polymorphisme de longueur de fragments de restriction (RFLP) basés sur gel, qui interrogeaient des dizaines de loci, aux approches basées sur le séquençage de nouvelle génération qui génotypent simultanément des centaines de milliers de polymorphismes à un nucléotide (SNP) chez des centaines d'individus lors d'une seule course de séquençage. Cet article fournit un aperçu orienté vers la décision des quatre stratégies de génotypage dominantes — séquençage à représentation réduite (GBS et ddRAD-seq), génotypage de microsatellites et de SNP ciblés, études d'association à l'échelle du génome, et plateformes à haut débit basées sur des puces — et propose un cadre pour sélectionner la bonne approche en fonction de l'espèce, du budget, des exigences de densité de marqueurs et de la disponibilité du génome de référence.

Figure 1 : Évolution des technologies de génotypage — Du RFLP au génotypage à haut débit basé sur le NGS

GBS et ddRAD-Seq — Des milliers de SNP sans génome de référence

Le génotypage par séquençage (GBS) et sa variante affinée, le séquençage d'ADN associé aux sites de restriction à double digestion (ddRAD-seq), sont devenus les méthodes de référence pour la génétique des populations chez les organismes non-modèles. Le principe de base est simple : l'ADN génomique est digéré avec une ou plusieurs enzymes de restriction, des adaptateurs sont ligaturés aux sites de coupure, et seuls les fragments immédiatement adjacents aux sites de restriction sont séquencés. Comme le génome de chaque individu est découpé aux mêmes motifs de séquence, les mêmes loci orthologues sont récupérés dans tous les échantillons, produisant un ensemble reproductible de milliers à des dizaines de milliers de marqueurs SNP répartis sur le génome.

La méthode doit sa popularité à trois caractéristiques. Tout d'abord, elle ne nécessite aucune information génomique préalable : pas de génome de référence, pas de base de données de SNP, pas de conception de sondes. Cela la rend immédiatement applicable à n'importe quelle espèce, c'est pourquoi le GBS et le ddRAD-seq dominent la génétique de conservation, la phylogéographie et l'étude des populations sauvages où les ressources de référence sont rares. Deuxièmement, le coût par échantillon est exceptionnellement bas à grande échelle : une étude de 2025 a optimisé un pipeline GBS basé sur le ddRAD pour jusqu'à 384 échantillons par séquençage, atteignant des coûts de préparation de bibliothèque inférieurs à 9 euros par échantillon et des coûts de séquençage d'environ 10 à 14 euros par échantillon (Fischer et al., BMC Genomics, 2025). Troisièmement, la réduction de complexité basée sur des enzymes enrichit naturellement les loci polymorphes : les sites de restriction qui diffèrent entre les individus en raison de variations de SNP ou d'indel produisent des motifs de présence/absence dans les données de séquençage, ajoutant une couche supplémentaire d'information génétique au-delà des SNP eux-mêmes.

la distinction entre GBS et ddRAD-seq est importante pour la conception des études. Le GBS standard utilise une seule enzyme de restriction (généralement ApeKI ou PstI) et s'appuie sur la PCR ou la sélection par taille pour réduire la complexité des fragments. Cela en fait l'option la plus économique pour des cohortes très larges — des panneaux de reproduction de milliers d'individus, par exemple — mais introduit une variabilité dans les loci récupérés d'un échantillon à l'autre, entraînant des taux plus élevés de données manquantes. Le ddRAD-seq utilise deux enzymes de restriction plus une fenêtre de sélection de taille précise (typiquement de 300 à 500 paires de bases), ce qui améliore considérablement la répétabilité des loci entre les échantillons et réduit les données manquantes. Pour les analyses de structure de population où les F-statistiques, l'ADMIXTURE et l'inférence phylogénétique dépendent de la disponibilité de génotypes à des loci partagés, le ddRAD-seq est généralement le choix le plus sûr. Pour les programmes de reproduction où la sortie principale est des valeurs de reproduction estimées génomiques provenant de milliers d'individus, le coût par échantillon plus bas du GBS à enzyme unique peut l'emporter sur son taux de données manquantes plus élevé, en particulier lorsque des pipelines d'imputation sont disponibles. Pour les chercheurs planifiant des projets de représentation réduite, génotypage par séquençage et ddRAD-seq les services offrent un soutien de bout en bout, depuis la sélection des enzymes et la préparation des bibliothèques jusqu'à l'appel SNP bioinformatique et l'analyse génétique des populations.

