使用R/qtl进行QTL分析

QTL分析是进行基因精细定位和克隆的基础，今天教大家使用R包" qtl "进行QTL分析。

在开始分析前，我们需要准备两个输入文件：基因型和表型文件。
基因型文件：
表型文件：

基因型和表型文件均保存为逗号分隔的csv文件。
准备好两个输入文件后，我们就可以开始分析啦！

安装R包

install.packages(“qtl”)

加载R包

library(“qtl”)

导入基因型和表型数据

sug <- read.cross(“csvs”, “.”, “gen.csv”, “phe.csv”)

查看输入文件相关信息

summary(sug)

此外，还有一些函数可以统计对应的信息。

样本数

nind(sug)

染色体数

nchr(sug)

标记数

totmar(sug)

每个染色体上的标记数

nmar(sug)

表型数

nphe(sug)
除了文字信息外，我们还可以用图来展示这些信息。
plot(sug)
这三张图分别展示了缺失的基因型数据，遗传图谱和表型数据分布。
也可以单独展示这三张图。

展示缺失基因型数据（黑色为缺失的基因型）

plotMissing(sug)

绘制遗传图谱

plotMap(sug)

绘制表型分布直方图

plotPheno(sug, pheno.col=1)

计算基因型概率

sug <- calc.genoprob(sug, step=1)

使用默认方法进行single-QTL全基因组扫描

out.em <- scanone(sug)

查看扫描结果

summary(out.em)

挑选LOD > 3的结果

summary(out.em, threshold=3)

展示结果

plot(out.em)

我们可以看到7号和15号染色体上各有一个显著的峰。

使用Haley-Knott回归方法进行全基因组扫描

out.hk <- scanone(sug, method=“hk”)

使用Multiple imputation法进行全基因组扫描

sug <- sim.geno(sug, step=1, n.draws=64)
out.imp <- scanone(sug, method=“imp”)

比较三种方法结果的差异

plot(out.em, out.hk, out.imp, col=c(“blue”, “red”, “green”))

我们可以看到，三种方法的结果并没有明显差异。

进行1000次Permutation test

operm <- scanone(sug, method=“hk”, n.perm=1000)

获得显著性阈值

summary(operm, alpha=c(0.05, 0.2))

从扫描结果中挑选显著的位点

summary(out.hk, perms=operm, alpha=0.2, pvalues=TRUE)

接下来，我们需要估计QTL区间。因为我们通过LOD值过滤后的QTL位点位于7号和15号染色体上，所以我们首先对7号染色体上的QTL区间的进行估计。

获得7号染色体1.5倍LOD区间和95%贝叶斯区间

lodint(out.hk, chr=7, drop=1.5)
bayesint(out.hk, chr=7, prob=0.95)

第一行和第三行是区间的范围，第二行是预测QTL的位置。

获得区间两侧最近的标记

lodint(out.hk, chr=7, expandtomarkers=TRUE)
bayesint(out.hk, chr=7, expandtomarkers=TRUE)

获得离QTL最近的标记

max(out.hk)
mar <- find.marker(sug, chr=7, pos=47.7)

统计不同基因型个体的表型

plotPXG(sug, marker=mar)

红色的点表示基因型进行过填补的个体。

统计不同基因型个体的效应

effectplot(sug, mname1=mar)

Tips：我们常说的LOD值=log10 (L1/L0) ，L1指该位点含QTL的概率，L0指该位点不含QTL的概率。LOD值为3表示该位点含QLT的概率是不含QTL概率的1000倍。