Екатеринбург, Россия
Аннотация. Полногеномный анализ ассоциаций является одним из ключевых инструментов для выяснения генетической этиологии различных фенотипов, в том числе заболеваний и степени предрасположенности к ним. В последующем для статистически значимых генетических маркеров необходимо проведение валидационных исследований на независимых выборках. Такие валидационные post-GWAS-исследования позволяют тестировать генетические маркеры, высокая степень ассоциации которых с фенотипом подтверждается независимо от размера выборки, позволяя опровергнуть ложноположительные результаты изначального анализа ассоциаций. При выборе методики генотипирования для валидационных post-GWAS-исследований необходимо учитывать размер выборки и количество генетических маркеров для изучения, поскольку методики различаются по производительности и необходимым финансовым ресурсам. Цель данной работы – проведение генотипирования крупного рогатого скота по SNPs rs137396952 и rs134055603, для которых была показана высокая степень ассоциации с развитием кетоза в предыдущих GWAS-исследованиях, и описание современных методов генотипирования в зависимости от их производительности. Использованные методы генотипирования включают в себя технологии TaqMan и High-Resolution Melt Analysis. Анализ генотипов проведен с помощью веб-инструмента SNPStats. По полученным результатам генотипирования с помощью указанных технологий продемонстрированы особенности аллельной дискриминации методов. Проведено тестирование результатов генотипирования, в результате которого показано, что rs134055603 не подчиняется равновесию Харди – Вайнберга в исследованной выборке животных. Научная новизна. Полученные результаты по генотипированию могут быть использованы в дальнейших ассоциативных тестах с физиологически ценными параметрами, в том числе устойчивости к заболеваниям крупного рогатого скота молочного направления.
GWAS, крупный рогатый скот, генотипирование, SNP, ДНК, ПЦР, электрофорез
1. Uffelmann E., Huang Q. Q., Munung N. S., de Vries J., Okada Y., Martin A. R., Martin H. C., Lappalainen T., Posthuma D. Genome-wide association studies // Nature Reviews Methods Primers. 2021. Vol. 1. No. 1. Article number 59. DOI:https://doi.org/10.1038/s43586-021-00056-9.
2. Oetting W. S., Jacobson P. A., Israni A. K. Validation Is Critical for Genome-Wide Association Study-Based Associations // American Journal of Transplantation. 2017. Vol. 17. No. 2. Pp. 318-319. DOI:https://doi.org/10.1111/ajt.14051.
3. Goodwin S., McPherson J. D., McCombie W. R. Coming of age: ten years of next-generation sequencing technologies // Nature Reviews Genetics. 2016. Vol. 17. No. 6. Pp. 333-351. DOI:https://doi.org/10.1038/nrg.2016.49.
4. Kovalchuk S. N., Arkhipova A. L. Development of TaqMan PCR assay for genotyping SNP rs211250281 of the bovine agpat6 gene // Animal Biotechnology. 2022. DOI:https://doi.org/10.1080/10495398.2022.2077742.
5. Heather J. M., Chain B. The sequence of sequencers: The history of sequencing DNA // Genomics. 2016. Vol. 107. No. 1. DOI:https://doi.org/10.1016/j.ygeno.2015.11.003.
6. Jiang J., Ma L., Prakapenka D., VanRaden P. M., Cole J. B., Da Y. A Large-Scale Genome-Wide Association Study in U.S. Holstein Cattle // Frontiers in Genetics. 2019. Vol. 10. Article number 412. DOI:https://doi.org/10.3389/fgene.2019.00412.
7. Liu Y., Jiao Y., Li P., Zan L. MALDI-TOF-MS-based high throughput genotyping of mutations associated with body measurement traits in cattle // Mammalian Genome. 2020. Vol. 31. No. 7-8. Pp. 228-239. DOI:https://doi.org/10.1007/s00335-020-09840-6.