Le choix de l'enzyme de restriction mérite plus d'attention qu'il n'en reçoit généralement. Une étude de 2024 dans BMC Genomics a analysé 80 assemblages de génomes chez les plantes, les protostomiens et les deutérostomiens et a constaté que le contenu en GC des sites de reconnaissance des enzymes et la composition du génome biaisent significativement la distribution des loci — les sites d'enzymes riches en GC tendent à s'enrichir en régions exoniques, tandis que les sites riches en AT se dirigent vers les régions intergéniques et introniques (Galla-Camps et al., 2024). L'implication est que les chercheurs devraient considérer s'ils souhaitent des marqueurs concentrés dans ou près des gènes (utile pour les analyses d'adaptation et les GWAS) ou largement distribués à travers le génome (meilleur pour l'inférence démographique et la structure de population neutre). Des outils de digestion in silico tels que SimRAD et ddgRADer permettent aux chercheurs de prédire les distributions de fragments pour n'importe quelle combinaison d'enzymes par rapport à un génome de référence ou à l'assemblage d'une espèce étroitement apparentée avant de s'engager dans des travaux en laboratoire. Pour un traitement plus approfondi de la préparation de bibliothèques à représentation réduite, de la conception expérimentale et de l'analyse des données avec Stacks et ipyrad, consultez notre guide détaillé sur ddRAD-Seq et RAD-Seq pour la génétique des populations et la phylogénomique.

Figure 2 : Flux de travail GBS et ddRAD-Seq — De la digestion par restriction à la matrice SNP

Génotypage de microsatellites et de SNP — Marqueurs ciblés pour la parenté, la conservation et la criminalistique

Bien que le séquençage à représentation réduite découvre des milliers de SNPs anonymes à l'échelle du génome, il existe de nombreuses applications où la question n'est pas "à quoi ressemble le génome" mais "ces marqueurs spécifiques connus correspondent-ils ?" L'attribution de parenté dans les colonies d'élevage en captivité, l'identification judiciaire de la faune braconnée, l'authentification des cultivars en agriculture et le suivi des populations à l'aide de panneaux de marqueurs établis bénéficient tous d'approches de génotypage qui ciblent des loci spécifiques, bien caractérisés, avec un contenu d'information élevé par marqueur.

Les microsatellites — répétitions en tandem courtes de motifs de 1 à 6 paires de bases qui varient en nombre de répétitions entre les individus — restent largement utilisés dans ces contextes malgré l'essor des méthodes basées sur les SNP. Leur nature multi-allélique signifie qu'un seul locus microsatellite porte beaucoup plus d'informations qu'un SNP bi-allélique : un locus avec 10 allèles peut distinguer 55 génotypes, tandis qu'un SNP ne distingue que 3. Un panel de 10 à 20 microsatellites hautement polymorphes peut résoudre la parenté avec une quasi-certitude dans les populations gérées, et parce que le génotypage par microsatellite utilise une analyse de fragments standard par électrophorèse capillaire — une technologie disponible dans pratiquement tous les centres de recherche — les résultats sont hautement portables et reproductibles entre les laboratoires et dans le temps. Une étude de validation de 2025 a démontré que 23 marqueurs microsatellites organisés en 7 panels multiplex assignaient de manière fiable la parenté chez plus de 2 900 macaques de deux espèces, la plupart des marqueurs montrant des valeurs de contenu d'information polymorphique supérieures à 0,5 et une amplification réussie à partir d'échantillons non invasifs, y compris des follicules pileux (de Groot et al., Ecology and Evolution, 2025). Services de génotypage de microsatellites soutenir la conception de projets depuis le développement de marqueurs et l'optimisation multiplex jusqu'à l'analyse des fragments et le scoring des allèles pour des applications en parenté, diversité et criminalistique.

