Fallstudie: Identifizierung der Resistenz gegen bakteriellen Welkekrankheit bei Tomaten durch QTL-seq

Hintergrund und Ziel (Problemdefinition)

Bakterielle Welkekrankheit, verursacht durch Mitglieder der Ralstonia solanacearum Artenkomplex ist eine hochgradige, bodenbürtige Krankheit, die Tomatenbestände unter günstigen Bedingungen schnell zum Zusammenbruch bringen kann. In Zuchtprogrammen und mechanismusgetriebenen Laboren ist ein wiederkehrendes Engpassproblem, dass "resistent vs. anfällig" oft als quantitative Eigenschaft auftritt: Starke Loci können vorhanden sein, aber kleinere Loci, die Umwelt und Rausch bei der Phänotypisierung können die Signale verwischen.

Für einen mechanismusfokussierten PI besteht die eigentliche Herausforderung normalerweise nicht darin, "zu finden a Locus," aber Erzeugung eines verteidigungsfähigen Intervalls und einer Beweiskette das eine hochwertige Figurenset, eine Markierungsstrategie und eine Liste von Kandidaten unterstützen kann, die von den Gutachtern als plausibel für eine Nachverfolgung angesehen werden.

Merkontext und Forschungswert

Widerstand ist wertvoll, weil er:

• stabile Produktion in befallenen Feldern ermöglichen,
• den Bedarf an intensiver Verwaltung verringern, und
• genetische Werkzeuge zur Schaffung von resilientem Germplasma bereitstellen.

Gleichzeitig kann Widerstand sein stamm- und zustandsabhängigund mehrere Resistenzloci wurden in Tomaten beschrieben, einschließlich Regionen, die mit aus Hawaii stammenden Quellen verknüpft sind. (Wang et al., 2013; doi:10.1007/s10681-012-0830-x)

Ziel und Erfolgskriterien

ZielVerwenden Sie QTL-seq (BSA-Seq), um ein oder mehrere genomische Regionen zu identifizieren, die mit der Resistenz gegen bakteriellen Welkekrankheit assoziiert sind, und erstellen Sie:

1. klare Spitze(n) in einem genomweiten Δ(SNP-Index) Profil,

2. an handlungsfähiges Intervall mit rationalen Grenzen,

3. a Kandidaten-Gen-Auswahl unterstützt durch strukturierte Beweise, und

4. Marker geeignet für die Bestätigung der RUO-Genotypisierung in unabhängigen Populationen und Panels.

Um "Peak Chasing" zu vermeiden, definieren Sie diese Tore. vor Betrachtung des genomweiten Plots:

Massen-/Phänotyp-Tore

• Resistenter Bulk angereichert für extreme Resistenz; anfälliger Bulk angereichert für extreme Anfälligkeit
• Minimale Mehrdeutigkeit (vermeiden Sie Zwischenphänotypen, es sei denn, sie sind ausdrücklich modelliert)
• Klare Regel zur extremen Auswahl aufgezeichnet (z. B. oberste/unterste 10–15 %)

Sequenzierungs- und Mapping-Gates

• Abdeckung ausreichend für stabile Allelfrequenzschätzungen genomweit
• Minimale Referenzverzerrung; keine offensichtlichen Abdeckungswüsten, die scheinbare Spitzen verursachen.

Variant/statistische Tore

• Ausreichend hohe SNP-Dichte nach der Filterung
• Peak, unterstützt durch ein anhaltendes Signal über benachbarte Fenster (kein einzelner Spike)
• Konfidenzband (oder empirische Schwelle) trennt den Gipfel vom Grundrauschen.

Abbildung 1. Studienübersicht
Eine anonymisierte Übersicht über QTL-seq zur Resistenz gegen bakterielle Welkekrankheit bei Tomaten: Phänotyp-Extremwerte → ausgewogene Pools → Sequenzierung → Variantenfilterung und fensterbasierter Δ(SNP-Index) → Peak-Intervall → Kandidaten-Rangliste und Markerhinweise zur RUO-Genotypisierungsbestätigung. Diese Abbildung hebt die "Lieferkette" vom Versuchsdesign bis zu prüferbereiten Ergebnissen hervor.

---

Studienaufbau (was gemacht wurde)

Dieser Abschnitt ist geschrieben als was du tust + was du aufzeichnen musst Damit bleibt die Studie für Gutachter verteidigbar und für zukünftige Feinkartierungen wiederverwendbar.

