По коэффициенту отбора

Определение коэффициента отбора

Коэффициент отбора — это разница в приспособленности между двумя генотипами (или гаплотипами). Пусть два генотипа будут Aи B. Давайте воспользуемся относительной приспособленностью и скажем, что пригодность Aравна$w_A = 1$Bи пригодность$w_B = 1 - s$, где$s$является коэффициентом отбора. Как следствие$w_A - w_B = s$.

Вопрос долгосрочной пригодности не связан с определением коэффициента отбора, поскольку коэффициент отбора определяется как разница в приспособленности. Важным вопросом является «Какую меру приспособленности следует использовать для популяции, в которой давление отбора меняется во времени и / или в пространстве».

Какую меру пригодности следует использовать для популяции, в которой давление отбора меняется во времени и/или в пространстве?

Грубо говоря, если изменения в приспособленности происходят в пространстве, то вы должны использовать среднюю арифметическую пригодность, а если изменения в приспособленности происходят во времени, то вы должны использовать среднюю геометрическую пригодность, но это не так просто.

Реальный интерес заключается в том, связаны ли приспособленности между поколениями. Другими словами, имеют ли индивидуумы в одном поколении более схожие значения приспособленности, чем индивидуумы другого поколения? Когда изменение приспособленности является пространственным, такой корреляции ожидать не следует. Когда изменение является временным, следует ожидать такой корреляции.

Надеясь, что вы можете прочитать код в R, проще всего прочитать какой-нибудь код, который выполняет симуляцию, и посмотреть на результат. Итак, вот код, который выполняет симуляции. Ключевое различие между симуляциями с пространственным и временным изменением заключается в линии, которая получает значение пригодности ( runif).

set.seed(43)

temporalVariation = function(N, lowestFitness, highestFitness, nbgenerations)
{
    Ns = numeric(nbgenerations)
    Ns[1] = N
    for (generation in 2:nbgenerations)
    {
        fitnessPerIndThisGeneration = runif(1,lowestFitness, highestFitness) # All individuals have the same fitness in a specific generation   
        N = N * fitnessPerIndThisGeneration
        Ns[generation] = N
    }
    return (Ns)
}


spatialVariation  = function(N, lowestFitness, highestFitness, nbgenerations)
{
    Ns = numeric(nbgenerations)
    Ns[1] = N
    for (generation in 2:nbgenerations)
    {
        FitnessOfEachIndividual = runif(N, lowestFitness, highestFitness) # Individuals differ in fitness within a generation
        N = sum(FitnessOfEachIndividual)
        Ns[generation] = N      
    }
    return (Ns)
}


N = 1000
lowestFitness = 0.95
highestFitness = 1.08
nbgenerations = 200

spatialNs = spatialVariation(N, lowestFitness, highestFitness, nbgenerations)
temporalNs = temporalVariation(N, lowestFitness, highestFitness, nbgenerations)

plot(y= spatialNs, x=1:nbgenerations, col='blue', xlab = 'generation', ylab = 'N')
points(y= temporalNs, x=1:nbgenerations, col='red')

Синим цветом показано моделирование с пространственным изменением. Красным цветом показано моделирование с временным изменением. Вы заметите, что среднее геометрическое всегда равно или ниже среднего арифметического.

Независимо от того, имеет ли значение среднее арифметическое или геометрическое приспособление, это повлияет на репродуктивную систему, которая будет наиболее успешной. В связи с этим вам следует прочитать Ripa et al. 2009 о хеджировании ставок