유전성

P 만 직접 관찰하거나 측정 할 수 있기 때문에 유전 적 또는 환경 적 유사성 수준이 다양한 피험자에서 관찰 된 유사성에서 유전 가능성을 추정해야합니다. 분산의 유전 적 및 환경 적 요소를 추정하는 데 필요한 통계 분석은 표본 특성에 따라 다릅니다. 간단히 말해서, 더 먼 관련 (따라서 덜 유사한) 대상이 아닌 쌍둥이, 형제 자매, 부모 및 자손과 같이 유전 적 관계 수준이 매우 다양한 개인의 데이터를 사용하여 더 나은 추정치를 얻습니다. 유전 가능성 추정에 대한 표준 오류는 표본 크기가 크면 개선됩니다.

인간이 아닌 인구에서는 통제 된 방식으로 정보를 수집 할 수 있습니다. 예를 들어, 농장 동물들 사이에서 황소가 많은 수의 소에서 새끼를 낳고 환경을 통제하는 것은 쉽습니다. 이러한 실험적 통제는 자연적으로 발생하는 관계와 환경에 의존하여 인간 데이터를 수집 할 때 일반적으로 불가능합니다.

고전적인 양적 유전학에서는 유전 가능성 추정과 관련하여 두 학파가있었습니다.

한 학파는 시카고 대학의 Sewall Wright가 개발했으며 CC Li (시카고 대학)와 JL Lush (아이오와 주립 대학)에 의해 더욱 대중화되었습니다. 상관 관계 분석과 회귀 분석을 기반으로합니다. 경로 분석은 유전 가능성을 추정하는 방법으로 Sewall Wright에 의해 개발되었습니다.

두 번째는 원래 RA Fisher가 개발했으며 The University of Edinburgh, Iowa State University, North Carolina State University 및 다른 학교. 친척의 클래스 내 상관 관계를 사용하여 번식 연구의 분산 분석을 기반으로합니다. ANOVA에서 분산 성분 (및 따라서 유전 가능성)을 추정하는 다양한 방법이 이러한 분석에 사용됩니다.

오늘날 유전 가능성은 선형 혼합 모델을 사용하는 일반 혈통과 유전자 마커에서 추정 된 게놈 관련성에서 추정 할 수 있습니다. .

인간 유전성 연구는 종종 입양 연구 설계를 활용하며, 종종 어릴 때 분리되어 다른 환경에서 자란 일란성 쌍둥이를 사용합니다. 이러한 개체는 동일한 유전자형을 가지고 있으며 유전자형과 환경의 영향을 분리하는 데 사용할 수 있습니다. 이 디자인의 한계는 일반적인 태아기 환경과 상대적으로 떨어져 양육 된 쌍둥이 수가 적다는 것입니다. 두 번째로 더 일반적인 디자인은 일란성 쌍둥이와 이란성 쌍둥이의 유사성을 사용하여 유전 가능성을 추정하는 쌍둥이 연구입니다. 이러한 연구는 일란성 쌍둥이가 유 전적으로 완전히 동일하지 않아 잠재적으로 유전 가능성을 과소 평가한다는 사실에 의해 제한 될 수 있습니다.

관찰 연구에서 또는 연상 효과 (유전체가 그 효과로 환경을 불러 일으키는 경우) 그들에), G와 E는 유전자 환경 상관 관계를 가질 수 있습니다. 유전 가능성을 추정하는 데 사용되는 방법에 따라 유전 적 요인과 공유 또는 비공유 환경 간의 상관 관계가 유전 가능성과 혼동 될 수도 있고 혼동되지 않을 수도 있습니다.

추정의 회귀 / 상관 방법 편집

The 첫 번째 추정 학교는 회귀와 상관 관계를 사용하여 유전 가능성을 추정합니다.

가까운 친척 비교 편집

친척 비교에서 일반적으로

h 2 = br = tr {\ displaystyle h ^ {2} = {\ frac {b} {r}} = {\ frac {t} {r}}}

여기서 r은 관련성 계수로 생각할 수 있습니다. b는 회귀 계수와 t는 상관 계수입니다.

부모-자손 회귀 편집

적극성은 부모와 o를 비교하여 추정 할 수 있습니다. ffspring 특성 (그림 2에서와 같이). 선의 기울기 (0.57)는 자손 값이 부모의 평균 특성에 대해 회귀 할 때 특성의 유전 가능성에 가깝습니다. 부모 값이 하나만 사용되는 경우 유전 가능성은 기울기의 두 배입니다. 자손 값은 항상 모집단의 평균값, 즉 기울기로 회귀하는 경향이 있으므로 이것이 “회귀”라는 용어의 소스입니다. 이 회귀 효과는 영향을받는 한 구성원에 대해 선택된 쌍둥이를 분석하기위한 DeFries–Fulker 방법의 기본이됩니다.