Bevölkerungs- und Phänotypisierungsstrategie

BevölkerungswahlEine segregierende Population, in der das Merkmal einen bedeutenden Kontrast zeigt (z. B. F₂, Rückkreuzung oder RILs). QTL-seq wurde ursprünglich mit Designs formuliert, bei denen ~20–50 Individuen pro extremem Bulk ist ein praktischer Ausgangspunkt in vielen Pflanzenumgebungen. (Takagi et al., 2013; doi:10.1111/tpj.12105)

Phenotypisierung ist der eigentliche Leistungsbegrenzer. Für ein bodenbürtiges Krankheitsmerkmal:

• Standardisieren Sie die Vorbereitung des Inokulums und die Zeitpunkte für die Bewertung.
• Verwenden Sie ein klares, wiederholbares Bewertungsschema (ordinaler Maßstab ist in Ordnung, wenn es konsistent ist).
• Aufzeichnen von Kovariaten, die Lärm erklären können (Temperatur, Substrat, Pflanzenalter, Charge).

Extremes Auswahlregel (vor den Genotypen festgelegt):

• Resistentes Extreme: untere 10–15 % der Schwereverteilung
• Anfällige Extreme: Top 10–15%
• Wenn die Verteilung flach oder schief ist, Bevölkerungsgröße erhöhen statt entspannende Extreme.

Wenn Ihr langfristiges Ziel der Mechanismus ist, halten Sie die Phänotyp-Unterkomponenten (z. B. Beginnzeit vs. endgültige Schwere) als Metadaten; verschiedene Loci können auf unterschiedliche Komponenten abgebildet werden.

Für eine Auffrischung der Methode zu SNP-Index und Δ(SNP-Index) siehe unseren Leitfaden zur QTL-seq-Ansatz: QTL-seq-Ansatz: Beschleunigung der Entdeckung von Pflanzenmerkmalen durch BSA-Seq

Um die Konsistenz von nachgelagerten Analysen und Berichten zu gewährleisten, richten Sie Ihr Design nach einem Standard aus. Bulk-Segregant-Analyse (BSA) Arbeitsablauf früh (Probenbenennung, Massenbeschreibungen und Metadatenfelder).

Massenbau (N pro Charge und Ausgleichsstrategie)

Mengengröße: Beginnen mit ~20–50 Personen pro Charge (oder mehr, wenn das Merkmal rauschhaft ist). (Takagi et al., 2013; doi:10.1111/tpj.12105)

Ausgleichsstrategie

• Gleichen Sie die DNA-Eingabe pro Individuum aus, um "dominante Individuen" zu vermeiden.
• Passen Sie Mengen an nicht-traitbezogenen Kovariaten an, wenn möglich (Tray-/Batch-Verteilung).
• Vermeiden Sie Verwandtschaftsartefakte (überproben Sie nicht unbeabsichtigt einen Familiencluster, es sei denn, dies ist beabsichtigt).

DNA-Handhabung

• Verwenden Sie eine konsistente Extraktionsmethode für alle Personen.
• Quantifizieren Sie genau (fluorometrische Methoden bevorzugt).
• Pool äquimolar und Berechnungen aufzeichnen.

Wenn die Mengen bereit sind, Whole-Genome-Sequenzierung wird häufig für QTL-seq verwendet.

Sequenzierungsplan (plattformunabhängig) und QC-Prüfpunkte

Ein plattformunabhängiger Plan wird definiert durch:

• Lese-Länge ausreichend für eine robuste Zuordnung zur Tomaten-Referenz,
• Abdeckung, die ausreicht, um Schätzungen der Allelfrequenzen zu stabilisieren,
• Duplikation und Kontamination werden kontrolliert, um verzerrte Tiefe zu vermeiden.

Deckungsplanung (praktische Anleitung)

• Gute Referenz + angemessene SNP-Dichte: moderate Tiefe kann gut funktionieren.
• Fragmentierte Referenz, hohe Wiederholungen oder ungleichmäßige Erfassung: planen Sie eine höhere Tiefe, um nach der Filterung verwendbare SNPs zu behalten.

