Mivel csak P-t lehet közvetlenül megfigyelni vagy mérni, az öröklődést az alanyokban megfigyelt hasonlóságok alapján kell megbecsülni, eltérő genetikai vagy környezeti hasonlóságban. A genetikai és környezeti varianciakomponensek becsléséhez szükséges statisztikai elemzések a minta jellemzőitől függenek. Röviden: jobb becsléseket kapunk olyan személyek adatai alapján, akiknek genetikai kapcsolata nagyon eltérő – például ikrek, testvérek, szülők és utódok -, nem pedig távolabbi rokonságban lévő (és ezért kevésbé hasonló) alanyok adatai alapján. Az öröklődési becslések szokásos hibája nagy mintaméretekkel javul.
Nem emberi populációkban gyakran kontrollált módon lehet információkat gyűjteni. Például a haszonállatok között könnyen el lehet intézni, hogy egy bika utódokat hozzon létre nagyszámú tehénből, és hogy ellenőrizzék a környezetet. Ilyen kísérleti kontroll általában nem lehetséges emberi adatok összegyűjtésekor, a természetben előforduló kapcsolatokra és környezetekre támaszkodva.
A klasszikus kvantitatív genetikában két gondolkodási csoport létezett az örökölhetőség megbecslésével kapcsolatban.
Az egyik gondolatmenetet Sewall Wright fejlesztette ki a Chicagói Egyetemen, majd tovább népszerűsítette CC Li (Chicagói Egyetem) és JL Lush (Iowa Állami Egyetem). A korrelációk elemzésén, és kiterjesztve a regresszión alapul. Az útvonalelemzést Sewall Wright fejlesztette ki az örökölhetőség becslésének módjaként.
A másodikat eredetileg RA Fisher fejlesztette ki, és kibővítette az Edinburgh-i Egyetemen, az Iowa Állami Egyetemen és az Észak-Karolinai Állami Egyetemen, valamint más iskolák. A tenyésztési vizsgálatok variancia-elemzésén alapul, a rokonok osztályon belüli korrelációját felhasználva. Különböző módszereket alkalmaznak az ANOVA varianciakomponenseinek (és ennélfogva az öröklődésének) becslésére ezekben az elemzésekben.
Manapság az örökölhetőség becsülhető lineáris vegyes modelleket használó általános törzskönyvekből és genetikai markerekből becsült genomi rokonságból. .
Az emberi örökölhetőség vizsgálata során gyakran alkalmazzák az örökbefogadás tanulmányterveit, gyakran azonos ikrekkel, akiket az élet elején korán különítettek el és különböző környezetben neveltek. Az ilyen egyének genotípusa azonos, felhasználhatók a genotípus és a környezet hatásainak elkülönítésére. Ennek a kialakításnak a határa a közös prenatális környezet és az egymástól nevelkedett ikrek viszonylag alacsony száma. A második és elterjedtebb terv az ikertanulmány, amelyben az azonos és testvér ikrek hasonlóságát használják fel az örökölhetőség becslésére. Ezeket a vizsgálatokat korlátozhatja az a tény, hogy az azonos ikrek genetikailag nem teljesen azonosak, ami az öröklődés alábecsülését eredményezheti.
Megfigyelési tanulmányokban, vagy idéző hatások miatt (ahol egy genom hatásával idézi elő a környezetet) rajtuk), G és E kovárizálódhatnak: a génkörnyezet korrelációja. Az öröklődés becslésére alkalmazott módszerektől függően a genetikai tényezők és a megosztott vagy nem megosztott környezetek közötti összefüggések összetéveszthetők az öröklődéssel.
A becslés regressziós / korrelációs módszereiEdit
Az első becslési iskola regressziót és korrelációt használ az öröklődés becsléséhez.
Közeli hozzátartozók összehasonlításaSzerkesztés
A rokonok összehasonlításában azt tapasztaljuk, hogy általában
h 2 = br = tr {\ displaystyle h ^ {2} = {\ frac {b} {r}} = {\ frac {t} {r}}}
ahol r az rokonság együtthatójának tekinthető, b a regressziós együttható és t a korrelációs együttható.
Szülő-utód regresszióEdit
2. ábra: Sir Francis Galton (1889) adatai, amelyek az utódmagasság (928 egyed) kapcsolatát mutatják az átlagos szülőmagasság (205 szülőcsoport) függvényében.
Az örökölhetőség megbecsülhető a szülő és az o összehasonlításával ffspring tulajdonságok (mint a 2. ábrán). A vonal meredeksége (0,57) megközelíti a tulajdonság öröklődését, amikor az utódértékeket visszaszorítják a szülők átlagos tulajdonságához. Ha csak egy szülő értékét használjuk, akkor az öröklődés kétszerese a meredekségnek. (Ne feledje, hogy ez a “regresszió” kifejezés forrása, mivel az utódok értékei mindig hajlamosak a populáció átlagos értékére, azaz a lejtőre regresszálni. mindig kevesebb, mint egy). Ez a regressziós hatás a DeFries – Fulker módszer alapját képezi az érintett tagok számára kiválasztott ikrek elemzésére is.