8. Nayeri S., Schenkel F., Fleming A., Kroezen V., Sargolzaei M., Baes C., Canovas A., Squires J., Miglior F. Genome-wide association analysis for beta-hydroxybutyrate concentration in Milk in Holstein dairy cattle // BMC Genetics. 2019. Vol. 20. No. 1. Article number 58. DOI:https://doi.org/10.1186/s12863-019-0761-9.
9. Kalendar R., Khassenov B., Ramankulov Y., Samuilova O., Ivanov K. I. FastPCR: An in silico tool for fast primer and probe design and advanced sequence analysis // Genomics. 2017. Vol. 109. No. 3-4. Pp. 312-319. DOI:https://doi.org/10.1016/j.ygeno.2017.05.005.
10. Kalendar R., Lee D., Schulman A. H. Java web tools for PCR, in silico PCR, and oligonucleotide assembly and analysis // Genomics. 2011. Vol. 98. No. 2. Pp. 137-144. DOI:https://doi.org/10.1016/j.ygeno.2011.04.009.
11. Pavlo H. pavlohrab/hrmR: Pre-release version (v0.1-alpha) // Zenodo. 2021. DOI:https://doi.org/10.5281/zenodo.4491296.
12. Sole X., Guino E., Valls J., Iniesta R., Moreno V. SNPStats: a web tool for the analysis of association studies // Bioinformatics. 2006. Vol. 22. No. 15. Pp. 1928-1929. DOI:https://doi.org/10.1093/bioinformatics/btl268.
13. Chen Z., Boehnke M., Wen X., Mukherjee B. Revisiting the genome-wide significance threshold for common variant GWAS // G3 (Bethesda). 2021. Vol. 11. No. 2. Article number jkaa056. DOI:https://doi.org/10.1093/g3journal/jkaa056.
14. Qanbari S. On the Extent of Linkage Disequilibrium in the Genome of Farm Animals // Frontiers in Genetics. 2019. Vol. 10. Article number 1304. DOI:https://doi.org/10.3389/fgene.2019.01304.
15. Fabbri M. C., Dadousis C., Bozzi R. Estimation of Linkage Disequilibrium and Effective Population Size in Three Italian Autochthonous Beef Breeds // Animals (Basel). 2020. Vol. 10. No. 6. Article number 1034. DOI:https://doi.org/10.3390/ani10061034.
16. Singh A., Kumar A., Mehrotra A., Pandey A. K., Mishra B. P., Dutt T. Estimation of linkage disequilibrium levels and allele frequency distribution in crossbred Vrindavani cattle using 50K SNP data // PLoS One. 2021. Vol. 16. No. 11. Article number e0259572. DOI:https://doi.org/10.1371/journal.pone.0259572.
17. Joiret M., Mahachie John J. M., Gusareva E. S., Van Steen K. Confounding of linkage disequilibrium patterns in large scale DNA based gene-gene interaction studies // BioData Mining. 2019. Vol. 12. Article number 11. DOI:https://doi.org/10.1186/s13040-019-0199-7.
18. Gallagher M. D., Chen-Plotkin A. S. The Post-GWAS Era: From Association to Function // American Journal of Human Genetics. 2018. Vol. 102. No. 5. Pp. 717-730. DOI:https://doi.org/10.1016/j.ajhg.2018.04.002.
19. Adam Y., Samtal C., Brandenburg J. T., Falola O., Adebiyi E. Performing post-genome-wide association study analysis: overview, challenges and recommendations // F1000Research. 2021. Vol. 10. Article number 1002. DOI:https://doi.org/10.12688/f1000research.53962.1.
20. Kempfer R., Pombo A. Methods for mapping 3D chromosome architecture // Nature Reviews Genetics. 2020. Vol. 21. No. 4. Pp. 207-226. DOI:https://doi.org/10.1038/s41576-019-0195-2.
21. Cano-Gamez E., Trynka G. From GWAS to Function: Using Functional Genomics to Identify the Mechanisms Underlying Complex Diseases // Frontiers in Genetics. 2020. Vol. 11. Article number 424. DOI:https://doi.org/10.3389/fgene.2020.00424.