QC-Prüfpunkte, die Sie erfassen müssen

• Rohlesequalität (Basisqualität pro Base, Adapterinhalt)
• Mapping-Rate und richtig gepaarte Reads
• Tiefeverteilung (Uniformität über das Genom)
• Duplikationsrate (Proxy für die Komplexität der Bibliothek)
• Post-Filter SNP-Zählungen und Fehlende Werte

Viele Gruppen bündeln das Labor- und QC-Reporting unter einem NGS-Liefergegenstand um eine konsistente Dokumentation sicherzustellen.

---

Bioinformatik und Statistik (wichtige Ergebnisse)

Hier ist der Punkt, an dem ein mechanismusorientierter PI das Vertrauen der Gutachter gewinnen kann: indem er Ergebnisse als QC-Tore plus statistische Logiknicht nur "wir haben eine Pipeline betrieben."

Mindestberichterstattungsliste (für Gutachter)

Sie können diesen Block in die Methoden oder das ergänzende Material einfügen.

• Masse N und extreme Auswahlregel (Perzentilschwellen; Phänotypdefinition)
• Bevölkerungsart (F₂/BC/RIL) und Referenzgenom Version/Bau
• Sequenzierungsmetriken: Gesamte Lesevorgänge, Mapping %, Duplikations %, Abdeckung (Mittelwert/Median und % Genom über Schwellenwert)
• Variantfiltering-Schwellenwerteminimale Tiefe pro Bulk, Mapping-/Basisqualitätsgrenzen, maximale Tiefenobergrenze, Fehlstellenfilter
• FensterglättungseinstellungenFenstergröße und Schritt (oder Glättungsmethode) sowie Begründung
• Spitzenrandregel: wie die Intervallgrenzen gewählt wurden (Basisrendite + aufeinanderfolgende Fenster)
• Bewertungsschema für KandidatenKriterien und Gewichtung (Variantenwirkung, Konsistenz, Annotation, optionale Ausdrucksnachweise)
• ReproduzierbarkeitspaketVCF, Fensterstatistik-Tabelle, Plot-Skripte/Parameter

QC + Zusammenfassung der Kartierung (was überprüft wurde und warum)

ZielBestätigen Sie, dass beide Mengen vergleichbar sind und dass Mapping-/Abdeckungsartefakte sich nicht als QTL-Spitzen tarnen.

QC-Gates (empfohlene Startschwellen)

• Rohdaten≥80–90% Basen bei Q30+ (plattformabhängig)
• Adapter-Trimmung: Restadapterinhalt nahe null
• Mapping-Rate: oft ≥90% für einen guten Tomatenreferenzwert; untersuchen, ob viel niedriger.
• Richtig gepaarte Reads: hohe Fraktion für Paar-Ende erwartet
• Dopplungsrateidealerweise niedrig bis moderat; unerwartet hohe Duplikation deutet auf eine geringe Bibliothekskomplexität hin
• Abdeckungsuniformität: vermeiden Sie "Abdeckungswüsten", die systematisch zwischen den Bändern variieren

Was eine prüferfreundliche Mapping-Tabelle enthält

• Gesamtlesungen pro Bulk, % bestanden Filter
• Mapping %, richtig gepaarte %
• Mittel- und Median-Tiefe, % Genom ≥10× (oder Ihrem gewählten Schwellenwert)
• Duplizierungsrate
• Größenübersicht einfügen (für PE-Daten)

Ein sauberes, überprüfungsbereites QC-Kapitel stammt häufig aus einer Analyseberichts-Vorlage, die auf genomische Datenanalyse das Parameter und Zwischenmetriken bewahrt.

Variantenerkennung + Filterung (Stabilisierung des SNP-Index)

Warum Filtern nicht optional istΔ(SNP-Index) hängt von den Schätzungen der Allelfrequenzen ab. Geringe Tiefe, geringe Qualität, Mehrfachzuordnung und Strangbias können das Rauschen erhöhen und "Gespensterpeaks" erzeugen.

