重测序-产品类-GBS遗传图谱

合集下载

SNP 标记在玉米分子育种中的应用

SNP 标记在玉米分子育种中的应用

SNP标记在玉米分子育种中的应用尹祥佳 李 晶 王雅琳 王剑虹(兰州职业技术学院,甘肃兰州 730070)摘要:SNP是第三代分子标记技术,在玉米分子育种方面具有广泛的应用。

对SNP标记的概念、特点和相关的SNP技术类型进行介绍,并从玉米遗传多样性分析、构建遗传图谱及QTL分析、全基因组关联分析、品种真实性和纯度鉴定等方面的应用进行了论述。

为SNP分子标记在玉米分子育种中的利用提供一些参考。

关键词:玉米;SNP分子标记;育种应用玉米(Zea mays L.)是全球也是我国第一大作物,主要用于主粮食用、饲料和燃料生产原料。

玉米作为一种基础研究模式植物,也是杂交良种应用最早、商品化率和经济效益较高的作物,就播种面积和总产量而言在我国农业经济结构中起着重要作用[1-3]。

据中国报告网数据显示,2019年我国玉米播种面积达4128万hm2,总产量2.6亿t,杂交玉米制种面积17.06万hm2,生产玉米杂交种子9.9亿kg[4],这些都得益于我国玉米育种科研实力的显著提升。

我国玉米育种模式发展经历了传统经验育种、杂种优势育种和现代生物工程育种3个时期[5],长期以来,以玉米杂交育种为代表的传统育种为我国育成了大量的优良品种,有力保障了我国玉米生产。

近些年,随着测序技术的快速发展和测序成本的下降,已经有B73等在内的8个玉米骨干自交系完成了全基因组测序工作,掌握了遗传密码[6],这些玉米基因组遗传信息的发布为发掘大量SNP分子标记提供了基础,并能够快速高效地改良和提高玉米品种的产量、品质和抗性等重要性状,帮助育种家选育优良的玉米品种[7]。

SNP分子标记具有多态性丰富,在玉米染色体上分布均匀,共显性、准确性高,可重复性好,易于高通量试验等优点,成为了玉米分子育种研究的首选技术手段[8]。

因此,本文对SNP标记技术及其在玉米遗传多样性分析、构建遗传图谱及QTL分析、全基因组关联分析、品种真实性和纯度鉴定等方面的应用进行阐述,以期为玉米分子育种提供一些参考。

花生种子大小相关性状QTL定位研究进展

花生种子大小相关性状QTL定位研究进展

作物学报 ACTA AGRONOMICA SINICA 2022, 48(2): 280 291/ISSN 0496-3490; CN 11-1809/S; CODEN TSHPA9E-mail: zwxb301@本研究由国家现代农业产业技术体系建设专项(花生, CARS-13)和中国农业科学院科技创新工程项目(CAAS-ASTIP-2013-OCRI)资助。

This study was supported by the China Agriculture Research System (Peanut, CARS-13) and the Science and Technology Innovation Program of Chinese Academy of Agricultural Sciences (CAAS-ASTIP-2013-OCRI).*通信作者(Corresponding author): 黄莉, E-mail: huangli5100@Received (收稿日期): 2021-01-28; Accepted (接受日期): 2021-07-29; Published online (网络出版日期): 2021-08-09. URL: https:///kcms/detail/11.1809.S.20210809.0958.002.htmlDOI: 10.3724/SP.J.1006.2022.14046花生种子大小相关性状QTL 定位研究进展黄 莉* 陈玉宁 罗怀勇 周小静 刘 念 陈伟刚 雷 永 廖伯寿 姜慧芳中国农业科学院油料作物研究所 / 农业农村部油料作物生物学与遗传育种重点实验室, 湖北武汉 430062摘 要: 花生是我国重要的油料作物和经济作物, 目前国内花生的产量远远不能满足消费者的所需, 进一步提高花生单产是解决花生生产供不应求的重要途径。

花生种子大小相关性状是花生的重要农艺性状, 对提高花生单产至关重要。

基于GBS测序开发SNP在植物上的应用进展

基于GBS测序开发SNP在植物上的应用进展

基于GBS测序开发SNP在植物上的应用进展作者:薛晓杰杜晓云盖艺唐岩孙燕霞宋来庆姜中武来源:《江苏农业科学》2020年第13期摘要:基因分型测序(genotyping by sequencing,GBS)因具有实现相对简单、成本较低、可产生高通量SNP的优点而受到青睐。

单核苷酸多态性(single nucleotide polymorphism,SNP)因简单、快速、特异性强、稳定遗传、便于检测等特点已成为目前最广泛使用的分子标记之一。

本文就利用GBS技术开发SNP分子标记近年来在亲缘关系评价、重要农艺性状鉴定、遗传多样性研究、遗传图谱构建以及基因定位等方面在国内外的研究进展进行综述,并对其今后的研究提出展望,以期为其在植物上的更广泛应用提供参考。

关键词:SNP分子标记;GBS技术;简化基因组测序;遗传图谱构建;QTL定位;基因定位中图分类号:S184 文献标志码: A文章编号:1002-1302(2020)13-0062-07收稿日期:2020-040-02基金项目:山东省外专双百计划(编号:WST2018013);山东省重点研发项目(编号:2018GHZ005)。

作者简介:薛晓杰(1994—),女,山东烟台人,硕士研究生,主要从事果树分子与生理技术研究,E-mail:xuexiaojieYT@;共同第一作者:杜晓云(1979—),女,山西吕梁人,博士,高级农艺师,主要从事果树生物技术育种研究,E-mail:duxiaoyunduzi@。

