Resumen de Detección de regiones del genoma involucradas en los procesos de selección artificial y diferenciación en las poblaciones de bovino de carne autóctono español
Las poblaciones autóctonas de ganado vacuno de carne español se encuentran genéticamente agrupadas (Cañón y Alexandrino, 2001; Beja-Pereira et al., 2003; Martín-Burriel et al., 2011), aunque muestran una importante variabilidad en caracteres de crecimiento, de desarrollo muscular (Piedrafita et al., 2003) y de calidad de la canal y de la carne (Gil et al., 2001; Piedrafita et al., 2003; Serra et al., 2008). Por lo tanto, es plausible estas diferencias hayan sido generadas como consecuencia de los procesos de selección y adaptación a sus respectivos sistemas de producción y que, posiblemente, hayan dejado señales en el genoma que permitan la identificación de los genes implicados en estos procesos. Esta información puede ser relevante para la implementación de procedimientos conjuntos de evaluación genómica en estas poblaciones.
El material biológico utilizado para el desarrollo de esta tesis doctoral consistió en 171 tríos (padre/madre/descendiente) de siete poblaciones de vacuno de carne español (Asturiana de los Valles -AV-, n=25; Avileña-Negra Ibérica -ANI-, n=24; Bruna dels Pirineus -BP-, n=25; Morucha -Mo-, n=25; Pirenaica -Pi-, n=24; Retinta -Re-, n=24; Rubia Gallega -RG-, n=24) que se genotiparon para 777,962 marcadores SNP. Adicionalmente, se realizó un control de calidad usando PLINK (Purcell et al., 2007) y se reconstruyeron los haplotípos parentales con software BEAGLE (Browning y Browning, 2009).
A partir de esta información se realizaron los siguientes estudios: 1. Análisis del parentesco molecular y la diferenciación entre poblaciones.
Un primer análisis utilizó el parentesco molecular dentro y entre las poblaciones, los estadístico FST, FIS y FIT y medidas de distancias genéticas entre poblaciones (Caballero y Toro 2002). Este estudio detectó siete regiones genómicas en los cromosomas 2, 5, 6, 7, 11, 13 y 18 asociadas a procesos de diferenciación. Los genes localizados en estas regiones indicaron que estas señales están asociadas a genes "mayores" o de gran efecto fenotípico, y que, además, estén muy implicados en los procesos de estandarización racial, como son fenotípicos específicos de población (MTSN, LAP3, LCORL o NCAPG) o color de la capa (MC1R, END3, KIT-LG).
2. Análisis bayesiano de la diferenciación entre poblaciones.
En segundo lugar, se utilizó un procedimiento Bayesiano denominado SelEstim (Vitalis et al., 2014) con el objetivo de corroborar los resultados del análisis anterior con un procedimiento que permitía relajar la asunciones del FST (Wright, 1943). Esta estrategia identificó las mismas regiones genómicas y comprobó la robustez de la metodología clásica ante divergencias leves de sus asunciones. Sin embargo, la inferencia proporcionada por SelEstim fue más rica, ya que, además de identificar los procesos de diferenciación entre poblaciones, proporciona información acerca de la dirección y la intensidad de la selección y del grado de migración entre poblaciones.
3. Un mapa global de las señales de selección en las poblaciones autóctonas de vacuno de carne español.
Finalmente, un tercer estudio incorporó doce procedimientos para la detección de señales de selección basados en 1) la reducción de la variabilidad local (EigenV), 2) las modificaciones del espectro de la frecuencia alélica (Estadístico D de Tajima, Estadístico D de Fu y Li, Estadístico H de Fay y Wu, y XP-CLR), 3) la diferenciación entre poblaciones (SelEstim y FST), y 4) las variaciones locales del patrón del desequilibrio de ligamiento (iHS, XP-EHH, nSL, VarLD, y H12). Al comparar los resultados, se observó, como los métodos se agruparon del siguiente modo: un primer grupo compuesto por procedimientos basados en el análisis de espectro de frecuencias y en la reducción de la variación local, un segundo integrado por los métodos basados en la diferenciación entre poblaciones, y un último formado por los basados en la extensión del desequilibrio de ligamiento. Estos tres grupos de métodos presentaron un alto grado de coincidencia con los tres ejes canónicos de un análisis factorial.
Los resultados del análisis factorial restringido a tres ejes identificaron, en su mayor parte, regiones genómicas diferentes, y, probablemente, los resultados de cada uno de ellos estén asociados a tiempos evolutivos diferentes (Sabeti et al., 2007). Así, el primer eje parece estar asociado a procesos de selección antiguos, mientras que el tercero se corresponde con procesos más recientes. El segundo eje ocupa una posición intermedia y está relacionado con los procesos de diferenciación entre poblaciones.