Testvérek összehasonlításaEdit
Az öröklődés alapvető megközelítése lehet full-Sib minták felhasználásával: összehasonlítva a testvérek hasonlóságát, akiknek mind a biológiai anyjuk, mind az apjuk közös. Ha csak additív génhatás van, ez a testvérfenotípusos összefüggés az ismertség indexe – az additív genetikai variancia felének és a teljes hatásnak az összege a közös környezet.Így a teljes-Sib fenotípusos korreláció kétszerese az additív örökölhetőség felső határát teszi ki. A Half-Sib tervek összehasonlítják a testvérek fenotípusos vonásait, amelyek egy szülőt megosztanak más testvércsoportokkal.
IkertanulmányokEdit
3. ábra Hét pszichológiai tulajdonság iker konkordanciája (a minták mérete a sávokon belül látható), DZ testvér és MZ azonos ikrek.
Az emberi tulajdonságok öröklődését leggyakrabban az ikrek hasonlóságainak összehasonlításával becsüljük meg. “Az ikertanulmányok előnye, hogy a teljes variancia felosztható genetikai, megosztott vagy közös környezeti és egyedi környezeti komponensekre, lehetővé téve az örökölhetőség pontos becslését”. A testvér- vagy dizigótikus ikrek átlagosan génjeik felében osztoznak (feltételezve, hogy a tulajdonsághoz nincs assortatív párosítás), és így az azonos vagy monozigóta (MZ) ikrek átlagosan kétszer olyan genetikailag hasonlóak, mint a DZ ikrek. Az öröklődés durva becslése tehát körülbelül kétszerese az MZ és DZ ikrek közötti korreláció különbségének, azaz a Falconer H2 = 2 (r (MZ) -r (DZ)) képletének.
A hatás A megosztott környezet, a c2 hozzájárul a testvérek közötti hasonlósághoz, az általuk nevelkedett környezet közös volta miatt. A megosztott környezetet közelíti a DZ korreláció, mínusz az öröklődés fele, amely a DZ ikrek azonos génekkel rendelkezik, c2 = DZ-1 / 2h2. Az egyedi környezeti variancia, e2, azt tükrözi, hogy az azonos ikrek együtt nevelkednek-e, e2 = 1-r (MZ).
A becslés varianciamódszereinek elemzéseEdit
Az öröklődés becslésének második módszerkészlete magában foglalja az ANOVA-t és a variancia-összetevők becslését.
AlapmodellSzerkesztés
A Kempthorne alapbeszédét használjuk. Csak a legalapvetőbbeket vesszük figyelembe. genetikai modellek alapján megnézhetjük egyetlen Gi genotípusú lókusz kvantitatív hozzájárulását:
yi = μ + gi + e {\ displaystyle y_ {i} = \ mu + g_ {i} + e}
ahol a gi {\ displaystyle g_ {i}} a Gi genotípus, az e {\ displaystyle e} pedig a környezeti hatás.
Vizsgáljon meg egy kísérletet az atyák és utódaik csoportjával véletlenszerű gátakból. Mivel az utódok génjeik felét apától, felét (véletlenszerű) anyjuktól kapják, az utódegyenlet
zi = μ + 1 2 gi + e {\ displaystyle z_ {i} = \ mu + {\ frac {1} {2}} g_ {i} + e}
osztályon belüli korrelációkEdit
Vegye figyelembe a fenti kísérletet. Két utódcsoportunk van, amelyeket összehasonlíthatunk. Az első egy-egy atya (utódcsoporton belüli) utódainak összehasonlítása. A variancia magában foglalja a genetikai variancia (mivel nem mindegyikük azonos genotípust kapott) és a környezeti variancia kifejezéseket. Ezt hibakifejezésnek tekintik.
Az utódok második csoportja a féltestvérek átlagának összehasonlítása egymással (az atyafa csoportok között hívják őket). A hibatag mellett, mint az apák csoportjain belül, van egy kiegészítési kifejezés is, a féltestvérek különböző eszközei közötti különbségek miatt. A osztályon belüli korreláció
corr (z, z ′) = corr (μ + 1 2 g + e, μ + 1 2 g + e ′) = 1 4 V g {\ displaystyle \ mathrm {corr} (z , z “) = \ mathrm {corr} (\ mu + {\ frac {1} {2}} g + e, \ mu + {\ frac {1} {2}} g + e”) = {\ frac {1} {4}} V_ {g}},
mivel a környezeti hatások függetlenek egymástól.
Az ANOVAEdit
Az ANOVA használata az örökölhetőség kiszámításához gyakran meghiúsul számolni a gén-környezet interakciók jelenlétével, mert az ANOVA sokkal kisebb statisztikai erővel bír az interakciós hatások tesztelésében, mint a közvetlen hatások.
