Skip to content

基因體學 › 全基因體分析 › QTL 分析

QTL 分析與定位 (QTL Analysis & Mapping) ​

數量性狀位點 (quantitative trait locus, QTL) 是影響連續性狀的基因組區域。性狀可以是身高、產量這類生物體表型,也可以是分子表型:基因表現量 (eQTL)、剪接 (sQTL)、蛋白質濃度 (pQTL)、代謝物 (mQTL)、甲基化 (meQTL)。

兩種定位策略 ​

連鎖定位 (linkage mapping)關聯定位 (association mapping)
族群家系或實驗雜交(F2、RIL、回交)無血緣關係的自然族群
原理追蹤標記與性狀在世代間的共同傳遞利用歷史重組留下的 LD
解析度低(數 Mb)高(數十 kb)
常見於動植物育種、罕見孟德爾疾病人類 GWAS、分子 QTL

分子 QTL 流程 ​

text
基因型 + 分子表型(如 RNA-seq 表現量)
  ──► 表型標準化(log / inverse normal transform)
  ──► 共變數:基因型 PCs + 隱藏因子(PEER、表現量 PCs)+ 已知批次
  ──► 每個基因 × 鄰近變異(cis 窗口,常為 TSS ± 1 Mb)做關聯檢定
  ──► 基因內 permutation → 基因層級 p 值 → 跨基因 FDR
  ──► eGene / lead variant ──► fine-mapping、colocalization
名詞意義
cis-QTL變異位在受影響基因附近(同一條染色體,通常 ±1 Mb)
trans-QTL變異位在遠處或其他染色體;效應小、需要大樣本
eGene至少有一個顯著 cis-eQTL 的基因
lead variant一個 QTL 訊號中最顯著的變異

常用工具:tensorQTL(GPU 加速)、QTLtools、FastQTL、MatrixEQTL;連鎖定位用 R/qtl。

相關統計方法 ​

步驟統計問題筆記
校正族群結構genotype PCs 當共變數,避免族群分層造成假關聯PCA、干擾與偏誤
親緣 / 重複量測個體間不獨立 → 線性混合模型(kinship 當隨機效應,如 GEMMA、BOLT-LMM)混合效應模型
表現量當 phenotype計數要先轉換(log / inverse normal),或用計數模型GLM 計數模型
檢定上百萬個 variant × 數萬個基因genome-wide 門檻(5 × 10⁻⁸)或 permutation / FDR多重檢定

各類分子 QTL 見 eQTL、sQTL、pQTL;與 GWAS 整合見 Colocalization。