Typischer Arbeitsablauf

1. Reads an Referenz anpassen

2. Duplikate markieren (oder mindestens quantifizieren)

3. Rufen Sie SNPs gemeinsam über Batches ab.

4. Wenden Sie strenge Filterung an:

• minimale Tiefe pro Bulk pro Standort (häufig ≥8–10 Reads)
• maximale Tiefenbegrenzung (um Wiederholungen/Kopiernummern-Artefakte zu vermeiden)
• minimale Basisqualität und Mapping-Qualität
• Entfernen Sie Standorte mit schweren Allel-Balance-Anomalien.
• optional Indels entfernen, um ein sauberes SNP-Index-Modell zu erhalten

SNP-Index (konzeptionell)

• SNP-Index: Anteil der Reads, die das alternative Allel an einer Stelle in einem Bulk unterstützen.
• Δ(SNP-Index): Unterschied zwischen den Bünden über das Genom hinweg (Richtung konsistent definieren)

Um den Parameterdatensatz nachvollziehbar zu halten, dokumentieren Sie die Variantaufruf Konfiguration (Softwareversionen, genaue Filter, SNP-Retention-Zahlen).

Fügen Sie einen zusätzlichen internen QC-/Filterressourcenlink hinzu, wo es Ihre Inhaltsmatrix erfordert:
[MATRIX_LINK_NEEDED: interner Artikel zu den besten Praktiken für QC/Variant Filtering]

Δ(SNP-Index)-Diagramm und Logik zur Auswahl von Kandidatenintervallen

KernoutputEin genomweites Δ(SNP-Index)-Profil, typischerweise in gleitenden Fenstern geglättet.

Zwei weit verbreitete Ansätze für NGS-BSA/QTL-Sequenzierung sind:

• Δ(SNP-Index)-Methode (oft kombiniert mit simulations- oder empirisch basierter Zuversicht)
• G′ / geglättete G-Statistik-Methode (statistikbasierte Inferenz)

QTLseqr implementiert beide Ansätze, und viele Gruppen nutzen sie als ergänzende Überprüfungen. (Mansfeld & Grumet, 2018; doi:10.3835/plantgenome2018.01.0006)
Eine grundlegende statistische Behandlung der Varianzquellen von NGS-BSA ist ebenfalls verfügbar. (Magwene et al., 2011; doi:10.1371/journal.pcbi.1002255)

Wie wir ein Intervall (verteidigbare Grenzen) ausgewählt haben

1. Identifizieren Sie die Hauptregion, in der Δ(SNP-Index) das Vertrauensintervall (oder den empirischen Schwellenwert) überschreitet.

2. Erweitern Sie die Grenzen, bis das Signal wieder auf das Basisniveau zurückkehrt und über mehrere benachbarte Fenster stabil bleibt.

3. Überprüfen Sie die lokale Abdeckung und Mappbarkeit; gehen Sie vorsichtig mit Regionen mit niedriger Abdeckung und reicher Wiederholung um.

4. Bestätigen Sie optional mit einer alternativen Statistik (z. B. G′), um sicherzustellen, dass dieselbe Region hervorgeht.

Abbildung 2. Fenstergeglätteter Δ(SNP-Index) Gipfel mit Vertrauensband (nach diesem Abschnitt platzieren)
Beispiel Δ(SNP-Index) über Chromosomenposition nach Gleitfenster-Glättung (Die Fenstergröße/Schritt ist in den Methoden definiert). Das schattierte Band stellt ein dar. Konfidenzband, das aus Simulationen oder einem empirischen genomweiten Schwellenwert abgeleitet ist., verwendet, um ein nachhaltiges Signal vom Grundrauschen zu trennen. Das Kandidatenintervall wird definiert durch aufeinanderfolgende Fenster oberhalb der Schwelle plus eine Grenzregel (Rückkehr zur Basislinie), anstatt eines einzelnen Maximalwerts.

Priorisierung von Kandidatengenen (Annotation + Plausibilität + strukturierte Beweise)

Sobald das Intervall festgelegt ist, kann der Schritt vom Intervall zum Kandidaten entweder subjektiv ("das sieht nach einem Resistenzgen aus") oder überprüfbar (strukturierte Evidenzkette) sein. Für einen mechanismusorientierten PI ist ein transparenter Bewertungsrahmen in der Regel der entscheidende Unterschied.

Evidenzkomponenten

• Variantenwirkungvorhergesagte hoch-/mittelwirksame Varianten (Stop-Gain, Spleißstelle, schädliche Missense)
• MassenkonsistenzDie Richtung der Allelfrequenz stimmt mit der erwarteten Anreicherung über das Intervall überein.
• Funktionale Annotationplausible verteidigungsbezogene Bereiche/Wegweiser (allgemein gehalten)
• Ausdrucksnachweis (optional)Wenn Sie bereits RNA-Seq haben, verwenden Sie den Ausdruck als unterstützende Beweise Kandidaten priorisieren (RUO mechanistischer Kontext)

Wenn Sie planen, Ausdruck als orthogonale Unterstützung zu integrieren, paaren Sie das Intervall mit RNA-Seq-Transkriptomanalyse als strukturiertes Add-On (nicht als Ersatz für Mapping).