通信作者:姜中武,博士,研究员,主要从事果树育种与栽培技术研究。

E-mail:jiangzhongwu@。

随着分子生物学的发展,分子标记技术发展迅速,基因组测序技术日渐成为标记开发的重要手段。

简化基因组测序(GBS)技术近年发展起来。

GBS技术可以捕获基因组重要区域,获得大量单核苷酸多态性(single nucleotide polymorphism,SNP),且无需已知基因组信息[1]。

遗传图谱构建时标记的选择与表达序列标签

遗传图谱构建时标记的选择与表达序列标签

遗传图谱构建时标记的选择与表达序列标签
赵志辉;李宁
【期刊名称】《农业生物技术学报》
【年(卷),期】2005(013)001
【摘要】表达序列标签(EST)是一种快速有效揭示基因组容量的方法.ESTs在新基因的发现、基因作图和基因组序列编码区域的确定等方面起到重要作用.综述了遗传图谱构建时标记选择及EST的应用.
【总页数】5页(P114-118)
【作者】赵志辉;李宁
【作者单位】中国农业大学农业生物技术国家重点实验室,北京,100094;中国农业大学农业生物技术国家重点实验室,北京,100094
【正文语种】中文
【中图分类】Q3
【相关文献】
1.SRAP标记在植物性状标记和遗传图谱构建中的应用研究进展 [J], 王从彦
2.基于表达序列标签的简单重复序列标记开发策略 [J], 闫学兵;阙友雄;许莉萍;李国印
3.利用BAC、BIBAC文库整合构建陆地棉遗传标准系TM 1全基因组的遗传、物理图谱:BAC及BIBAC文库构建,SSR标记开发和物理/遗传图谱整合 [J], John Z. YU;Russell J. KOHEL;Hong-bin ZHANG;Jian-min DONG;Shu-ku
SUN;Nicole L. STEELE
4.白肋烟分子标记遗传图谱的构建及部分性状的遗传剖析 [J], 蔡长春;柴利广;王毅;徐芳森;张俊杰;林国平
5.遗传标记和遗传图谱构建 [J], 刘旭
因版权原因,仅展示原文概要,查看原文内容请购买。

动植物全基因组重测序简介

动植物全基因组重测序简介

全基因组重测序是对已知基因组序列的物种进行不同个体的基因组测序,并在此基础上对个体或群体进行差异性分析。

基于全基因组重测序技术,人们可以快速进行资源普查筛选,寻找到大量遗传变异,实现遗传进化分析及重要性状候选基因的预测。

随着测序成本降低和拥有参考基因组序列物种增多,全基因组重测序成为动植物育种和群体进化研究迅速有效的方法。

简化基因组测序技术是对与限制性核酸内切酶识别位点相关的DNA进行高通量测序。

RAD-seq(Restriction-site Associated DNA Sequence)和GBS (Genotyping-by-Sequencing)技术是目前应用最为广泛的简化基因组技术,可大幅降低基因组的复杂度,操作简便,同时不受参考基因组的限制,可快速鉴定出高密度的SNP位点,从而实现遗传进化分析及重要性状候选基因的预测。

