Un locus de rasgos cuantitativos ( LCQ o QTL para loci de rasgos cuantitativos ) es una región de ADN más grande o más pequeña que está estrechamente asociada con un rasgo cuantitativo , es decir, una región cromosómica donde se encuentran uno o más genes . En el origen del carácter en cuestión .
La herencia de rasgos cuantitativos se refiere a una característica fenotípica que varía en grados y que puede atribuirse a la interacción entre dos o más genes y su entorno (también llamada herencia poligénica).
Los QTL se pueden identificar " molecularmente " (mediante PCR , por ejemplo) para ayudar a mapear regiones del genoma que contienen genes implicados en la especificación de un rasgo cuantitativo.
Esto contribuye a la identificación, anotación y secuenciación de estos genes o genes denominados “genes de interés”.
Se supone que un rasgo que exhibe una variación continua dentro de una población (rasgo cuantitativo) está controlado por varios genes de efecto débil: modelo infinitesimal. Sin embargo, se ha demostrado que algunos genes importantes (QTL) podrían participar de manera significativa en esta variabilidad (modelo oligogénico).
El análisis QTL busca caracterizar la arquitectura genética de un tipo de rasgo: es decir, determinar el número de regiones del genoma involucradas, así como sus posiciones y efectos. Este enfoque se basa en el análisis combinado de información molecular y un carácter cuantitativo en la segregación de la progenie. Permite probar estadísticamente el vínculo entre la variación genética (como la de los marcadores moleculares) y la variación fenotípica. Si esta prueba es significativa, se resalta un QTL.
A partir de un análisis de marcadores simple (análisis de varianza unidireccional), el análisis QTL se ha convertido en métodos cada vez más complejos:
Además de estos métodos clásicos, también se han desarrollado enfoques bayesianos, pero por el momento siguen siendo poco utilizados en plantas.
Como ocurre con todos los análisis estadísticos, el tamaño de la muestra es un factor crítico. Para tamaños de muestra pequeños, el riesgo de no detectar un QTL de efecto bajo es significativo. Esto, por tanto, sobreestima el efecto de los detectados. Esto se conoce comúnmente como el efecto "Beavis".