---

Ergebnisinterpretation (von Spitze zu Handlung)

Dieser Abschnitt übersetzt Ausgaben in umsetzbare nächste Schritte—Kandidatenbewertung und Markerplanung—während die Unsicherheit deutlich gemacht wird.

Größe des Kandidatenintervalls und Begründung der Grenzen

Ein QTL-seq-Intervall ist ein auflösungsbegrenzte Schätzung geformt von:

• Rekombinationsdichte in Ihrer Population,
• QTL-Effektgröße,
• Mengengröße und Phänotypreinheit,
• Sequenzierungstiefe und SNP-Dichte,
• Abdeckungs-/Mapping-Artefakte.

Wie man die Intervallgröße in einem Manuskript beschreibt

• Geben Sie Intervallkoordinaten (Referenzaufbau), Spitzenposition und Breite an.
• Berichten Sie die Anzahl der Gene/Gene-Modelle innerhalb des Intervalls.
• Erklären Sie die Grenzlogik (z. B. "Plateau über dem Vertrauensband bei X Mb; Grenzen gewählt bei Rückkehr zur Basislinie über Y aufeinanderfolgende Fenster").
• Zitieren Sie QC-Beweise, die die Stabilität unterstützen (Deckungsuniformität, SNP-Dichte).

Wenn das Intervall groß bleibt (Hunderte von Genen), betrachten Sie es als Leitfaden für die nächste Phase: Fügen Sie Rekombinanten und Genotypisierung hinzu, um es zu verfeinern.

Um eine Region nach dem ersten Durchgang gezielt zu straffen SNP-Fine-Mapping kann ein breites Intervall in durch Rekombination definierte Kandidatensegmente umwandeln.

Von Intervall zu Kandidatenauswahl (allgemein gehalten, überprüfbar für Gutachter)

In der Forschung zur Resistenz gegen bakterielles Welken bei Tomaten werden stabile Loci häufig von der Entwicklung von Markern und unabhängigen Bestätigungsschritten gefolgt, weshalb die "Spitzen-zu-Marker"-Brücke von Bedeutung ist. (Yeon et al., 2022; doi:10.3390/plants11172223)

Shortlist-Ansatz (Beispiel-Rubrik)
Wir erstellen eine Kandidatentabelle mit den Spalten:

• Anonymisierte Gen-ID
• Variante(n) + vorhergesagte Auswirkung
• Bulk-Allel-Häufigkeitsrichtung
• Annotierungsnotiz (Domäne/Weg)
• Optionale Ausdrucksnotiz (falls verfügbar)
• Prioritätsbewertung (explizite Gewichtung)

Wenn Sie Unterstützung für Ausdrücke einführen, standardisieren Sie die Ausgaben über transkriptomische Datenanalyse Damit die Kandidatenbewertung transparent und reproduzierbar bleibt.

Abbildung 3. Beispiel für eine Kandidatenpriorisierungstabelle mit expliziter Gewichtung
Anonymisiertes Beispiel nur. Eine vierzeilige Kandidatentabelle veranschaulicht, wie ein transparentes Bewertungsschema (i) kombinieren kann. Variantenwirkung (z. B. Stop-Gain vs. Missense), (ii) Massenkonsistenz über die Peak-Region, (iii) optional Ausdruckshinweise, und (iv) Pfad-/Bereichsnotizen in ein gewichtete PrioritätsbewertungZweck ist es, die Nachweiskette zu zeigen, die Gutachter erwarten – selbst wenn die endgültigen Genidentifikatoren je nach Projekt unterschiedlich sind.

Nachverfolgungsplan

Ein prüferfreundlicher Plan trennt genetische Bestätigung von mechanistische Nachverfolgung.

A) RUO Genotypisierung Bestätigung (schnell, skalierbar)

• Schlage ein kleines Markerset im Gipfelbereich vor.
• Bildschirm:
• die ursprüngliche Bevölkerung (Überprüfung der Plausibilität),
• eine unabhängige segregierende Population (Übertragbarkeit),
• breitere Panels/Materialien (Generalisierung unter RUO).
• Verwenden Sie Rekombinanten, um den Bereich einzugrenzen.