Le génotypage SNP des marqueurs individuels occupe un terrain intermédiaire entre la découverte à l'échelle du génome et l'analyse ciblée des microsatellites. Lorsqu'une étude a déjà identifié les SNP pertinents — à partir d'une GWAS antérieure, d'une étude de gènes candidats ou d'une découverte GBS — le chemin le plus efficace consiste souvent à génotyper uniquement ces SNP validés sur un ensemble d'échantillons plus large. Les plateformes de génotypage SNP ciblé couvrent une large gamme de débit : les tests TaqMan et KASP pour un à quelques SNP sur des milliers d'échantillons ; MassARRAY pour des dizaines à des centaines de SNP sur des centaines d'échantillons ; et le séquençage d'amplicons ciblés pour des centaines de SNP sur un nombre modéré d'échantillons. L'avantage clé par rapport aux méthodes à l'échelle du génome est le coût : lorsque seul un petit nombre de marqueurs est nécessaire, payer pour un séquençage de génome entier ou de représentation réduite sur chaque échantillon est un gaspillage. Pour une discussion complète sur la sélection des marqueurs, la comparaison des plateformes et la conception de l'étude, voir Services de génotypage de microsatellites et de SNP pour les études de parenté, de conservation et de diversité.

Figure 3 : Génotypage de microsatellites vs. SNP — Contenu d'information, débit et correspondance d'application

GWAS — Relier les génotypes aux phénotypes

Les études d'association à l'échelle du génome (GWAS) transforment les données de génotypage provenant d'un catalogue de variation génétique en une carte des relations génotype-phénotype. Le principe est simple : à chaque marqueur, l'allèle est testé pour son association statistique avec le trait d'intérêt, et les marqueurs qui dépassent un seuil de signification à l'échelle du génome sont considérés comme liés à des variants causaux. En pratique, le défi ne réside pas dans la réalisation des tests d'association, mais dans le contrôle des effets de confusion de la structure de population — la distribution non aléatoire des allèles à travers les sous-populations qui peut produire des associations fallacieuses — et dans le fait d'avoir une puissance statistique suffisante pour détecter des variants à petit effet dans des traits contrôlés par de nombreux gènes.

GBS est devenu un partenaire naturel pour les GWAS dans les organismes non-modèles car il fournit simultanément les deux éléments dont les GWAS ont besoin : des marqueurs génomiques denses et des génotypes pour tous les individus de l'étude. Un seul passage de GBS sur un panel de diversité de 200 individus produit généralement entre 10 000 et 50 000 SNPs après filtrage, ce qui est suffisamment dense pour identifier la plupart des haplotypes communs dans les espèces avec des distances de déclin de déséquilibre de liaison modérées. Le pipeline d'analyse statistique est bien établi : les SNPs sont filtrés selon la fréquence de l'allèle mineur (généralement ≥5 pour cent), le taux d'appel (≥80 pour cent) et l'équilibre de Hardy-Weinberg, puis testés à l'aide de modèles linéaires mixtes qui intègrent une matrice de parenté et des composantes principales pour tenir compte de la structure de la population. Des outils tels que GEMMA, GAPIT et EMMAX mettent en œuvre ces modèles de manière efficace pour des ensembles de données à l'échelle GBS, acceptant des fichiers de génotypes VCF standard et des tables de phénotypes pour produire des statistiques d'association qui peuvent être visualisées avec des packages R tels que qqman pour les graphiques de Manhattan et Q-Q.

le paramètre de conception critique pour les GWAS basés sur GBS est la taille de l'échantillon. La puissance pour détecter une variante dépend de sa taille d'effet, de sa fréquence allélique et du nombre d'individus phénotypés et génotypés. Pour les traits contrôlés par de nombreux loci de petit effet — ce qui décrit la plupart des traits agronomiques et liés à la condition physique — des tailles d'échantillon dans la plage de 300 à 1 000 individus sont généralement nécessaires pour détecter plus qu'une poignée d'associations significatives. Les études avec moins de 100 individus sont sous-alimentées pour tous sauf les loci à effet le plus important, et même ceux-ci doivent être interprétés avec prudence en raison de la malédiction du gagnant — la tendance à ce que les tailles d'effet aux marqueurs significatifs soient surestimées dans de petits échantillons. Pour les chercheurs planifiant des études de cartographie d'association, services d'étude d'association à l'échelle du génome fournir des pipelines intégrés de gestion des données de génotypage, de phénotypage et d'analyse statistique. Une discussion complète sur la conception expérimentale, l'analyse de puissance et l'interprétation est disponible dans notre guide sur Conception expérimentale GWAS avec GBS.

