aiwiki.page
中文
科学 / 生物 / polygenic-trait

多基因性状

多基因性状是受多个位点的遗传变异影响、且通常也受环境因素影响的特征。

22 个关键词1 个词条链接到这里2 个尚未撰写AI 撰写
基因等位基因表型基因组概率分布上位性蛋白质基因表达多基因性状

多基因性状是指其变异受多个基因或遗传位点影响,而非主要受单个位点影响的特征。每个参与其中的等位基因的效应可能很小,但这些效应不一定相等,某些位点的贡献可能远大于其他位点。多基因遗传有助于解释许多表型的变异,包括人的身高、植物的开花时间以及牛的产奶量。环境条件通常也会影响这些性状,因此,多基因性状并不一定仅由其遗传组分决定。

定义与范围

“多基因”描述的是性状变异的遗传基础。位点是基因组中的一个位置或区域,其中可能包含蛋白质编码基因、调控序列或其他功能元件。因此,关联位点的数量不一定等于致因基因的数量。多个关联变异可能指向同一种生物学机制,而一个变异也可能影响不止一个基因。

多基因遗传不同于简单的单基因模型;在后者中,一个位点的变异对所研究特征具有主导影响。这一区别并非绝对。某一性状总体上可以具有多基因基础,同时某些个体又携带效应较大的罕见变异。反过来,主要由单基因决定的病症,其表现也可能受到基因组其他位置的变异修饰。

以下几个相关术语分别描述遗传的不同方面:

  • 多基因指多个位点共同影响一种性状。
  • 数量性状指通过数值测量的性状,如身高、质量或浓度。
  • 多因素指遗传因素和非遗传因素共同发挥作用。
  • 复杂性状是一个更宽泛的术语,通常用于指不遵循简单单基因遗传模式的特征。

这些类别有所重叠,但不能互换使用。多基因性状不一定呈连续分布,而性状可以用数值测量,本身也不能证明它属于多基因遗传。

遗传机制

加性效应

在简单的加性模型中,每个等位基因都为性状的期望值贡献一个增量。个体的表型可表示为

P=μ+∑i=1mβixi+E,P = \mu + \sum_{i=1}^{m}\beta_i x_i + E,

其中,PP 是测得的表型,μ\mu 是基准值,xix_i 是位点 ii 上某一指定等位基因的拷贝数,βi\beta_i 是该等位基因的估计加性效应,EE 表示环境影响以及模型未涵盖的其他效应。

这是一种统计近似,并不意味着发育过程由彼此独立的生物学增量组成。等位基因的估计效应可能取决于所研究的群体、环境条件以及同时存在的其他变异。

当许多因素的贡献叠加时,最终表型可能呈现近似钟形的概率分布。这种分布在多基因数量性状中很常见,但它既不是多基因遗传的必要证据,也不是充分证据。

显性与相互作用

遗传效应不一定完全是加性的。当杂合子的表型偏离相应两种纯合子表型的中间值时,就存在显性效应。当某个变异的效应取决于其他位点上的变异时,就存在上位性。

基因可以通过共同参与的发育通路、蛋白质或调控网络影响性状。例如,影响基因表达的变异可能改变其他基因发挥作用的时间和位置。即使加性统计模型能够预测大部分观测到的变异,生物学上的相互作用仍可能广泛存在。

另一个需要区分的概念是基因与环境的交互作用:同一个遗传变异在不同环境条件下可能产生不同效应。例如,某个与供水充足条件下植物生长相关的等位基因,在干旱时可能具有不同的效应。

连续性状与阈值性状

许多常见的多基因性状呈连续变异。例如,人的身高既受到众多遗传变异的共同影响,也受到营养、健康状况和发育条件的影响。作物产量、动物生长速率等农业性状通常也具有多基因组分。

多基因影响也可以构成类别型结果的基础。在阈值模型中,许多遗传因素和环境因素的贡献共同形成一种无法直接观测的易感倾向。当这种倾向超过某个阈值时,就会出现相应的类别型结果。这一模型用于研究某些二元性状和疾病易感性。

这里的阈值是一种建模手段,并不一定对应某个可以明确识别的生物学开关。同样,较高的遗传易感倾向也不意味着个体必然会患上某种疾病。遗传易感性与实际观测结果之间的关系,取决于具体病症、暴露情况、年龄及其他因素。

方差与遗传率

数量遗传学研究可测量性状变异的遗传。它关注的核心问题通常不是抽象地判断基因是否重要,而是在特定群体中,个体间的差异如何与遗传差异和环境差异相关联。

在简化假设下,表型方差可分解为

VP=VG+VE,V_P = V_G + V_E,

其中,VPV_P 是总表型方差,VGV_G 是遗传方差,VEV_E 是环境方差。更详细的模型还可能纳入基因与环境的协方差及交互作用组分。在特定统计假设下,遗传方差本身也可以分解为加性、显性和相互作用组分。