简化基因组技术尤其适合于大样本量的研究,可以为利用全基因组重测序技术做深度信息挖掘奠定坚实的基础。

全基因组重测序和简化基因组测序技术可广泛应用于变异检测、遗传图谱构建、功能基因挖掘、群体进化等研究,具有重大的科研和产业价值。

产品脉络图。

生物大数据_福建农林大学中国大学mooc课后章节答案期末考试题库2023年

生物大数据_福建农林大学中国大学mooc课后章节答案期末考试题库2023年

生物大数据_福建农林大学中国大学mooc课后章节答案期末考试题库2023年1.Bioinformatics的含义是()答案:生物信息学2.利用PubMed文献数据查找论文“Transgenic plants of Petunia hybridaharboring the CYP2E1 gene efficiently remove benzene and toluenepollutants and improve resistance to formaldehyde”的第一作者是答案:Zhang D3.被誉为“生物信息学之父”的科学家是()答案:林华安4.Proteomics的含义是()答案:蛋白质组学5.生物信息学主要是利用哪种工具实现对生命科学研究中生物信息的存储、检索和分析的?()答案:计算机6.HGP是()答案:人类基因组计划7.下列哪些方法不能用于遗传育种()答案:自然选择8.Genbank数据库中,mRNA的获取号可以以()字母开头答案:NM_9.下列那个数据库不属于NCBI()答案:ArrayExpress10.大数据处理遇到的瓶颈不包括()答案:数据量11.可以用来做数据库搜索的比对算法是()答案:BLAST12.下列哪个方法最可能在基因组组装过程中留下空缺()答案:鸟枪法建库13.“一旦空位,永远空位”描述的是()答案:渐进比对算法14.下列不属于分子生物学数据库的特点的是()答案:版本不更新15.GenBank中具有唯一性的字段是()答案:Accession16.哪个基因组序列还完全未被破解()答案:恐龙17.下面哪个工具可以用来检验原始读段的质量?()答案:Fastqc18.基于边合成边测序的测序方法是()答案:Illumina/Solexa19.比较成熟的三代测序技术是()答案:PacBio20.不采用荧光标记核苷酸的测序技术是()答案:NanoPore21.靶向测序使用的测序文库是()答案:Amplicon22.RNA-seq从头组装的常用工具是()答案:Trinity23.RNA-Seq技术用途不包括()答案:基因组测序24.重测序数据分析的最后一步是()答案:功能注释25.影响基因组组装效果的因素不包括()答案:测序时间26.组装基因组时,由重复序列导致的错误类型不包括()答案:基因融合27.重复序列是在基因组中出现次数大于1的DNA片段,不包括()答案:调控序列28.研究蛋白质与DNA相互作用的是()答案:ChIP-seq29.在线的染色体可视化工具是()答案:Genome browser30.下列属于最不易突变的氨基酸()答案:半胱氨酸31.常用的2个全基因组测序策略是答案:鸟枪法逐步克隆法32.二代测序数据分析中经常使用的2种比对工具是答案:BowtieBWA33.20世纪70年代,出现的2种DNA测序方法是答案:链终止测序法化学降解测序法34.关于C值悖论的描述正确的有哪些答案:亲缘关系相近的物种间C值差异很大C值远远超过了遗传信息量的需要进化程度低的生物C值反而更高35.基因组重测序技术可被用于哪些检测领域答案:皮草的真伪检测中草药的产区检测食品掺假检测宠物疾病检测36.fastaq文件中,Q值越小,测序质量越高()答案:错误37.基因组从头组装的本质是寻找重叠区域()答案:正确38.读段长于重复序列的长度才可能填补空缺()答案:正确39.Contig越长基因组拼接效果越好()答案:正确40.N50可以作为评估基因组组装效果的一个指标()答案:正确41.RNA-seq基因对应的读段数量和基因长度及测序深度有关()答案:正确42.进行有参考基因组的二代测序数据比对时,只需要基因组序列文件即可()答案:错误43.FPKM是单端RNA-seq基因表达量的表示方法()答案:错误44.对于复杂基因组,一般一种测序文库就足够了()答案:错误45.测序文库构建很大程度决定了测序数据的好坏()答案:正确46.二代测序的核心技术是循环芯片测序法()答案:正确47.测序深度越高,从头组装的质量一定越好()答案:错误48.测序深度越高,测序数据量越大()答案:正确49.二代测序数据文件的后缀是.fa或.fastq()答案:正确50.基于焦磷酸合成测序的方法是SOLiD/ABI()答案:错误51.Sanger测序发现时间早于K.Mullis的PCR()答案:正确52.DNA测序和蛋白质测序相关技术都获得过诺贝尔奖()答案:正确53.大规模基因组测序主要有逐步克隆和鸟枪法2种策略()答案:正确54.多数遗传性状是由单个基因决定的()答案:错误55.人类基因组计划是中国人主持的第一个国际项目()答案:错误56.相同长度序列,蛋白质组的复杂度低于基因的复杂度()答案:错误57.一个氨基酸的性质主要由它的侧链决定()答案:正确58.大数据必然会造福人类答案:错误59.大数据已经成为我国国家战略答案:正确60.双端测序与单端测序的区别在于,前者需要在DNA片段的两端分别加上引物和连接子答案:正确61.配对测序方式可以用来解决重复序列长度超过read长度,无法拼接易形成断点的问题答案:正确62.配对测序是一种特殊的双端测序方式答案:正确63.读段文件除了文本格式之外,还可以用图象表示答案:错误64.测序深度即测序得到的碱基总量(bp)与基因组大小(Genome)的比值,它是评价测序量的指标之一答案:正确65.二代测序数据文件的后缀是.fa或.fastq答案:正确66.常见的三大核酸数据库中,位于欧洲的是答案:EMBL##%_YZPRLFH_%##embl##%_YZPRLFH_%##Embl67.列举二代测序数据分析中经常使用的1种短序列比对工具。

一文读懂变异检测

一文读懂变异检测

全基因组重测序:是对已有参考基因组的物种进行个体或群体的基因组测序,利用高性能计算平台和生物信息学方法,可以快速进行大量样本筛选,全基因组扫描遗传变异信息(SNP、InDel、SV等),对动植物分子育种,性状定位,群体进化研究具有重大的指导意义。

重测序技术内容示意图遗传变异指在同一基因库中不同个体之间在DNA水平上的差异,也称“分子变异(molecular variation)”,也是对同一物种个体之间遗传差别的定性或定量描述。

遗传与变异,是生物界不断地普遍发生的现象,也是物种形成和生物进化的基础。

简单地说,遗传就是“种瓜得瓜、种豆得豆”,而俗话说“一母生九子,九子各不同”这就是变异。

也正是变异的存在,绘制了五彩斑斓的世界。

今天,带你们了解最为基础的一个技术,变异检测,顾名思义就是通过高通量测序手段检测物种个体或者群体水平上的遗传变异信息,如:单核苷酸多态性(SNP)、插入确实(InDel)、拷贝数变异(CNV)、结构变异(SV),用于开发分子标记,建立遗传多态性数据库,为后续揭示进化关系、挖掘功能基因等奠定数据基础。

主要应用1.开发分子标记,辅助遗传育种2.构建和完善物种核心种质资源3.不同个体、群体之间差异比较分析变异检测技术路线变异检测技术参数:变异检测信息分析流程1.数据质控(复制你16s那篇质控部分软件,FastQC,Trimmomatic)这部分可以省略,或者直接说前面一些微信稿讲过,这里重点从比对开始讲,看你怎么写了。