Modell additív és domináns feltételekkelEdit
additív és dominancia kifejezéssel rendelkező modell, de mások nem, az egyetlen lokusz egyenlete
yij = μ + α i + α j + dij + e, {\ displaystyle y_ {ij} = \ mu + \ alfa _ {i} + \ alpha _ {j} + d_ {ij} + e,}
ahol
A kísérletek az 1. táblázatban megadottakhoz hasonló beállítással futtathatók csoportokban értékelhetjük a különböző osztályon belüli összefüggéseket. A V a {\ displaystyle V_ {a}} mint additív genetikai variancia és a V d {\ displaystyle V_ {d}} dominancia-eltérés varianciájaként az osztályon belüli korrelációk e paraméterek lineáris függvényévé válnak. Általánosságban,
Intraclass korreláció = r V a + θ V d, {\ displaystyle = rV_ {a} + \ theta V_ {d},}
ahol r {\ displaystyle r} és θ {\ displaystyle A \ theta}
r = {\ displaystyle r =} P, és
θ = {\ displaystyle \ theta =} P. néven találhatók.
Néhány a gyakori összefüggéseket és azok együtthatóit a 2. táblázat tartalmazza.
Lineáris vegyes modellekEdit
Az irodalomban nagyon sokféle megközelítésről számoltak be lineáris vegyes modellek alkalmazásával. Ezekkel a módszerekkel a fenotípusos varianciát genetikai, környezeti és kísérleti tervezési varianciákra osztják fel az örökölhetőség becsléséhez.A környezeti variancia kifejezetten modellezhető, ha az egyéneket széles körű környezettel vizsgálják, bár a fenotípusos és környezeti varianciából származó genetikai variancia következtetése az öröklődés alulbecsüléséhez vezethet a tulajdonságot befolyásoló környezeti hatás teljes körének megragadása miatt. Az öröklődés kiszámításának egyéb módszerei a genom egészére kiterjedő asszociációs vizsgálatokból származó adatokat használnak fel arra, hogy megbecsüljék a genetikai tényezők által a tulajdonságra gyakorolt hatást, amelyet a feltételezhetően társult genetikai lokuszok (általában egy nukleotid polimorfizmusok) gyakorisága és hatása jellemvonásra mutat. Ez azonban az örökölhetőség alábecsüléséhez vezethet. Ezt az eltérést “hiányzó örökölhetőségnek” nevezik, és tükrözi azt a kihívást, hogy az öröklődési modellekben pontosan modellezzék mind a genetikai, mind a környezeti varianciákat.
Ha nagy, összetett törzskönyv vagy más fent említett adatok állnak rendelkezésre, az öröklődés és egyéb kvantitatív genetikai paraméterek korlátozott maximális valószínűséggel (REML) vagy Bayes-módszerrel becsülhetők meg. A nyers adatoknak általában három vagy több adatpontja van egyénenként: az apának, a gátnak és egy vagy több tulajdonságértéknek. Különböző tulajdonságértékek lehetnek különböző tulajdonságokra vagy különböző mérési időpontokra.
A jelenleg népszerű módszertan nagyfokú bizonyosságra támaszkodik az atya és a gát azonosságában; nem gyakori, hogy az atya identitását probabil módon kezeljék. Ez általában nem jelent problémát, mivel a módszertant ritkán alkalmazzák a vadon élő populációkra (bár számos vadon élő patás és madár populációnál alkalmazták), és az atyákat változatlanul nagyon nagy biztonsággal ismerik a tenyésztési programok. Vannak olyan algoritmusok is, amelyek a bizonytalan apaságot veszik figyelembe.
A törzskönyvek megtekinthetők olyan programokkal, mint a Pedigree Viewer, és elemezhetők olyan programokkal, mint az ASReml, VCE, WOMBAT, MCMCglmm az R környezetben vagy a BLUPF90 család
A törzskönyvi modellek hasznosak az olyan zavarok kibontásához, mint a fordított okozati összefüggés, az anyai hatások, mint például a prenatális környezet, valamint a genetikai dominancia, a közös környezet és az anyai génhatások megzavarása.
Genomikus örökölhetőségEdit
Ha rendelkezésre állnak a genom egészére kiterjedő genotípus adatok és a nagy populációs mintákból származó fenotípusok, megbecsülhető az egyének közötti kapcsolat a genotípusuk alapján, és lineáris vegyes modell segítségével megbecsülhető a genetikai magyarázat markerek. Ez egy genomiális örökölhetőségi becslést ad a közös genetikai változatok által elfoglalt variancia alapján. Számos módszer létezik, amelyek különböző kiigazításokat hajtanak végre az allél frekvenciáján és a kapcsolatok egyensúlyhiányán. Különösen a High-Definition Likelihood (HDL) nevű módszer képes megbecsülni a genomi öröklődést csak a GWAS összefoglaló statisztikák felhasználásával, megkönnyítve ezzel a különböző GWAS metaanalízisekben elérhető nagy mintaméret beépítését.