B) Mechanistisches Follow-up (PI-fokussiert, veröffentlichbar)

• Wählen Sie eine kleine Anzahl von Kandidaten für tiefere Analysen aus.
• Unterstützende Beweise sammeln:
• zustandsrelevante Ausdrucksänderungen,
• Pfadniveau-Konsistenz mit bekannten Abwehrmechanismen,
• Haplotypassoziation in größeren Panels (sofern verfügbar).

C) Reproduzierbarkeitspaket

• Bereitstellung von versionierten Pipeline-Details, Parametern und Zwischenoutputs (VCF, Fensterstatistiken, Plots, Kandidatentabelle, Markeranmerkungen).

---

Entscheidungszusammenfassung: warum dieser Ansatz gewonnen hat (Zeit und Projekt-ROI)

Für einen detaillierten Zeitplan/ROI-Vergleich siehe Verknüpfung. Mapping vs. QTL-Sequenzierung.

Zeitersparnis im Vergleich zur klassischen Verknüpfungsanalyse

Im Vergleich zu klassischen Linkage-Mapping-Workflows, die iterative Markerentwicklung und wiederholte Genotypisierungsrunden erfordern, verlagert QTL-seq den Aufwand auf:

• eine Hochdurchsatz-Sequenzierungscharge (zwei Proben, manchmal plus Eltern)
• eine einzige integrierte Analysepassage,
• schnelle Generierung dichter Varianten, die die Feinabstimmung und Markerplanung unterstützen.

Die ursprüngliche QTL-seq-Methodik betonte die Geschwindigkeit, indem sie die gebündelten Extreme erneut sequenzierte, anstatt viele Marker bei allen Individuen zu genotypisieren. (Takagi et al., 2013; doi:10.1111/tpj.12105)

Reduzierter Arbeitsaufwand und schnellere Go/No-Go-Entscheidungen

Für ein mechanikgetriebenes Labor lautet die Go/No-Go-Frage oft: Haben wir einen glaubwürdigen Ort, der mechanische Investitionen wert ist? QTL-seq beschleunigt diese Entscheidung, indem es produziert:

• eine genomweite Untersuchung mit klaren Spitzen (oder einem ehrlichen "keine Spitzen"-Ergebnis),
• ein Intervall mit rationalen Grenzen und QC-Unterstützung,
• eine strukturierte Shortlist,
• Markerhinweise, die auf die Bestätigung der RUO-Genotypisierung ausgerichtet sind.

Nächste Schritte Fahrplan (wenn die Ergebnisse stark, moderat oder chaotisch sind)

Wenn die Ergebnisse stark sind (ein einzelner Hauptpeak)

• Fahren Sie mit der RUO-Genotypisierungsbestätigung und der rekombinanten Verfeinerung fort.
• Beginnen Sie mit der mechanistischen Nachverfolgung der besten Kandidaten.

Wenn die Ergebnisse moderat sind (mehrere Spitzen)

• Überprüfen Sie die Phänotypreinheit und Batch-Effekte.
• Erwägen Sie, mit engeren Extremen oder größeren Mengen zu wiederholen.
• Überprüfen Sie mit einer alternativen Statistik (Δ(SNP-Index) vs G′).

Wenn die Ergebnisse unübersichtlich sind (kein klarer Gipfel)

• Betrachten Sie es als Design-Feedback:
• Phänotyp zu laut oder Extreme zu schwach,
• unzureichende SNP-Dichte oder Mapping-Probleme,
• Massenungleichgewicht (DNA-Pooling-Bias).
• Neugestaltung: Erhöhung der Populationsgröße, Verfeinerung der Phänotypisierung, Anpassung der Tiefe.

Für die Wiederanalyse und Unterstützung der Reproduzierbarkeit integrieren Sie einen standardisierten Bioinformatik-Dienstleistungen Workflow und halten Sie die Parameteraufzeichnungen über Iterationen hinweg konsistent.

---

Wann QTL-seq verwendet werden sollte (und wann nicht)

Verwenden Sie QTL-seq, wenn

• Sie haben eine segregierende Population und können zuverlässig phänotypisieren.
• Extremwerte sind klar genug, um hochreine Massen zu bilden.
• Sie vermuten, dass mindestens ein Locus einen moderaten bis großen Effekt hat.
• Sie benötigen einen schnellen, dichten Scan, um eine nachgelagerte Feinabstimmung zu rechtfertigen.