2.比对用BWA比对bwa mem -t 4 -k 32 –M reference read1.fq read2.fq-t INT number of threads.-k INT minimum seed length. 32是经验值-M mark shorter split hits as secondary3.SNP/InDel检测(复制前文:如何进行SNP INDEL检测及其影响因素)利用Samtools检测samtools sort -m 4000000000 file.bam file.sortedsamtools rmdup file.sorted .bam file. rmdup.bamsamtools mpileup –q 20 -Q 20 -C 50 -S -D -m 2 -F 0.002 –uf genome.fa file.rmdup.bam | bcftools view -cg - > raw.vcf-q INT skip alignments with mapQ smaller than INT-Q INT skip bases with baseQ/BAQ smaller than INT-C INT parameter for adjusting mapQ; 0 to disable-m INT minimum gapped reads for indel candidates-f FILE faidx indexed reference sequence file-F FLOAT minimum fraction of gapped reads for candidates [0.002]-S output per-sample strand bias P-value in BCF (require -g/-u)-D output per-sample DP in BCF (require -g/-u)-u generate uncompress BCF output4.用CNVnator 检测CNV总体流程:cnvnator -root $vnator.root -tree $sample.final.bam -uniquecnvnator -root $vnator.root -his 100 -d /PUBLIC/database/HUMAN/gen ome/human/b37_gatk/byChrcnvnator -root $vnator.root -stat 100cnvnator -root $vnator.root -partition 100cnvnator -root $vnator.root -call 100 >$vnator.raw CNVnator 步骤详解:1.>>>EXTRACTING READ MAPPING FROM BAM/SAM FILES$ ./cnvnator [-genome name] -root out.root [-chrom name1 ...] -tree [file1.bam ...] out.root -- output ROOT file. See ROOT package documentation.chr_name1 -- chromosome name.file.bam -- bam files.Chromosome names can be specifyed by name, e.g., X, or together with prefix chr, e.g., chrX. One can specify multiple chromosomes separated by space. If no chromosome specified, read mapping is extracted for all in sam/bam file. Note, that this would require machines with large physical memory of 7Gb. Extracting read mapping for subsets of chromosomes is a way around this issue. Note, root file is not being overwritten.Example:./cnvnator -root NA12878.root -chrom chr1 chr2 chr3 -tree NA12878_ali.bamis equivalent to./cnvnator -root NA12878.root -chrom 1 2 3 -tree NA12878_ali.bam Example:./cnvnator -root NA12878.root -chrom 4 5 6 -tree NA12878_ali.bam./cnvnator -root NA12878.root -chrom 7 8 9 -tree NA12878_ali.bamis equivalent./cnvnator -root NA12878.root -chrom 4 5 6 7 8 9 -tree NA12878_ali.bam2.>>>GENERATING HISTOGRAM./cnvnator [-genome name] -root file.root [-chrom name1 ...] -his bin_size [-d dir] This step is not memory consuming and can be done for all chromosomes at once, still can be done for a subset of chromosomes. Files with chromosome sequences are required and should reside in running directory or directory specified by -d option. Files should be named as: chr1.fa, chr2.fa, etc.3.>>>CALCULATING STATISTICS./cnvnator -root file.root [-chrom name1 ...] -stat bin_sizeThis step must be completed before proceeding to partitioning and CNV calling. 4.>>>RD SIGNAL PARTITIONING$ ./cnvnator -root file.root [-chrom name1 ...] -partition bin_size [-ngc]Option -ngc spcifies not to use GC corrected RD signal. Partitioning the most time consuming step.5. >>>CNV CALLING$ ./cnvnator -root file.root [-chrom name1 ...] -call bin_size [-ngc]Calls are printed to STDOUT.5.用breakdancer检测SVBreakDancer is a Cpp package that provides genome-wide detection of structural variants from next generation paired-end sequencing reads. It includes two complementary programs. BreakDancerMax predicts five types of structural variants: insertions, deletions, inversions, inter- and intra-chromosomal translocations from next-generation short paired-end sequencing reads using read pairs that are mapped with unexpected separation distances or orientation. BreakDancerMini focuses on detecting small indels (usually between 10bp and 100bp)using normally mapped read pairs. Please read our paper for detailed algorithmic description. /nmeth/journal/v6/n9/abs/nmeth.1363.html流程:perl bam2cfg.pl -q 20 -c 4 -g –h A1.rmdup.bam >A1.bamcfgbreakdancer-max -q 20 -d A1 A1.bamcfg >A1.raw.ctxctx-filter.pl A1.raw.ctx 2 > A1.filted.ctxThe output format----------------------BreakDancer's output file consists of the following columns:1. Chromosome 12. Position 13. Orientation 14. Chromosome 25. Position 26. Orientation 27. Type of a SV8. Size of a SV9. Confidence Score10. Total number of supporting read pairs11. Total number of supporting read pairs from each map file12. Estimated allele frequency13. Software version14. The run parametersColumns 1-3 and 4-6 are used to specify the coordinates of the two SV breakpoints. The orientation is a string that records the number of reads mapped to the plus (+) or theminus (-) strand in the anchoring regions.Column 7 is the type of SV detected: DEL (deletions), INS (insertion), INV (inversion), ITX (intra-chromosomal translocation), CTX (inter-chromosomal translocation), and Unknown.Column 8 is the size of the SV in bp. It is meaningless for inter-chromosomal translocations. Column 9 is the confidence score associated with the prediction.Column 11 can be used to dissect the origin of the supporting read pairs, which is useful in pooled analysis. For example, one may want to give SVs that are supported by more than one libraries higher confidence than those detected in only one library. It can also be used to distinguish somatic events from the germline, i.e., those detected in only the tumor libraries versus those detected in both the tumor and the normal libraries. Column 12 is currently a placeholder for displaying estimated allele frequency. The allele frequencies estimated in this version are not accurate and should not be trusted.Column 13 and 14 are information useful to reproduce the results.Example 1:1 10000 10+0-2 20000 7+10- CTX -296 99 10 tB|10 1.00 BreakDancerMax-0.0.1 t1An inter-chromosomal translocation that starts from chr1:10000 and goes into chr2:20000 with 10 supporting read pairs from the library tB and a confidence score of 99.Example 2:1 59257 5+1- 1 60164 0+5- DEL 862 99 5 nA|2:tB|1 0.56 BreakDancerMax-0.0.1 c4A deletion between chr1:59257 and chr1:60164 connected by 5 read pairs, among which 2 inlibrary nA and 1 in library tB support the deletion hypothesis. This deletion is detected by BreakDancerMax-0.0.1 with a separation threshold of 4 s.d.The BreakDancerMini code will not be included in the coming releases. We recommend using Pindel to detect intermediate size indels (10-80 bp).。

