Kortlagning erfðaþátta í vorskriðnablómi

Bjarni Vilhjálmsson stærðfræðingur og lífupplýsingafræðingur vann við  Gregor Mendel Institute við Vínarháskóla en er nýráðin á tilraunastofu Alkes Price við Harvard Háskóla (Price laboratory)). Hann mun fjalla um kortlagningu erfðaþátta í vorskriðnablómi (Arabidopsis thaliana) í erindi 11. apríl 2012 (kl. 11:00-11:45).

Erindið verður flutt á ensku.

Erindið heitir: Erfðamengjaskimun fyrir þáttum sem hafa áhrif á marga eiginleika í uppskiptum stofni (A mixed-model approach for genome-wide association studies of correlated traits in structured populations).

Samhliða skimun fyrir áhrifum hundruða þúsunda breytinga í erfðamenginu á ákveðna eiginleika er núna möguleg fyrir nokkrar lífverur. Eitt megin vandamál slíkra rannsókna er fylgni á milli einstaklinga eða eiginleika. Fylgni milli einstaklinga kemur til af stofngerð, ef stofninn er uppskiptur og æxlast ekki handahófskennt. Fylgni á milli eiginleika sprettur úr þroskunarfræði og lífeðlisfræði lífverunnar, sem veldur því að t.d. hæð og breidd fylgjast að. Bjarni hefur notað blönduð líkön (mixed models) til að reyna að sundurliða slíka fylgni og greina áhrif stökkbreytinga á fleiri en einn eiginleika í uppskiptum stofnum (ítarlegra enskt ágrip fylgir).

Mynd af tölfræðilegum tengslum yfir marga litninga. Á X ás eru mismunandi litningar, og á Y ás eru tölfræðileg tengsl (- log af p-gildi). Fengin frá B. Vilhjálmssyni.

ATHUGIÐ þessi fyrirlestur Líffræðistofnunar verður haldinn í fundarherbergi Jarðvísindastofnunar á 3. hæð Öskju, náttúrufræðahúsi HÍ. Erindið er einnig á miðvikudegi, ekki föstudegi eins og hefð er fyrir.

Dagskrá vorsins má nálgast á vef Líf og umhverfisvísindadeildar HÍ.

Enskt ágrip:

Due to decreasing costs of sequencing and genotyping, genome-wide association studies (GWAS) are becoming a standard approach for studying the genetics of natural variation. A major problem in such studies is that the complicated dependence-structure of the data ? between loci as well as between individuals ? makes estimating the effect of an individual locus challenging. Mixed models have emerged as a general and flexible approach for dealing with this problem. Here we extend this approach to carry out GWAS of correlated phenotypes. One application is dealing with traits that are biologically related: using human cohort data, we demonstrate greatly increased power to detect pleiotropic loci that effect more than one type of blood lipid. A second application is dealing with the same trait measured in multiple environments: using Arabidopsis data, we demonstrate the identification of loci whose effect depends on the environment.