Los resultados del primer eje identificaron regiones genómicas compartidas entre poblaciones, en las que se localizaron genes asociados con procesos básicos del metabolismo, como, entre otros, la regulación homeostática, la respuesta inmune, el metabolismo energético o la estatura. El segundo eje detectó las mismas regiones que los procedimientos desarrollados en los apartados anteriores, y, por último, el tercero identificó menos señales y, en su mayor parte, fueron exclusivas de cada población. Este último resultado confirmó la naturaleza poligénica de los caracteres asociados con la selección artificial (Shao et al., 2008; Cole et al., 2009). Por otra parte, y en este mismo estudio, se realizó un análisis de enriquecimiento de rutas metabólicas entre las que destacaron para los tres ejes canónicos las siguientes: Focal Adhesion, Adipogenesis, Muscle cell TarBase, Integrated Pancreatic Cancer Pathway, Epithelium TarBase, y Lymphocyte TarBase.
CONCLUSIONES 1. Los genes más implicados en los procesos de diferenciación entre poblaciones, o de estandarización racial, corresponden con aquellos asociados con fenotípos específicos de cada población o al color de la capa.
2. La inferencia proporcionada por el procedimiento bayesiano SelEstim para el análisis de diferenciación entre poblaciones es más rica que la que proporcionan los métodos clásicos, ya que además de identificar los procesos de diferenciación entre poblaciones, proporciona información acerca la dirección y la intensidad de la selección y del grado de migración entre poblaciones.
3. Los métodos de detección de señales de selección pueden ser agrupados en tres grandes grupos. Un primer grupo compuesto por métodos basados en el análisis de espectro de frecuencias y en la reducción de la variación local, un segundo integrado por los procedimientos basados en la diferenciación entre poblaciones, y un tercero formado por los métodos basados en la extensión del desequilibrio. Estos tres grupos identifican regiones genómicas diferentes, que pueden ser atribuidas a momentos distintos en la historia evolutiva de las poblaciones.
4. Los métodos basados en espectro de frecuencias y en la reducción de la variación local detectan señales de selección antigua, que fueron compartidas entre varias poblaciones, y que se asociaron con procesos básicos del metabolismo, como la regulación homeostática, la respuesta inmune, el metabolismo energético o la estatura.
5. Los procedimientos basados en la extensión del desequilibrio de ligamiento detectan señales más recientes, que son menos intensas y, en su mayor parte, exclusivas de cada población, a causa de la naturaleza poligénica de los caracteres implicados en los mecanismos de selección artificial.
6. Los procesos de selección, tanto antiguos como recientes, han afectado al mismo grupo de caracteres, aunque probablemente con intensidad y dirección variable a lo largo del tiempo. En las poblaciones autóctonas de ganado vacuno de carne español los caracteres implicados se agrupan en: 1) Caracteres morfológicos 2) Color de la capa, 3) Respuesta inmune, 4) Caracteres reproductivos, 5) Metabolismo graso y calidad de la carne, 6) Desarrollo muscular y 7) Conversión alimenticia.
BIBLIOGRAFIA Beja-Pereira, et al., 2003. Genetic Characterization of Southwestern European Bovine Breeds: A Historical and Biogeographical Reassessment with a Set of 16 Microsatellites. Journal of Heredity, 94(3):243-250.
Browning, B.L. y Browning, S.R., 2009. A unified approach to genotype imputation and haplotype-phase inference for large data sets of trios and unrelated individuals. American journal of human genetics, 84(2):210-223.
Caballero, A. y Toro, M. a, 2002. Analysis of genetic diversity for the management of conserved subdivided populations. Conservation Genetics, 3(3):289-299.
Cañón, J. y Alexandrino, P., 2001. Genetic diversity measures of local European beef cattle breeds for conservation purposes. Genetics Selection Evolution, 33:311-332.
Cole, J.B., et al., 2009. Distribution and location of genetic effects for dairy traits. Journal Dairy Science, 92:2931-2946.
Gil, M., et al., 2001. The effect of breed-production systems on the myosin heavy chain 1, the biochemical characteristics and the colour variables of Longissimus thoracis from seven Spanish beef cattle breeds. Meat Science, 58:181-188.
Martín-Burriel, I., et al., 2011. Genetic diversity, structure, and breed relationships in Iberian cattle. Journal of animal science, 89(4):893-906.
Piedrafita, J., et al., 2003. Carcass quality of 10 beef cattle breeds of the Southwest of Europe in their typical production systems. Livestock Production Science, 82(1):1-13.
Purcell, S., et al., 2007. PLINK: a tool set for whole-genome association and population-based linkage analyses. American journal of human genetics, 81:559-575.
Sabeti, P.C., et al., 2007. Genome-wide detection and characterization of positive selection in human populations. Nature, 449(7164):913-918.
Serra, X., et al., 2008. Eating quality of young bulls from three Spanish beef breed-production systems and its relationships with chemical and instrumental meat quality. Meat science, 79(1):98-104.
Shao, H., et al., 2008. Genetic architecture of complex traits: large phenotypic effects and pervasive epistasis. PNAS, 105:19910-19914.
Vitalis, R., Gautier, M., Dawson K.J. y Beaumont, M.A., 2014. Detecting and measuring selection from gene frequency data. Genetics, 196(3):799-817.
Wright, S., 1943. Isolation by Distance. Genetics, 28(2):114-138.