《重亚硫酸盐测序技术介绍》PPT课件

《重亚硫酸盐测序技术介绍》PPT课件

CpG岛的甲基化
CpG岛经常出现在真核生物的 house-keeping基因的调控区,在其 它地方出现时会由于CpG中的C易 被甲基化而形成5'-甲基胞嘧啶,脱 氨基后形成胸腺嘧啶,由于T本身在基因 组中是以岛的形式分布的。
基本原理
重亚硫酸盐使DNA中未发生甲基化的胞嘧啶脱 氨基转变成尿嘧啶,而甲基化的胞嘧啶保持不变, 行PCR扩增(引物设计时尽量避免有CpG,以免受甲 基化因素的影响)所需片段,则尿嘧啶全部转化成 胸腺嘧啶。最后,对PCR产物进行测序,并且与未 经处理的序列比较,判断是否CpG位点发生甲基化。 此方法一种可靠性及精确度很高的方法,能明确目 的片段中每一个CpG位点的甲基化状态。在寻找有 意义的关键性CpG位点上,有其他方法无法比拟的 优点。
重亚硫酸氢盐直接测序技术的优缺点
优点:测序法以CpG岛两侧不含CpG点的一段序 列为引物配对区,能够同时扩增出甲基化和非甲 基化靶序列。
缺点:它的不足是耗费时间和耗资过多,至少要 测序10个以上的克隆才能获得可靠数据,需要大 量的克隆及质粒提取测序,过程较为繁琐、昂贵。 在甲基化变异细胞占少数的混杂的样品中,由于 所用链特异性PCR不是特异扩增变异靶序列,故 灵敏度较MSP差。
重亚硫酸直接测序法对启动子测序 的应用
CpG岛不仅是基因的一种标志,而且还参 与基因表达的调控和影响染色质的结构。 启动子的甲基化能抑制基因的表达。
研究证明启动子区的高甲基化导致抑癌基 因失活是人类肿瘤所具有的共同特征之一, 而且这种高甲基化是导致抑癌基因失活的 又一个机制。
酶切法同亚硫酸氢盐联合法
酶切法:限制性酶切后选用对特 异DNA片段甲 基化序列敏感的限制性内切酶(酶 切位点与甲基 化位点不重叠)进行酶切后,以待测 甲基化位点 外侧序列为扩增起始点进行PCR。该 DNA片段 若存在甲基化,将会有扩增产物出现;若 无甲 基化,则不会有任何片段扩增出现。当用甲基 化不敏感的内切酶消化产物作为PCR模板时,不 论 该部位是否甲基化都不应有片段扩出。PCR 法比 Southem法更为敏感,但只能检测甲基化敏 感的限 制性位点的CpG甲基化,且DNA必须酶 切完全,否 则会出现假阳性。

基于重测序的超密遗传图谱揭示甜瓜蔓枯病抗性相关基因

基于重测序的超密遗传图谱揭示甜瓜蔓枯病抗性相关基因

收稿日期:2019-07-08基金项目:国家西甜瓜产业技术体系(CARS-26-17);浙江省科技计划(2017C32041)作者简介:胡仲远,男,副教授,主要研究方向为瓜类蔬菜种质创新与抗性育种。

Email :huzhongyuan@通信作者:杨景华,男,教授,主要研究方向为蔬菜种质创新与分子育种。

Email :yangjinghua@基于重测序的超密遗传图谱揭示甜瓜蔓枯病抗性相关基因胡仲远,杨景华,张明方(编译)(浙江大学蔬菜科学研究所种质创新与分子育种实验室杭州310058)目的与意义:蔓枯病(Gsb )是甜瓜的重要病害,在南方多雨地区设施环境下高发,严重影响产量和品质。

选育抗病品种是防治蔓枯病最常用、也是最经济有效的方法之一。

本研究希望阐明甜瓜抗蔓枯病遗传特性,构建基于单核苷酸多态性(SNPs )的甜瓜高密度遗传图谱,对抗蔓枯病基因进行定位,以获得控制甜瓜蔓枯病抗性的候选基因。

材料与方法:以抗病品种甜瓜HS 和感病品种XH 自交系为亲本,构建F 1,F 2和BC 1群体,对其接种蔓枯病病菌用于遗传分析,F 2遗传分离群体用于构建遗传图谱并定位候选Gsb 抗性基因。

提取亲本(HS 和XH )和F 2群体的150个单株的基因组DNA ,并进行全基因组重测序。

通过亲本序列的比对共发掘1,188,159个SNP 分子标记,并以重组区块bin 作为分子标记,构建了总图距为1987.06cM ,平均图距为0.18cM ,包含13275个bin 标记的超高密度遗传图谱。

结合12个连锁群的图谱和分型数据,以及150个单株F2群体对甜瓜蔓枯病的抗病情况,进行抗病性状关联分析。

采用软件rQTL 的区间作图(IM )方法进行QTL 定位分析。

通过实时荧光定量PCR 技术对候选基因在接种蔓枯病后不同时期不同组织器官中实时荧光定量PCR 分析。

最终通过从6个抗病品种自交系和5个感病品种自交系中扩增候选基因全长序列进行比较分析。

香蕉基因组学研究20年:成就与挑战

香蕉基因组学研究20年:成就与挑战

香蕉基因组学研究20年:成就与挑战作者:金志强来源:《热带作物学报》2020年第10期摘要:香蕉基因组学研究已逾20年,取得了一些进展。

本文从全基因组测序、亚基因组分化、基因水平上的染色体结构变异、多倍体背景下的染色体交换及基因组扩张与功能等5个方面,论述了香蕉基因组学研究取得的进展,并对未来基因组学研究的重点方向进行了展望。

关键词:香蕉;基因组学;A基因组;B基因组中图分类号:S668.1 文献标识码:AAbstract: Banana genome has been studied for more than 20 years, and some progress has been made. In this paper, the achievements of banana genomics research were reviewed from five aspects: whole genome sequencing, subgenome differentiation, chromosomal structural variation at genome level, chromosome exchange under polyploid background, genome expansion and function.Keywords: banana (Musa L.); genomics; A genome; B genomeDOI: 10.3969/j.issn.1000-2561.2020.10.007基因组学(genomics)是研究基因组(genome)的科学。

从分子遗传学的角度,基因组是指一个生物体或一个细胞器所有DNA分子的总和[1]。

基因组学的发展是以1990年10月1日启动人类基因组计划(Human Genome Project, HGP)作为起点的,至2000年在全世界科学家的共同努力下,覆盖大部分基因组的基因组序列草图绘制完成[2]。