형제 비교 편집

유전 가능성에 대한 기본 접근 방식은 다음과 같습니다. full-Sib 디자인을 사용하여 취함 : 생물학적 어머니와 아버지를 모두 공유하는 형제 자매 간의 유사성을 비교합니다. 추가 유전자 작용 만있는 경우이 형제 표현형 상관 관계는 친숙 함의 지표입니다. 추가 유전 분산의 절반과 전체 효과의 합입니다. 공통 환경의.따라서 전체 Sib 표현형 상관 관계의 두 배인 추가 유전성에 대한 상한선을 설정합니다. Half-Sib 디자인은 한 부모를 다른 형제 그룹과 공유하는 형제 자매의 표현형 특성을 비교합니다.

쌍둥이 연구 편집

인간의 특성에 대한 유전성은 쌍둥이 간의 유사성을 비교하여 가장 자주 추정됩니다. “쌍둥이 연구의 장점은 전체 분산이 유전 적, 공유 또는 공통 환경 및 고유 한 환경 구성 요소로 분할되어 유전 가능성을 정확하게 추정 할 수 있다는 것입니다.” 이란성 또는 이란성 (DZ) 쌍둥이는 평균적으로 자신의 유전자 절반을 공유하므로 (특성에 대한 다양한 교배가 없다고 가정), 일란성 또는 일란성 (MZ) 쌍둥이는 평균적으로 DZ 쌍둥이보다 유 전적으로 두 배나 비슷합니다. 따라서 유전 가능성의 대략적인 추정치는 MZ와 DZ 쌍둥이 사이의 상관 관계 차이의 약 두 배입니다. 즉, Falconer의 공식 H2 = 2 (r (MZ) -r (DZ))입니다.

효과 공유 환경의 c2는 그들이 자란 환경의 공통성으로 인해 형제 자매 간의 유사성에 기여합니다. 공유 환경은 DZ 상관에서 유전율의 절반을 뺀 값으로 근사화됩니다. 이는 DZ 쌍둥이가 동일한 유전자를 공유하는 정도 인 c2 = DZ-1 / 2h2. 고유 한 환경 분산 e2는 함께 자란 일란성 쌍둥이가 서로 다른 정도를 반영합니다. e2 = 1-r (MZ)

추정의 분산 분석 방법 편집

유전 가능성 추정 방법의 두 번째 세트는 분산 분석 및 분산 성분 추정을 포함합니다.

기본 modelEdit

Kempthorne에 대한 기본 논의를 사용합니다. 유전 모델을 사용하면 유전형 Gi를 갖는 단일 유전자좌의 정량적 기여도를 볼 수 있습니다.

yi = μ + gi + e {\ displaystyle y_ {i} = \ mu + g_ {i} + e}

여기서 gi {\ displaystyle g_ {i}}는 유전자형 Gi의 효과이고 e {\ displaystyle e}는 환경 효과입니다.

무작위 댐의 씨와 자손 그룹을 대상으로 한 실험을 생각해보십시오. 자손은 유전자의 절반은 아버지에게서, 절반은 (무작위) 어머니에게서 얻으므로 자손 방정식은 다음과 같습니다.

zi = μ + 1 2 gi + e {\ displaystyle z_ {i} = \ mu + {\ frac {1} {2}} g_ {i} + e}

Intraclass correlationsEdit

위의 실험을 고려하십시오. 비교할 수있는 두 그룹의 자손이 있습니다. 첫 번째는 개별 아비 (아마 그룹 내에서 불림)에 대한 다양한 자손을 비교하는 것입니다. 분산에는 유전 적 분산 (모두 동일한 유전자형을 얻지 않았기 때문에) 및 환경 분산에 대한 용어가 포함됩니다. 이것은 오류 용어로 생각됩니다.

두 번째 자손 그룹은 서로의 하프 sib의 평균을 비교하는 것입니다 (아비 그룹 사이에서 불림). 아비 그룹 내에서와 같은 오류 용어 외에도 하프 sib의 다른 평균 간의 차이로 인해 추가 용어가 있습니다. 클래스 내 상관 관계는

corr (z, z ′) = corr (μ + 12 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}},

환경 효과는 서로 독립적이기 때문입니다.

ANOVAEdit

유전성을 계산하기위한 ANOVA의 사용은 종종 실패합니다. ANOVA는 직접 효과보다 상호 작용 효과 테스트에 대한 통계적 검정력이 훨씬 낮기 때문에 유전자-환경 상호 작용의 존재를 설명합니다.