Figure 4 : Flux de travail GWAS — Des données de génotype et de phénotype au graphique de Manhattan et aux gènes candidats

Génotypage à haut débit basé sur des matrices — Plateformes à contenu fixe pour des études à l'échelle de la population

Pour les études nécessitant des ensembles de marqueurs cohérents et standardisés à travers des milliers d'échantillons — consortiums de génétique des populations humaines, prédiction génomique à grande échelle chez les espèces agricoles, études de cohorte à l'échelle des biobanques — les microarrays SNP restent la plateforme de choix. Les arrays modernes tels que l'Illumina Infinium Global Diversity Array (GDA) intègrent environ 1,8 million de marqueurs sur une seule puce à billes, avec un contenu sélectionné pour capturer la variation commune à travers plusieurs populations continentales. Des arrays agricoles existent pour les principales espèces de cultures et de bétail, permettant des pipelines de sélection génomique standardisés où les génotypes provenant de différentes études, laboratoires et pays doivent être fusionnés et comparés.

L'avantage principal des puces par rapport au génotypage basé sur le séquençage est la standardisation. Chaque échantillon est interrogé sur exactement le même ensemble de marqueurs, mesuré sur la même plateforme, avec la même chimie. Il n'y a pas de loci manquants en raison d'un échantillonnage stochastique des sites de restriction (comme dans le GBS) ou d'une profondeur de séquençage variable (comme dans le WGS à faible couverture). L'appel de génotypes est mature et automatisé grâce à des logiciels tels que GenomeStudio, et les métriques de contrôle de qualité — taux d'appel, séparation des clusters, reproductibilité — sont bien caractérisées et standardisées dans le domaine. Cela fait des puces le choix par défaut pour les applications où les données doivent être comparables entre les laboratoires et sur des périodes d'étude de plusieurs années : consortiums GWAS humains, programmes de sélection nationaux et recherche pharmacogénomique à l'échelle de la population.

La principale limitation des matrices à contenu fixe est le biais de sélection : les marqueurs sur la puce ont été sélectionnés en fonction des schémas de variation dans les populations de découverte utilisées lors de la conception de la matrice. Pour le GDA, cela signifie que la variation spécifique aux populations sous-représentées dans les premiers efforts de séquençage est systématiquement manquée. Le séquençage du génome entier à faible couverture avec imputation émerge comme une approche concurrente qui évite complètement le biais de sélection — une comparaison de 2025 portant sur 2 504 individus du projet 1000 Genomes a révélé que le séquençage à faible couverture (0,5x à 2x) se comportait de manière compétitive par rapport aux matrices spécifiques à la population en termes de précision d'imputation et d'estimation de score polygénique, et surpassait les matrices dans les populations sous-représentées (Kostyukova et al., 2026). Cependant, pour les applications où l'ensemble standard de marqueurs est adapté à l'objectif, les matrices restent plus économiques et computationnellement gérables à très grande échelle. Pour une discussion détaillée des plateformes de matrices, de la sélection de contenu et de la comparaison avec les approches basées sur le séquençage, consultez notre guide sur Génotypage par Global Diversity Array et Infinium array.

Figure 5 : Génotypage basé sur un tableau — Technologie Infinium BeadChip et conception à contenu fixe vs. conception personnalisée

Sélection de votre stratégie de génotypage — Un cadre décisionnel

Avec plusieurs méthodes disponibles, chacune adaptée à différentes combinaisons d'espèces, de budget, de densité de marqueurs et de ressources de référence, la clé d'un génotypage efficace est d'associer la méthode à la question. La décision peut être organisée autour de quatre questions.

Premièrement : avez-vous un génome de référence ? Si oui, l'ensemble des méthodes est disponible, y compris le séquençage WGS à faible couverture augmenté par imputation. Si non, les méthodes de représentation réduite (GBS et ddRAD-seq) deviennent la norme pour les marqueurs à l'échelle du génome, car elles peuvent fonctionner de manière dé novo en utilisant des pipelines basés sur le clustering tels que Stacks et ipyrad. Le génotypage par microsatellites ne nécessite également aucun génome de référence mais nécessite un développement préalable des marqueurs — un investissement unique dans le criblage de bibliothèques et la conception de primers.