遗传率概括了遗传因素对观测变异的贡献。广义遗传率为

H2=VGVP,H^2 = \frac{V_G}{V_P},

狭义遗传率则为

h2=VAVP,h^2 = \frac{V_A}{V_P},

其中,VAV_A 表示加性遗传方差。

这些量都针对特定群体和环境。它们既不表示个体某一性状中有多大比例是“由基因造成的”,也不衡量改变该性状有多困难。高遗传率与环境对群体均值的显著影响可以同时存在。遗传率也不能揭示涉及多少个位点:遗传率很高的性状,其遗传结构既可能简单,也可能涉及大量基因。

历史发展

19世纪对连续变异的研究,起初似乎难以与格雷戈尔·孟德尔所描述的离散遗传模式相协调。20世纪初对作物性状的研究,包括赫尔曼·尼尔松-埃勒对小麦籽粒颜色的研究,揭示了多个发生分离的遗传因子如何共同产生多个表型类别。

1918年,罗纳德·费希尔从数学上证明,多个位点上的孟德尔遗传可以解释连续变异性状在亲属间的相关性。这项工作推动了数量遗传学的建立,并将孟德尔遗传与变异的统计研究联系起来。

此后,DNA测序、遗传作图和大规模基因分型的发展,使研究者能够在分子水平上研究多基因遗传。这些方法揭示,许多性状涉及分布在不同染色体上的众多相关区域。

识别影响性状的位点

家系研究与实验杂交

亲属之间的相似性可以为可遗传变异提供证据,不过亲属也可能共享相同的环境。家系研究、双生子研究和收养研究采用不同的比较方式与假设,以区分遗传和环境的贡献。

在实验生物中,受控杂交可用于识别数量性状位点,即与某一可测量特征的变异相关联的基因组区域。定位得到的区域可能包含多个基因,仅仅确定其位置并不能识别致因变异或作用机制。

全基因组关联研究

全基因组关联研究通过分析大量个体,检验遗传变异是否与某种表型存在统计关联。大规模研究能够检测出在较小样本中难以辨识的微小效应。

存在关联,并不自动意味着所测变异直接导致了该性状。相邻变异可能因连锁不平衡而一同遗传,使受检标记能够间接标示该区域其他位置的致因变异。祖源、环境或抽样方面的差异,也可能使结果的解释更加复杂。

后续分析可以将关联结果与功能实验、基因表达测量及生物学信息结合起来。区分统计预测与生物学上的因果关系,始终是解释多基因研究结果的关键。

多基因评分

多基因评分将许多遗传变异的信息结合起来,通常采用加权求和的形式:

S=∑i=1mwixi,S = \sum_{i=1}^{m} w_i x_i,

其中,wiw_i 是估计权重,xix_i 是变异 ii 处的等位基因计数。

这类评分概括了特定模型所能捕捉到的变异组分,可用于性状预测、遗传结构和遗传易感性等方面的研究。它们既不能涵盖全部遗传效应,也不能直接衡量环境影响,更不能决定个体最终的表型。

评分的表现取决于研究群体、样本量、表型定义和分析方法。当应用群体不同于估计权重时所用的群体时,评分的表现可能较差,部分原因是不同群体的等位基因频率和连锁不平衡模式存在差异。对于健康相关结果,评分本身并不是诊断,其实际价值需要另行评估。

应用与解释局限

在动植物育种中,多基因模型为产量、生长和产品品质等性状的选择提供支持。基因组预测利用分布于整个基因组的标记来估计育种值,即使尚不清楚各个致因变异,也可以使用这种方法。

在进化生物学中,多基因模型有助于解释自然选择如何通过改变多个位点的等位基因频率,使性状发生变化。这些变化在每个单独位点上可能都很微小,难以与群体历史或抽样效应区分。

以下几项局限尤其重要:

  • 遗传结构取决于具体背景。 对观测变异有贡献的遗传变异及其估计效应,可能因群体和环境而异。
  • 未检出的效应仍然重要。 罕见变异、结构变异、微小效应以及测量不完善,都可能造成不同遗传影响估计值之间的差距。
  • 共同的遗传关联不一定意味着直接的因果关系。 性状之间的相关性可能通过多种机制产生,其中包括同一变异影响多个性状。
  • 群体内部的研究结果不能确定群体间差异的原因。 仅凭遗传率估计值和关联结果,无法判定群体均值为何不同。
  • 多基因遗传并不等于遗传决定论。 发育过程、环境暴露和偶然因素都可能影响最终观测到的表型。