动植物重测序

动植物重测序

全基因组重测序是对已知基因组序列的物种进行不同个体的基因组测序,并在此基础上对个体或群体进行差异性分析。

基于全基因组重测序技术,人们可以快速进行资源普查筛选,寻找到大量遗传变异,实现遗传进化分析及重要性状候选基因的预测。

随着测序成本降低和拥有参考基因组序列物种增多,全基因组重测序成为动植物育种和群体进化研究迅速有效的方法。

简化基因组测序技术是对与限制性核酸内切酶识别位点相关的DNA进行高通量测序。

RAD-seq(Restriction-site Associated DNA Sequence)和GBS(Genotyping-by-Sequencing)技术是目前应用最为广泛的简化基因组技术,可大幅降低基因组的复杂度,操作简便,同时不受参考基因组的限制,可快速鉴定出高密度的SNP位点,从而实现遗传进化分析及重要性状候选基因的预测。

简化基因组技术尤其适合于大样本量的研究,可以为利用全基因组重测序技术做深度信息挖掘奠定坚实的基础。

全基因组重测序和简化基因组测序技术可广泛应用于变异检测、遗传图谱构建、功能基因挖掘、群体进化等研究,具有重大的科研和产业价值。

产品脉络图动植物重测序建库测序单个性状家系群体自然群体SNP/InDel/SV/CNV/转座子基因组DNA有效SNP性状定位群体进化群体进化(基于简化基因组测序) 群体进化(基于全基因组重测序) 变异检测(基于简化基因组测序)SNP检测/SSR检测遗传图谱全基因组关联分析(GWAS)功能基因挖掘变异检测(基于全基因组重测序) QTL定位BSA性状定位多个性状动植物重测序动植物重测序概述SNP检测、注释及统计基因组DNA350 bp小片段文库HiSeq PE150测序数据质控与参考基因组比对利用全基因组重测序技术对某一物种个体或群体的基因组进行测序及差异分析,可获得SNP、InDel、SV、CNV、PAV、转座子等大量的遗传多态性信息,建立遗传多态性数据库,为后续揭示进化关系、功能基因挖掘等奠定基础。

重测序分析简介

重测序分析简介

重测序参考手册目录目录 (1)1. 重测序简介 (3)2. 重测序实验方法 (3)基因组DNA抽提 (3)基因组DNA样品建库 (3)上机前定量 (4)3. 重测序分析内容 (4)重测序分析流程 (5)重测序分析内容 (5)4. 重测序重要技术参数 (6)5. 重测序分析内容解释 (6)6. 重测序分析内容示例 (6)SNP、INDEL的样本差异分析 (12)7. 成功分析案例/或已发表论文 (14)8. 概念及常用工具链接 (14)1. 重测序简介全基因组重测序是对已知基因组序列的物种进行不同个体的基因组测序,并在此基础上对个体或群体进行差异性分析。

全基因组重测序的个体,通过序列比对,可以找到大量的单核苷酸多态性位点(SNP),插入缺失位点(InDel,Insertion/Deletion)、结构变异位点(SV,Structure Variation)位点。

众信可以协助客户,通过生物信息手段,分析不同个体基因组间的结构差异,同时完成注释。

2. 重测序实验方法提取基因组DNA,利用Covaris进行随机打断,电泳回收所需长度的DNA片段(0.2~5Kb),加上接头, 进行cluster制备(Solexa)或E-PCR (SOLiD),最后利用Paired-End或者Mate-Pair的方法对插入片段进行重测序。

实验步骤主要包括以下几点:基因组DNA抽提不同生物(植物、动物、微生物)的基因组DNA的提取方法有所不同; 不同种类或同一种类的不同组织因其细胞结构及所含的成分不同,分离方法也有差异。

在提取某种特殊组织的DNA时必须参照文献和经验建立相应的提取方法, 以获得可用的DNA大分子。

尤其是组织中的多糖和酶类物质对随后的酶切、PCR反应等有较强的抑制作用,因此用富含这类物质的材料提取基因组DNA时, 应考虑除去多糖和酚类物质。

基因组DNA样品建库这是样品准备过程中最主要的环节,也就是真正意义上的建库(通常我们所说的建库包括整个样品准备的过程)。

西瓜果形基因图位克隆及分子标记开发

西瓜果形基因图位克隆及分子标记开发

西瓜果形基因图位克隆及分子标记开发段雅如;高美玲;郭宇;梁晓雪;刘秀杰;徐洪国;刘继秀;高越;栾非时【期刊名称】《中国农业科学》【年(卷),期】2022(55)14【摘要】【目的】基于GBS(Genotyping-by-sequencing)高密度遗传图谱初步定位结果,通过图位克隆方法对西瓜果形基因进行精细定位,并开发功能性分子标记,有助于全面研究果形基因的功能及分子标记辅助选择育种。

【方法】利用114份纯合西瓜品系全基因组重测序数据及其果形指数表型进行GWAS(genome-wide association study)分析,结合GBS高密度遗传图谱初步定位结果确定果形基因候选区段,以商业小型西瓜品种纯化所得品系K2(椭圆形、FSI=1.54±0.13)和L1(圆形、FSI=1.11±0.07)为材料构建F2群体,通过开发分子标记对果形基因ClFSI进行精细定位,根据西瓜参考基因组‘97103’v1注释信息确定候选基因,并通过实时荧光定量PCR(qRT-PCR)进行验证。

【结果】利用1152份F2群体,最终将ClFSI精细定位于3号染色体的FMFSI-1与FMFSI-2标记之间物理距离约63 kb区间内,共包含5个注释基因。

其中Cla011257属于已报道与控制果实纵径和果形相关的SUN 基因家族。

经测序分析发现,西瓜椭圆形品系K2在该基因第3外显子上存在两个非同义突变位点Chr3:26846636 G-A和Chr3:26847041 G-A(‘97103’v1),分别导致天冬酰胺(Asn)替换为天冬氨酸(Asp)和谷氨酸(Glu)替换为赖氨酸(Lys),并利用Chr3:26847041突变位点开发功能性分子标记FSICAPS-2。

qRT-PCR分析表明,K2(椭圆形)与Charleston Gray(细长形)中候选基因表达量无显著性差异,但均显著高于L1(圆形)。

【结论】本研究将控制西瓜果形的ClFSI精细定位于3号染色体63 kb区间内,推测Cla011257为最终目的基因,Chr3:26847041和Chr3:26846636突变位点是导致果形不同程度伸长的重要位点,并开发了可以同时鉴定Cla011257多种突变类型的功能标记FSICAPS-2。