Deuxième point : combien de marqueurs avez-vous besoin ? Pour l'attribution de parenté et l'identification judiciaire, 10 à 30 microsatellites ou SNPs très informatifs peuvent suffire. Pour l'analyse de la structure des populations et l'analyse phylogénétique, 1 000 à 10 000 SNPs à l'échelle du génome sont généralement adéquats. Pour les GWAS et la prédiction génomique, 10 000 à 50 000 marqueurs représentent la plage pratique à partir de GBS ; les puces fournissent de 50 000 à 1,8 million selon l'espèce et la plateforme. Pour les études nécessitant une densité maximale de marqueurs ou la capacité de détecter des variants rares, le séquençage de l'ensemble du génome — potentiellement à faible couverture avec imputation — peut être justifié. Séquençage du génome entier peut servir à la fois de plateforme de génotypage et d'outil de découverte pour les variants structurels et les allèles rares non capturés par des approches à représentation réduite ou basées sur des puces.

Troisièmement : combien d'échantillons ? À petite échelle (moins de 50 échantillons), les coûts de préparation de bibliothèque par échantillon dominent et le choix de la méthode est moins contraint par le budget — choisissez la méthode qui fournit les meilleures données pour la question. À échelle moyenne (de 50 à 500), le GBS et le ddRAD-seq deviennent très rentables, et les puces deviennent économiques si la puce spécifique à l'espèce existe. À grande échelle (plus de 500), les puces et le GBS hautement multiplexé sont les options dominantes ; le WGS reste coûteux à moins qu'une couverture très faible avec imputation ne soit acceptable. Génomique des populations et études sur l'évolution bénéficier d'un appariement soigneux en amont de la taille de l'échantillon à la densité des marqueurs, car la puissance statistique des analyses en aval — F-statistiques, ADMIXTURE, inférence phylogénétique — dépend à la fois du nombre d'individus et du nombre de marqueurs informatifs.

Quatrième : quel est l'objectif final de l'analyse ? Chaque méthode a des affinités naturelles. GBS et ddRAD-seq excellent dans l'analyse de la structure des populations, la phylogéographie et l'évaluation de la diversité génétique dans n'importe quelle espèce. Les pipelines GWAS basés sur des données GBS relient les génotypes aux phénotypes pour le cartographie des traits et la sélection assistée par marqueurs. Les microsatellites restent pratiques pour la parenté, la reconstruction de pedigree et les affaires judiciaires où des marqueurs multi-alléliques compatibles entre laboratoires sont essentiels. Les puces dominent la génétique des populations humaines, la sélection génomique dans les principales espèces agricoles et toute application où les génotypes de plusieurs études doivent être fusionnés. Services de bioinformatique pour l'analyse génétique des populations, soutenez l'ensemble du spectre de l'interprétation en aval, de l'appel et du filtrage des variants à l'analyse en composantes principales, à la construction d'arbres phylogénétiques et à la détection de scans de sélection.

Le paysage technologique du génotypage en 2026 est défini moins par ce qui est techniquement possible — presque tout l'est — et plus par l'économie d'adéquation de la méthode à la question à l'échelle requise. Les projets de génotypage les plus réussis ne sont pas ceux qui génèrent le plus de données, mais ceux qui génèrent exactement les bonnes données pour répondre à une question bien formulée dans le respect du budget. Pour tout projet de génotypage, approches de génotypage ciblées peut être personnalisé en fonction de l'ensemble de marqueurs spécifique, du nombre d'échantillons et des objectifs analytiques de l'étude.

Figure 6 : Cadre de décision pour la stratégie de génotypage — Référence, marqueurs, échantillons et objectif

FAQ

Quelle est la différence entre GBS et ddRAD-seq ?

GBS utilise une seule enzyme de restriction pour réduire la complexité du génome, ce qui en fait l'option la plus économique pour des cohortes très grandes, mais entraîne des taux plus élevés de données manquantes entre les échantillons. ddRAD-seq utilise deux enzymes de restriction ainsi qu'une fenêtre de sélection de taille précise, ce qui améliore la répétabilité des loci et réduit les données manquantes, en faisant le choix privilégié lorsque des statistiques génétiques de population robustes sont la priorité.

Quand devrais-je utiliser des microsatellites au lieu de SNPs ?

Les microsatellites sont multi-alléliques, donc un seul locus contient bien plus d'informations qu'un SNP bi-allélique — 10 à 20 bons microsatellites peuvent résoudre la parenté avec une grande confiance. Ils demeurent la norme pour la reconstruction de pedigree, les affaires judiciaires et tout contexte où les résultats doivent être comparables entre les laboratoires utilisant l'électrophorèse capillaire standard.

