基于高密度SNP芯片进行 中国荷斯坦牛CNV检测 刘剑锋 张勤 中国农业大学动物科技学院 2010.8.17
一、研究背景 拷贝数变异是指与参照基因组比较，DNA片段缺失、复制、插入或复杂基因组重排区域大于1Kb至Mb的结构变异。
…
CNV在人类基因组上的研究 CNVs大约占有12%的区域 几千个基因存在拷贝数变异 SNP研究任何两个随机人类基因组都至少有0.1%的差异 ，CNVs研究为至少1%
CNV在人类基因组上的研究 2004年，lafrate等在5个人群39名没有亲缘关系的健康个体中发现255个位点包含CNVs ,平均长度150kb-425kb 2004年，Sebat等在20个没有血缘关系的个体中发现221个拷贝数变异，平均跨越465kb
CNV在人类基因组上的研究 2005年，Tuzun等比较两组不同种族的人类基因组序列，共发现241个CNVs,片断大小在8～40kb。 2008年，Hasin等通过3个不同祖先的25个个体检测嗅觉受体（OR）基因位点的CNVs。发现93个OR基因位点受到CNVs影响。
CNV在小鼠中的研究 2007年，Chris 等比较C57BL/6品系的14个高度近交967代的亚群鉴别出38个CNVs。 CNVs的范围在4Kb-4Mb。
CNV在大鼠中的研究 2008年，Guryey等研究发现643个CNVs约占基因组的1.4%，65%的CNV片段长度小于10kb 。 发现18号染色体（RNO18）没有CNV 。
CNV在猪中的研究 12头没有亲缘关系的杜洛克猪与一头没有亲缘关系的汉普夏公猪比较 共发现37个拷贝数变异区域，5个位于染色体重复区域
CNV在牛中的研究 14 Holsteins 3 Simmental 2 Red danish 1 Hereford 基于ＣＧＨ技术
来自１７个公牛家系的２４８个半同胞个体 基于SNP 50 K芯片技术
ＣＮＶ的研究价值
ＣＮＶ的研究价值 CNVs 除了具有覆盖范围广、组成形式多样的特点以外，还具有其作为遗传标记的三个重要特点 —— 可遗传性 ——相对稳定性 —— 可遗传性 ——相对稳定性 ——高度异质性
CNV作用机制与疾病 通过剂量效应直接改变基因表达量，引起功能紊乱。 通过影响基因转录调控因子，间接影响基因的表达量。
研究CNV的相关试验技术 分辨率范围从1Mb到几Kb Array-CGH ROMA 准确程度依靠芯片上片段的数量和距离 Fosmid末端比较 FISH SNP芯片技术 分辨率范围从1Mb到几Kb 准确程度依靠芯片上片段的数量和距离
二、试验群体 2047荷斯坦奶牛，来自１４个公牛家系 基于Illumina高密度SNP50K芯片检测平台
三、CNV检测 利用BEADSTUDIO产生每个个体的所有SNP位点探针杂交信号强度数据； 基于隐马尔科夫链算法，采用PennCNV软件，检测个体CNV。
PennCNV简介 从SNP芯片数据检测CNVs 隐马尔科夫模型（hidden Markov model） 可处理 Illumina、Affymetrix及其他芯片数据 集成多方面信息：total signal intensity、每个SNP标记的allelic intensity ratio、相邻SNPs的距离、SNP等位点的群体频率、系谱信息。
四、检测结果 共检测出8010个CNV，存在于1746 samples内。 其中大多数含SNP数不超过10个，检测出CNV数超过100个的有7 samples（low quality）。 需进行质量控制，以减少假阳性结果。
对牛SNP50芯片数据的分析 质量控制 sample-level： No.CNV：50 LRR_SD:0.24 BAF_DRIFT:0.01 WF：0.05
2047 samples--------->>>>1246 samples 8010 CNVs-------------->>>>2448 CNVs
质量控制 call-level 质控水平：7 SNPs,100 Kb 2448 CNVs-------->>>242 CNVs
质量控制： 去除特定染色体区域的CNV：如染色体端、着丝粒附近等区域。
对牛SNP50芯片数据的分析 最终结果
对牛SNP50芯片数据的分析
五、下一步工作 对检出的CNV进行进一步验证： 1、CGH芯片 2、RT-PCR 3、测序验证 进行CNV与奶牛生产性能的GWAS分析
六、展望 随着高通量全基因组CNVs 扫描平台和新的统计推算方法的不断发展，基于CNVs 这一新的遗传标志的GWAS 将和基于SNPs 的传统GWAS 一样，成为研究复杂性状遗传机理的有力工具。
六、展望 联合使用SNPs 和CNVs 这两个具有互补性的遗传标志，将为深入理解复杂性状的分子机制和鉴定易感基因，对遗传变异和复杂性状表型关系的认识具有重要意义。
致谢 感谢课题组姜力博士生在基因型分析、信号强度分析给予的付出和帮助 感谢课题组蒋纪才硕士生在PENNCNV软件调试中付出的努力 感谢张勤教授对总体研究方案给予的支持、教导和帮助！
衷心感谢各位老师！