大豆叶柄角的QTL定位分析

大豆叶柄角的QTL定位分析

作物学报 ACTA AGRONOMICA SINICA 2020, 46(1): 9 19/ ISSN 0496-3490; CN 11-1809/S; CODEN TSHPA9E-mail: zwxb301@本研究由国家自然科学基金项目(31830083)和福建农林大学科技创新专项基金项目(CXZX2018028)资助。

This study was supported by the National Natural Science Foundation of China (31830083) and Science and Technology Innovation Fund of Fujian Agriculture and Forestry University (CXZX2018028)*通信作者(Corresponding author): 杨永庆, E-mail:yyq287346@第一作者联系方式: E-mail: wcunhu@Received (收稿日期): 2019-04-12; Accepted (接受日期): 2019-08-09; Published online (网络出版日期): 2019-09-12. URL: /kcms/detail/11.1809.S.20190912.1510.004.htmlDOI: 10.3724/SP.J.1006.2020.94056大豆叶柄角的QTL 定位分析王存虎 刘 东 许锐能 杨永庆* 廖 红福建农林大学资源与环境学院 / 根系生物学研究中心, 福建福州 350002摘 要: 叶柄角是大豆株型的重要构成因素, 影响大豆冠层结构、光合作用效率以及最终产量。

解析大豆叶柄角的遗传基础对提升大豆产量具有重要意义。

本研究以2个叶柄角具有显著差异的亲本BLA 和SLA 以及它们衍生的RIL 群体为材料, 构建高密度的遗传图谱, 对大豆不同部位的叶柄角进行QTL 分析, 并利用近等基因系验证部分QTL 。

肉牛良种繁育的意义与关键技术

肉牛良种繁育的意义与关键技术

肉牛良种繁育的意义与关键技术叶治兵1,2,崔繁荣1,2,袁理星1,2,马义诚1,2,李红波1,2(1.新疆畜牧科学院畜牧研究所,新疆 乌鲁木齐 830057;2.新疆肉牛工程技术研究中心,新疆 乌鲁木齐 830057)摘要:该文结合实际工作经验,探讨了肉牛良种繁育的意义,阐述了遗传评价技术、繁殖能力评价技术、母牛产奶量预测技术等选种技术,以及基因组选择技术、胚胎移植技术等选种配种技术,以期实现优良肉牛品种的快速普及和应用。

关键词:肉牛;良种繁育;生产效益;选种;繁殖能力;产奶量;基因组选择;胚胎移植叶治兵,崔繁荣,袁理星,等. 肉牛良种繁育的意义与关键技术[J]. 农业工程技术,2023,43(25):102+104.新疆是国内5大牧区之一,肉牛养殖历史悠久,是当地畜牧养殖的重要组成部分。

为切实提高繁殖母牛的生产效率和肉质品质,需做好良种繁育工作,筛选出优质品种或培育出高产品种,以推动肉牛养殖业高质量发展。

一、肉牛良种繁育的意义1、提高生产效益肉牛良种繁育可以选择具有良好生长性能、肉质优良和适应能力强的个体作为种公牛和种母牛,通过选育出更具生产力的牛群来提高肉牛养殖效益。

优良的种牛能够传递良好的遗传性状,提高肉牛的产肉率和快速生长能力,从而提高出品质与产量。

同时,通过良种繁育可以获得更适应当地气候且抗性较强的品种,为养殖业的稳定和可持续发展奠定基础。

此外,良种繁育可以给农民提供高质量的肉牛品种,提高产品竞争力和市场占有率,进而增加农民收入。

2、促进农村经济发展肉牛良种繁育对农村经济的发展和欠发达地区的增收致富有积极意义。

优良肉牛养殖不仅可以提供肉类产品,还可以同时进行养殖技术和牛种销售等增值服务,带动当地农村经济发展。

二、肉牛良种繁育关键技术1、选种技术(1)遗传评价技术肉牛良种繁育的遗传评价技术是指通过对肉牛个体的遗传信息进行识别和评估,从而选择出具有良好遗传性状、适合用于肉牛繁育的个体。

可利用现代基因测序技术,对牛的基因组进行全面测序和分析,了解不同功能基因的变异情况和与肉质、生长性状等相关遗传标记。

基因组测序术语解释

基因组测序术语解释

DNA关键词:WG-BSA (全基因组重测序 BSA)对已有参考基因组序列的物种的所有作图群体( F1、 F2、 RIL、 DH 和 BC1等),对亲本进行个体重测序,对某个极端性状材料混池测序,检测 SNP,获得与性状紧密关联的分子标记和精细定位区域,是目前最高效的基因定位方法。

通过选取某个极端性状,利用高效率低成本的混池测序技术,勿需开发分子标记进行遗传图的构建,快速定位与性状相关的候选 QTL。

MP-Reseq (多混池全基因组重测序)针对特有的优良地方品种中的不同品种/品系,通过群体内 pooling 建库的方法,进行全基因组重测序,采用生物信息学方法全基因组范围内扫描变异位点,能快速的定位不同混池样品基因组中明显经过人工或自然选择的区域,检测与性状相关的基因区域及其功能基因。

全基因组个体重测序基于全基因组重测序的变异图谱通过测序手段结合生物信息分析研究同一物种不同个体之间的变异情况,获得大量的变异信息,如 SNP、 Indel、 SV 等。