Ai-je besoin d'un génome de référence pour le GBS ou le ddRAD-seq ?

Non. Les deux méthodes peuvent fonctionner de novo en utilisant des pipelines bioinformatiques basés sur le clustering, tels que Stacks et ipyrad, qui identifient des loci orthologues à travers des échantillons sans référence. Avoir un génome de référence améliore l'appel et l'annotation des variants, mais n'est pas requis, c'est pourquoi ces méthodes dominent la recherche sur les organismes non-modèles.

Combien d'échantillons ai-je besoin pour une GWAS ?

Pour les traits contrôlés par de nombreux loci à faible effet, il est généralement nécessaire d'avoir entre 300 et 1 000 individus pour détecter de manière fiable des associations significatives. Les études comportant moins de 100 individus sont généralement sous-alimentées, sauf pour les loci ayant des effets très importants, et les résultats significatifs provenant de petites études doivent être interprétés avec prudence en raison du phénomène de la malédiction du gagnant.

Quelles sont les principales limitations des puces SNP ?

La principale limitation est le biais de constatation : les marqueurs sur la puce ont été sélectionnés en fonction de la variation dans les populations de découverte utilisées lors de la conception de la puce, de sorte que la variation spécifique aux populations non représentées est systématiquement manquée. Les puces à contenu fixe ne peuvent également pas être mises à jour pour inclure de nouveaux marqueurs découverts après la conception de la puce.

Comment choisir entre le séquençage à représentation réduite et le séquençage du génome entier pour la génétique des populations ?

Si votre espèce a un génome de référence et que vous avez besoin du maximum de marqueurs, y compris des variants rares, ou si vous avez besoin de détecter des variants structurels, le séquençage du génome entier (WGS) — potentiellement à faible couverture avec imputation — est le meilleur choix. Si vous n'avez pas de génome de référence, avez un budget limité, ou n'avez besoin que de milliers à des dizaines de milliers de marqueurs pour des analyses génétiques de population standard, les méthodes de représentation réduite sont plus pratiques et rentables.

Références :

1. Fischer D, Tapio M, Bizien T, Sonstebo JH, Runtz T, Hindle MM, Crepaldi P, et al. Ajustement des données GBS avec comparaison des approches de génome de référence et de génome témoin pour faire progresser la sélection génomique dans des espèces d'élevage moins étudiées. BMC Genomics2025;26:111. 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 copier ici et je me ferai un plaisir de vous aider.
2. Kostyukova I, Kenzhebekova R, Turzhanova A, et al. Génotypage de nouvelle génération : innovations propulsant l'amélioration génomique des plantes. Vie2026 ; 16(3) : 521. Je suis désolé, mais je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir et je serai heureux de vous aider.
3. Galla-Camps M, Carreras C, Pascual M, Pegueroles C. La composition génomique et la teneur en GC influencent la distribution des loci dans les études génomiques à représentation réduite. BMC Genomics. 2024;25:410. Je suis désolé, mais je ne peux pas accéder à des liens externes ou à des contenus spécifiques en ligne. Si vous avez un texte que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
4. de Groot NG, de Vos-Rouweler AJM, Heijmans CMC, Louwerse AL, Massen JJM, Langermans JAM, Bontrop RE, Bruijnesteijn J. Conservation génétique et gestion des populations de primates non humains : détermination de la parenté à l'aide de sept multiplexes basés sur des microsatellites. Écologie et Évolution. 2025;15:e71216. Je suis désolé, mais je ne peux pas accéder à des liens externes ou au contenu de documents. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
5. de Pontes FCF, Machado IP, Silveira MVS, Lobo ALA, Sabadin F, Fritsche-Neto R, DoVale JC. Combiner des approches de génotypage améliore la résolution pour la cartographie d'association : une étude de cas dans le maïs tropical sous conditions de stress hydrique. Frontières en science des plantes. 2025;15:1442008. Désolé, je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
6. Li J, Liu Y, Zhang Q, Wang H. Revue complète des outils d'analyse SSR. Frontières en Génétique. 2024;15:1474611. Désolé, je ne peux pas accéder à des liens externes. Si vous avez du texte à traduire, veuillez le fournir ici.

À des fins de recherche uniquement, non destiné à un diagnostic clinique, un traitement ou des évaluations de santé individuelles.