Alternativen in Betracht ziehen oder eine zweistufige Strategie anwenden, wenn

• Das Merkmal ist hochgradig polygen und weist eine flache phänotypische Trennung auf.
• Die Phänotypisierung wird von der Umgebung/Charge dominiert, mit begrenzter Replikation.
• Das Referenzgenom ist zu fragmentiert/wiederholend für eine zuverlässige Zuordnung.
• Sie benötigen Effektgrößenschätzungen über viele Loci (GWAS oder vollständige Kartierung könnten besser sein).

---

Ein Bildschirm Entscheidungswerkzeug (Mini-Tabelle + Entscheidungsbaum)

Mini-Tabelle: Wählen Sie den richtigen Ansatz (RUO)

Einfacher Entscheidungsbaum

1. Kannst du Extreme selbstbewusst definieren?

• Nein → Phänotypisierung verbessern oder die Populationsgröße erhöhen.
• Ja → gehe zu (2).

2. Ist die SNP-Dichte + Mapping-Qualität genomweit ausreichend?

• Nein → Sequenzierung/Filter/Referenzstrategie anpassen.
• Ja → gehe zu (3).

3. Beobachten Sie anhaltende Spitzen über dem Vertrauensschwellenwert?

• Nein → Überprüfen Sie die Phänotypreinheit, Tiefe und Filter; ziehen Sie alternative Statistiken in Betracht.
• Ja → Intervallgrenzen definieren + Kandidatenrubrik erstellen + Markerhinweise für die Bestätigung der RUO-Genotypisierung vorbereiten.

---

QC und Fehlersuche (handlungsfähige Schwellenwerte + Symptom→Ursache→Lösung)

QC-Gate-Tabelle (Metrik → Erwartet → Wovor sie dich schützt)

Fehlerbehebungstabelle (Symptom → wahrscheinliche Ursache → Lösung)

Für die Einreichungsanforderungen und die Metadatenstruktur folgen Sie der Muster Einreichungsrichtlinien.

---

Liefergegenstände-Checkliste (was Sie erwarten sollten)

Ein vollständiges QTL-seq-Paket für RUO-Forschung umfasst typischerweise:

• QC-Zusammenfassungstabellen für beide Chargen (roh + zugeordnet)
• Gefilterter SNP-Satz (VCF) + Filterbericht
• Fensterstatistik-Tabelle + Plotparameter
• Genomweite Δ(SNP-Index)-Diagramme (und optionale alternative Statistikdiagramme)
• Spitzenintervallkoordinaten + explizite Grenzbegründung
• Kandidaten Tabelle mit Nachweis-Spalten + Bewertungsrubrik
• Marker-Panel-Notizen zur Bestätigung der RUO-Genotypisierung (Koordinaten, Allele, Entwurfsnotizen zum Assay)
• Reproduzierbarkeitspaket (Softwareversionen, Schwellenwerte, Skripte)

---

Häufig gestellte Fragen (FAQ)

Wie viele Personen pro Charge benötige ich?

Ein häufiger Ausgangspunkt sind ~20–50 pro Bulk in vielen Pflanzen-QTL-seq-Designs, aber rauschhafte Merkmale und kleinere Effektgrößen profitieren typischerweise am meisten von einer Erhöhung der Bulk-Größe und einer Verbesserung der Phänotypisierung. (Takagi et al., 2013; doi:10.1111/tpj.12105)

Muss ich die Eltern sequenzieren?

Nicht strikt, aber elterliche Daten verbessern oft die Interpretation der Allelrichtung und das Ranking der Kandidaten, insbesondere wenn mehrere Resistenzquellen vorhanden sein könnten.

Der häufigste Grund, warum QTL-seq nicht die erwartete Leistung erbringt, ist die unzureichende genetische Variation in der untersuchten Population.

Phänotyprauschen und schwache extreme Trennung. Wenn die Proben nicht wirklich extrem sind, rettet eine erhöhte Sequenzierung selten ein flaches Signal.

Wie wähle ich die Fenstergröße für die Glättung des Δ(SNP-Index) aus?