主要可以快速地获得大量的分子标记以及不同个体在基因组水平上的差异。

全基因组关联分析-GWAS通过重测序对动植物重要种质资源进行全基因组基因型鉴定,与关注的表型数据进行全基因组关联分析,找出与关注表型相关的SNP位点,定位数量性状基因,与数量性状相关的基因紧密连锁的SNP标记,后续可用于分子标记辅助育种,助力育种进程。

全基因组重测序-遗传进化通过对来自全国各地、具有代表性的 XX 份 XX 材料进行全基因组重测序,检测 SNP、 Indel、 SV,并利用获得的 SNP 与 SV 数据进行群体多样性分析,包括连锁不平衡分析、群体进化分析、群体结构分析、群体主成分分析等。

全基因组重测序-遗传图谱基于全基因组重测序技术对已有参考基因组序列的物种进行个体或群体的全基因组测序,利用高性能计算平台和生物信息学方法,检测单核苷酸多态性位点( SNP),并计算多态性标记间的遗传连锁距离,绘制高密度的遗传图谱。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
西北农林科技大学研究人员与诺禾致源重测序团队合作,采用GBS技术,对枣树F1群体的145个个体利用Illumina HiSeq PE150平台测序,检测群 体SNP,并进行遗传标记开发,构建遗传图谱。本研究共得到12个连锁群,上图标记数为2540个,遗传距离总长为1456.53cM,标记间平均距离为 0.88cM。
动植物基因组测序 全基因组survey 全基因组 de novo 测序 泛基因组测序 变异检测 BSA性状定位 遗传图谱 全基因组关联分析 群体进化 Hi-C测序
版权所有:北京诺禾致源科技股份有限公司
微生物基因组测序
16S/18S/ITS等扩增子测序 细菌基因组 de novo 测序 真菌基因组 de novo 测序 微生物重测序 宏基因组测序
IF 3.867 2.132 2.108 3.867 2.91 3.867 6.661
策略
GBS
link
GBS
link
GBS
link
GBS
link
GBS
link
GBS
link
GBS
link
转录调控测序
真核有参转录组测序 医学转录组测序 真核无参转录组测序 比较转录组与泛转录组测序 原核转录组测序 宏转录组测序 单细胞转录组测序 LncRNA测序 circRNA测序 small RNA测序 ChiP-seq RIP-seq 全基因组甲基化测序
2 本研究通过亲本及子代SNP基因分型,开发bin 标记,基于4183个 bin 标记构建玉米高密度遗传图谱,遗传距离总长为1545.65cM, 标记间平均距离为0.37cM, 平均物理距离为0.51Mb(图2)。
3 基于该图谱,对玉米3个株型相关的性状进行了定位,并且在3个 环境中定位出了主效QTL。通过这些定位出的QTL,预测到2个候 选基因,为后续进行基因的准确鉴定奠定了基础(图3)。
图1 亲本间多态性SNP在全基因组及外显子区域的分布
图3 三个环境下的PH性状相关QTL在染色体上的分布
图2 玉米 bin map (横轴表示染色体编号,纵轴表示样本数; 红色表示与亲本Qi319基因型相同,蓝色表示与亲本Ye478相同;
黄色:杂合基因型)
案例 2 基于GBS技术构建枣树F1代高密度遗传图谱
案例 1 基于GBS技术的玉米高密度遗传图谱构建和株型相关性状定位
1 中国农业科学院作物研究所研究人员携手诺禾致源重测序团队, 采用GBS技术,利用Illumina HiSeq 2500测序平台,对314株高 世代群体(RILs)进行双末端PE125低深度测序(平均测序深度 0.07×),检测群体SNP,并进行遗传标记开发,亲本间多态性 SNP标记分布如右图所示(图1)。
特别适合大样本量研究。 玉米、木薯、枣树等物种都已成功运用GBS技术构建了高密度遗传图谱, 为进一步进行目标性状定位、分子辅助选择和图位克隆重要农艺性状基因奠定了基础。
亲本选配 群体类型 群体大小 测序技术 亲本测序深度 子代测序深度
方案设计
两个亲本,且亲本间性状差异明显。 F1、F2、RILs、BC1、DH等。 ≥150 GBS Tag数≥10万;平均8×/Tag Tag数≥10万;平均8×/Tag
首页
提供领先的基因组学解决方案
Leading Edge Genomic Services & Solutions
科技服务
测序指南
基因课堂
市场活动与进展
文章成果
关于我们
基于GBS技术的 高密度遗传图谱构建
GBS(Genotyping-by-Sequencing)是一种常见的简化基因组测序技术, 其原理是将基因组DNA进行酶切,然后对酶切片段两端序列进行高通量测序。 GBS技术可以根据研究目的灵活调整所需捕获酶切位点的片段数(Tags),从而控制捕获序列的范围。 基于简化基因组技术(GBS)的遗传图谱构建,能够降低基因组的复杂度,数据量低,操作简便,节约成本,
建库测序 建库测序
人类基因组测序
全基因组测序 外显子测序 目标区域测序 单细胞基因组测序
诺禾致源微信文章 精彩阅读 >>
图4 遗传图谱与物理图谱共线性分析
GBS遗传图谱代表文献
物种 玉米[1] 枣树[2] 狼尾草[3] 木薯[4] 苹果[5] 覆盆子[6] 柳枝稷[7]
类别 作物类 林木类 作物类 作物类 林木类 作物类 作物类
发表时间 2016 2016 2015 2015 2014 2013 2013
发表刊物 BMC Genomics Tree Genetics & Genomes Molecular Breeding BMC Genomics G3:Gene Genomes Genetics BMC Genomics Plos Genetics
技术路线
DNhomakorabea质控 与参考序列进行比对
群体SNP检测
亲本之间多态性标记开发 子代基因分型 遗传标记筛选
遗传图谱构建和图谱质量评估
实 验 部 分
标 准 信 息 分 析


QTL定位和区间注释
信 息

QTLs效应分析

诺禾致源最新发表GBS遗传图谱文章
相关文档
最新文档