Abstract
Einleitung und Ziel: Für das Merkmal Fettleibigkeit wurden bereits zahlreiche QTLs in verschiedenen Spezies abgeleitet. Für das Modelltier Maus, mit dem wir arbeiten, wurden z.B. 89 QTLs für Fett-assoziierte Merkmale in 30 unabhängigen Studien identifiziert. Obwohl diese 89 QTL-Regionen sich zum großen Teil überlappen, werden mehr als zwei Drittel des Maus-Genoms von mindestens einem QTL abgedeckt. Würde man sich ohne weitere Auswahl-Kriterien für alle in diesen QTLs liegenden Gene interessieren, hätte dies annähernd 20000 „Kandidaten-Gene“ zur Folge. Ziel dieser Arbeit ist es, mittels öffentlich zugänglicher muriner SNP-Daten die QTL-Regionen auf diejenigen Bereiche einzuschränken, die mit hoher Wahrscheinlichkeit die für Fettleibigkeit relevanten Gene enthalten. Methode: Wir benutzen den Abdeckungsgrad („Von wieviel unterschiedlichen QTLs wird ein genomischer Locus überlappt?“) als Kriterium für die Präsenz relevanter Gene. Auf der Grundlage von 12000 genotypisierten Loci identifizieren wir ferner nebeneinander liegende SNPs, in denen sich ein Pool von fetten Mauslinien und ein Pool von normalen Mauslinien konsistent im Genotyp unterscheiden. Zugrunde liegt die Annahme, dass Loci, die in mehreren unterschiedlichen Studien identifiziert wurden und in genomischen Bereichen liegen, in denen sich fette und normale Linien konsistent unterschieden, mit erhöhter Wahrscheinlichkeit Kandidatengene enthalten. Ergebnis:
Der Abdeckungsgrad des Mausgenoms mit QTLs wird mit einer Scoring-Funktion graphisch dargestellt. Zusammen mit der graphischen Darstellung der SNP-Dichtefunktion ist eine Identifikation von genomischen Regionen möglich, in denen sowohl QTLs als auch SNPs gehäuft auftreten. Schlussfolgerung: Einzelne QTL-Studien geben nur einen sehr groben Hinweis auf die genomischen Regionen, die die genetische Grundlage für bestimmte Merkmale beinhalten. Eine erheblich bessere Auflösung wird erzielt durch das gleichzeitige Betrachten von QTLs aus mehreren unabhängigen Studien sowie vor allem durch das Einbeziehen von Genotypisierungsdaten. Je nach Stringenz der Parameter bei der bioinformatischen Analyse können Listen von Kandidatengenen erzeugt werden, die im Vergleich zu der Ausgangssituation stark reduziert sind.