这篇笔记整理了QTL的鉴定原理。
[
Bing He et. al. 2020
流程
- 全基因组关联扫描
- 对每个SNP标记（或每个基因组位置）进行统计检验，计算其与目标性状的关联强度。最常用的指标是 LOD值（对数优势比）。
- LOD值 Logarithm off the odds score：衡量该位点存在QTL的可能性比不存在QTL的可能性大多少倍的对数值。LOD值越高，关联越显著。
- 确定显著性阈值
- 这是第一个关键标准。 需要设定一个LOD阈值，超过该阈值的峰值区域才被认为是显著的QTL。
- 如何设定？ 通常通过 “置换检验” 来确定。即：随机打乱性状数据与基因型数据的对应关系，重复扫描成千上万次，得到一个在零假设（无QTL）下的LOD值分布，然后取该分布的上分位数（如95%或99%）作为经验性显著性阈值。这能有效控制假阳性。
- 划定QTL区间（支持区间）
- 对于一个超过显著性阈值的LOD峰，其下的基因组区域就是一个候选QTL。但我们需要划定它的边界。
- 最常用方法：2-LOD支持区间。 从LOD峰值点向两侧下降，直到LOD值下降2个单位（即强度降为1/100）时，所对应的基因组位置就是该QTL的置信区间。这个区间有大约95%的概率包含真正的QTL。
- 另一个方法：贝叶斯可信区间。 用统计模型直接计算QTL位置的后验概率分布，然后取一定概率（如95%）的区间。
- 其他辅助判断标准
- 连续标记的支持： 一个可靠的QTL通常由多个相邻的、关联显著的SNP所支持，形成一个“峰”，而不是一个孤立的点。
- 表型变异解释率： 每个QTL能解释多大比例的表型变异（PVE）。研究中常将PVE > 10%的QTL称为“主效QTL”，这有助于聚焦最重要的遗传区域。
菊花研究为例进行说明：
High-density genetic map construction and identification of loci controlling flower-type traits in Chrysanthemum 在Song（2020）的文章中，作者很可能这样操作：
- 他们使用6452个SNP标记，对CTMD和RNRF性状进行了全基因组QTL扫描。
- 通过置换检验（或其他方法）确定了 LOD显著性阈值（例如，可能是3.0或更高）。只有LOD峰超过此阈值的区域才被报告为QTL。
- 对于每个显著的LOD峰，他们使用 2-LOD支持区间法 划定该QTL的物理范围（例如，位于LG1染色体上从20.5 cM到25.8 cM的区间）。
- 他们列出了每个QTL的 PVE值，并特别指出了PVE > 10%的“主效QTL”（如控制CTMD的3个主效QTL和控制RNRF的4个主效QTL）。
总结
- 没有固定的物理范围或SNP数量标准。 一个QTL的区间可能小到几kb（靠近单个基因），也可能大到几Mb（包含多个基因），这取决于重组事件、标记密度和QTL本身的效应大小。
- 核心标准是统计学的： 显著性阈值（LOD） 决定它是否存在，支持区间（如2-LOD drop） 决定它大概在哪里。
- 最终划定是一个结合统计结果和生物学知识的判断过程。 研究者会综合LOD峰形、支持区间、PVE以及区间内候选基因的功能等信息，来最终界定和报告QTL。
因此，QTL划定是遗传图谱分析中一项严谨的统计推断工作，其标准是灵活但具有明确统计学意义的