가산 및 우세 항을 사용한 모델 편집

For 덧셈과 우 세항이 있지만 다른 항은없는 모델, 단일 궤적에 대한 방정식은 다음과 같습니다.

yij = μ + α i + α j + dij + e, {\ displaystyle y_ {ij} = \ mu + \ alpha _ {i} + \ alpha _ {j} + d_ {ij} + e,}

여기서

실험은 표 1에 제공된 것과 유사한 설정으로 실행할 수 있습니다. 다른 관계 사용 그룹, 우리는 다른 클래스 내 상관 관계를 평가할 수 있습니다. V a {\ displaystyle V_ {a}}를 가산 유전 분산으로 사용하고 V d {\ displaystyle V_ {d}}를 우성 편차 분산으로 사용하면 클래스 내 상관 관계가 이러한 매개 변수의 선형 함수가됩니다. 일반적으로

클래스 내 상관 = r V a + θ V d, {\ displaystyle = rV_ {a} + \ theta V_ {d},}

여기서 r {\ displaystyle r} 및 θ {\ displaystyle \ theta}는

r = {\ displaystyle r =} P 및

θ = {\ displaystyle \ theta =} P로 찾을 수 있습니다.

일부 공통 관계와 그 계수는 표 2에 나와 있습니다.

선형 혼합 모델 편집

선형 혼합 모델을 사용하는 다양한 접근 방식이 문헌에보고되었습니다. 이러한 방법을 통해 표현형 분산은 유전 적, 환경 적 및 실험적 설계 분산으로 분할되어 유전성을 추정합니다.표현형 및 환경 적 변이로부터 유전 적 변이를 추론하면 형질에 영향을 미치는 모든 환경 영향을 포착해야하는 문제로 인해 유전성을 과소 평가할 수 있지만, 환경 변이는 광범위한 환경에서 개인을 연구하여 명시 적으로 모델링 할 수 있습니다. 유전 가능성을 계산하는 다른 방법은 유전 적 요인에 의한 형질에 대한 영향을 추정하기 위해 게놈 전반에 걸친 연관 연구의 데이터를 사용하며, 이는 추정 적으로 연관된 유전 좌 (일반적으로 단일 뉴클레오티드 다형성)가 형질에 미치는 영향과 비율에 의해 반영됩니다. 그러나 이것은 유전 가능성을 과소 평가할 수 있습니다. 이러한 불일치는 “유전성 누락”이라고하며 유전성 모델에서 유전 적 및 환경 적 차이를 모두 정확하게 모델링해야하는 문제를 반영합니다.

크고 복잡한 혈통이나 앞서 언급 한 다른 유형의 데이터를 사용할 수있는 경우, 유전성 및 다른 정량적 유전 변수는 제한된 최대 가능성 (REML) 또는 베이지안 방법으로 추정 할 수 있습니다. 원시 데이터는 일반적으로 각 개인에 대해 세 개 이상의 데이터 포인트를 갖습니다 : 아비 코드, 댐 코드 및 하나 또는 여러 특성 값. 다른 특성 값은 특성 또는 측정 시점에 따라 다를 수 있습니다.

현재 인기있는 방법론은 종마와 댐의 신원에 대한 높은 수준의 확실성에 의존합니다. 시어의 정체성을 확률 적으로 취급하는 것은 일반적이지 않습니다. 방법론이 야생 개체군에 거의 적용되지 않고 (다수의 야생 유제류와 조류 개체군에 사용되었지만) 종마는 번식 프로그램에서 매우 높은 수준의 확실성을 가지고 항상 알려져 있기 때문에 일반적으로 문제가되지 않습니다. 불확실한 친자 관계를 설명하는 알고리즘도 있습니다.

가계는 Pedigree Viewer와 같은 프로그램을 사용하여 볼 수 있으며 R 환경 또는 BLUPF90 제품군 내의 ASReml, VCE, WOMBAT, MCMCglmm과 같은 프로그램으로 분석 할 수 있습니다.

계통 모델은 역 인과 관계, 산전 환경과 같은 모성 영향, 유전 적 우위, 공유 환경 및 모성 유전자 효과의 혼란과 같은 혼란을 푸는 데 도움이됩니다.

게놈 유전성 편집

대규모 집단 샘플의 게놈 차원의 유전형 데이터와 표현형을 사용할 수있는 경우, 유전형에 따라 개인 간의 관계를 추정하고 선형 혼합 모델을 사용하여 유전에 의해 설명되는 분산을 추정 할 수 있습니다. 마커. 이것은 일반적인 유전 변이에 의해 포착 된 분산을 기반으로 게놈 유전 가능성 추정치를 제공합니다. 대립 유전자 빈도와 연관 불균형에 대해 서로 다른 조정을하는 여러 방법이 있습니다. 특히 HDL (High-Definition Likelihood)이라는 방법은 GWAS 요약 통계만으로 게놈 유전성을 추정 할 수있어 다양한 GWAS 메타 분석에서 사용할 수있는 큰 샘플 크기를 쉽게 통합 할 수 있습니다.