Die Fenstergröße handelt von der Auflösung im Vergleich zur Stabilität. Wenn sich die Spitzen bei den Fenster-Einstellungen dramatisch verschieben, könnte die Datenqualität unzureichend oder die SNP-Dichte/Abdeckung ungleichmäßig sein; ziehen Sie Tiefensteigerungen, stärkere Filter oder alternative Statistiken in Betracht.

Δ(SNP-Index) vs G′—was sollte ich berichten?

Viele Studien betrachten sie als komplementär: Δ(SNP-Index) ist intuitiv für die Richtung, während G′ einen statistisch basierten Inferenzrahmen bietet. (Mansfeld & Grumet, 2018; doi:10.3835/plantgenome2018.01.0006)

Wie kann ich die Priorisierung von Kandidaten objektiv gestalten?

Verwenden Sie ein transparentes Bewertungsraster (Wirkung der Variante + Konsistenz der Masse + Annotation + optionale Ausdrucksunterstützung) und zeigen Sie die Gewichtung.

Kann ich RNA-Seq-Beweise integrieren, wenn ich bereits Daten habe?

Ja—verwende den Ausdruck als unterstützende Beweise um Kandidaten innerhalb des abgebildeten Intervalls zu bewerten (Unterstützung des RUO-Mechanismus), nicht als Ersatz für die Abbildung.

Was ist, wenn ich zwei starke Spitzen bekomme?

Bestätigen Sie jeden Peak mit RUO-Genotypisierungsbestätigung in einer unabhängigen Population oder einem Panel und verfeinern Sie dann mit Rekombinanten und gezielter Genotypisierung.

Wie wechsle ich von Intervall- zu züchterfreundlichen Markern?

Die Entwicklung von Markern und Studien zur markergestützten Selektion (MAS) bei Tomaten veranschaulichen, wie stabile QTL-Regionen in robuste Genotypisierungsassays umgewandelt werden können, um Zucht- und Forschungsmaterialien (RUO) zu screenen.

---

Referenzen (einheitliches Format) — mit DOI-Links

1. Takagi H, Abe A, Yoshida K, et al. QTL-seq: schnelle Kartierung von quantitativen Trait-Loci in Reis durch Whole-Genome-Resequenzierung von DNA aus zwei gebündelten Populationen. Die Pflanzenzeitschrift. 2013. doi: 10.1111/tpj.12105
2. Mansfeld BN, Grumet R. QTLseqr: Ein R-Paket für die Bulk-Segregant-Analyse mit Next-Generation-Sequencing. Das Pflanzen-Genom. 2018. doi: 10.3835/plantgenome2018.01.0006
3. Zhang J, Panthee DR. PyBSASeq: ein einfaches und effektives Algorithmus für die bulked segregant Analyse mit Daten aus der gesamten Genomsequenzierung. BMC Bioinformatik. 2020. doi: 10.1186/s12859-020-3435-8
4. Magwene PM, Willis JH, Kelly JK. Die Statistiken der Bulk-Segregant-Analyse unter Verwendung von Next-Generation-Sequencing. PLoS Computational Biology. 2011. doi: 10.1371/journal.pcbi.1002255
5. Michelmore RW, Paran I, Kesseli RV. Identifizierung von Markern, die mit krankheitsresistenzgenen verknüpft sind, durch gebündelte Segregationsanalyse: eine schnelle Methode zur Erkennung von Markern in spezifischen genomischen Regionen unter Verwendung segregierender Populationen. Sitzungsberichte der Nationalen Akademie der Wissenschaften der Vereinigten Staaten von Amerika. 1991. doi: 10.1073/pnas.88.21.9828
6. Siddique MI, Silverman E, Louws F, Panthee DR. Quantitative Trait Loci-Kartierung für Bakterienwelke-Resistenz und Pflanzenhöhe bei Tomaten. Pflanzen2024. doi: 10.3390/plants13060876
7. Wang JF, Ho FI, Truong HTH, et al. Identifizierung wichtiger QTLs, die mit der stabilen Resistenz der Tomatensorte 'Hawaii 7996' gegen Ralstonia solanacearum. Euphytica. 2013. doi: 10.1007/s10681-012-0830-x
8. Yeon J, Le NT, Sim SC. Bewertung des temperaturunabhängigen Widerstands gegen bakteriellen Welkekrankheit unter Verwendung wichtiger QTL in kultiviertem Tomaten.Tomate L.). Pflanzen. 2022. doi: 10.3390/plants11172223