基于重测序的GWAS 

全基因组关联分析(Genome-wide association study，GWAS)基于全基因组重测序技术，通过对自然群体或核心种质资源中的个体进行基因组测序，并结合目标性状的表型数据，利用统计模型分析基因型与表型之间的关联，精准挖掘控制目标性状的关键基因或染色体区段。GWAS无需构建特定的群体，能够高效解析复杂性状的遗传基础，特别适用于多基因控制性状的研究。该方法因其“遗传背景丰富、变异检测全面、适用性广泛”的优势，已广泛应用于作物改良、动物育种及人类疾病研究。

一、技术路线

二、推荐策略

1. 测序深度:>15X/个

2. 群体样本数>200个

3. 适用范围：

·具备高质量的参考基因组

·遗传变异和表型变异丰富(种质资源库、自然群体、农家种)

·群体结构分化不能过于明显(如亚种以上，无明显生殖隔离)

·表型要稳定(多年多点进行性状观察，遗传力较强)

·染色体倍性要一致

Q1. 什么是基于重测序的 GWAS？

全基因组关联分析（Genome-Wide Association Study, GWAS）是一种通过分析群体中基因型与表型的关联关系，以识别与复杂性状相关基因或变异位点的方法。

当 GWAS 基于重测序数据进行时，可直接利用高密度 SNP 和SV信息，显著提高定位精度和候选基因解析能力。

Q2. 基于重测序的 GWAS 相较于芯片型 GWAS 有什么优势？

· 更高的分辨率：重测序可检测全基因组范围内的所有变异，而芯片受探针设计限制。

· 跨物种或新物种可用：无需依赖已知芯片资源，适用于非模式或野生种群。

· 捕获稀有变异：尤其在调控区或结构变异区域，重测序能识别更多功能性突变。

· 可同时进行群体遗传结构与变异功能注释分析。

Q3. 通常需要多少样本才能进行 GWAS？

样本量决定统计功效。一般建议：

· 植物群体：不少于 100–200 株；

· 动物群体：不少于 300 个个体；

· 对复杂性状或多基因控制性状，样本量越大越好（>500 更优）。

此外，样本的表型差异显著性和测序深度（通常≥15×）也非常关键。

Q4. 表型数据对 GWAS 有多重要？

极其关键。高质量、可重复的表型测定是 GWAS 成功的前提。

建议：

· 表型测量至少在两个环境或重复中进行；

· 对数值性状可进行标准化或BLUP校正；

· 对定性状（如颜色、抗性等级）要确保分类标准统一。

Q5. GWAS 能找到真正的功能基因吗？

GWAS 能识别与目标性状显著关联的基因组区段或候选基因，但因连锁不平衡（LD）存在，通常仍需进一步验证。

常见的验证方式包括：

· 精细定位与基因克隆；

· 表达分析（RNA-seq）与变异功能预测；

· 基因编辑或转化实验（如CRISPR验证）。

Q6. 如何提高 GWAS 的定位准确度？

可通过以下策略优化：

· 使用高质量参考基因组（尤其是 T2T 或单倍型组装）；

· 提高测序深度和变异过滤标准；

· 采用混合线性模型（MLM）或多模型融合减少假阳性；

· 结合泛基因组或结构变异信息分析复杂性状。

Q7. GWAS 可与哪些分析结合以增强结果解释力？

· QTL定位：验证群体内关联信号；

· 转录组（RNA-seq）：探索候选基因表达差异；

· 表观组或甲基化组：分析调控层次；

· 泛基因组分析：识别因基因缺失/存在变异导致的性状差异。

案例分享 

葡萄单倍型T2T泛基因组构建及SNP/SV-GWAS分析--推动性状遗传研究与基因组育种 (Nat Genet,lF=31.7)

一、文章题目

Grapevine pangenome facilitates trait genetics and genomic breeding

二、研究亮点

1. 组装9个T2T单倍型基因组(18个assemblies)，并结合11个已发表基因组，构建葡萄图形泛基因组Grapepan v1.0。

2. 基于466份葡萄种质的全基因组变异分析，构建变异图谱，揭示酿酒葡萄与鲜食葡萄的遗传关系及SVs的非均匀分布模式。

3. 基于SV-GWAS分析，解析324份葡萄品种29种农艺性状的遗传基础，鉴定148个显著关联位点，其中12个位点受SVs显著影响。

4. 通过XP-EHH分析，发现酿酒葡萄与鲜食葡萄在果皮涩味、果实形状、果肉硬度等性状上的显著分化，并鉴定多个与果实大小和代谢物含量相关的GWAS候选位点。

5. 评估SVs对农艺性状的遗传力贡献，发现SVs可解释浆果宽度74.6%的遗传变异，而SNPS仅解释0.5%，表明SVs在葡萄育种中的重要作用。

三、主要研究结果

本研究构建了高质量的葡萄图形泛基因组Grapepan v1.0，解析了葡萄的遗传变异和群体结构。基于466份葡萄种质重测序数据，研究者构建了包含8,591,818个SNPS、513,969个inDels和236,449个SVs的变异图谱，并对群体结构和连锁不平衡进行了深入分析。

在全基因组关联分析(GWAS)中，研究者结合SNP-GWAS和SV-GWAS，共鉴定出148个与29种农艺性状显著相关的遗传位点，其中136个SNPS和12个SV，覆盖基因组约5.58%的区域。候选区域与浆果大小、果皮厚度、果肉硬度、可溶性固形物含量等重要性状相关，并部分与已知功能位点重叠。值得注意的是，研究发现SNPS和SV在GWAS结果中呈现不同的作用模式，例如，SV-GWAS发现的候选基因区域SSC7和BeWi9与可溶性固形物含量和浆果宽度相关并表现出选择性清除特征。此外，在该区域发现NEPS和NRT1两个基因家族，与葡萄品质相关基因的表达模式相吻合。进一步的XP-EHH选择性扫描识别出酿酒葡萄和鲜食葡萄之间的显著分化区域，总计约 21.45 Mb，富集到多个影响果实大小、果皮涩味、酒石酸含量等关键性状的候选位点。

此外，研究还发现SVs对农艺性状遗传力的贡献显著高于SNPS，例如SVs解释了浆果宽度(BeWi)74.6%的遗传力，而SNPS仅解释0.5%;在可溶性固形物含量(SSC)方面，SVs贡献35.8%，SNPS仅贡献0.6%。这些结果表明，SVs在葡萄性状形成中的作用被低估，其纳入可极大提高葡萄育种中遗传力的估算精度。

本研究所构建的泛基因组、变异图谱、GWAS 候选基因区域及选择信号分析结果，为葡萄性状解析和分子育种提供了新的遗传资源和精准的分子标记。

参考文献

Liu Z, et al. Grapevine pangenome facilitates trait genetics and genomic breeding. Nat Genet. 2024.