При просмотре популяционных геномных данных области с низким разнообразием (ниже, чем ожидалось, например, в области с высокой рекомбинацией) могут указывать либо на очищающий отбор вредных мутаций, либо на выборочное удаление адаптивной мутации. Какими способами можно определить, какое из них произошло?
Один из способов, о котором я слышал, состоит в том, чтобы использовать внешнюю группу, которая не пережила тех же событий, что и основная группа. Если внешняя группа также имеет низкое разнообразие, это означает, что несинонимичные мутации в этой области вредны независимо от событий, и поэтому эти гомогенные области, вероятно, подверглись очищающему отбору. Если внешняя группа имеет большое разнообразие в этих регионах, основная группа, вероятно, подверглась выборочной чистке.
Каковы другие способы различить их?
Добро пожаловать в Biology.SE!
На самом деле я недавно просматривал литературу на эту и подобную тему, так что буду рад ответить.
Ответ будет нелегко сформулировать, так как ряд авторов работают и спорят над этим вопросом. Я постараюсь дать краткий обзор методов.
Определения: выбор фона и выборочная развертка
Во-первых, давайте использовать правильные термины. Как вы описали, как положительный, так и очищающий отбор уменьшают генетическое разнообразие в близлежащих локусах. Когда сокращение генетического разнообразия вызвано положительным отбором, мы называем этот процесс selective sweep. Когда сокращение генетического разнообразия вызвано очищающим отбором, мы называем этот процесс background selection.
Что влияет на выбор фона?
Что влияет на выборочную развертку?
Кстати, вы можете взглянуть на термины «мягкая очистка» и «жесткая очистка» по отношению к двум последним элементам приведенного выше списка и по отношению к локальной адаптации.
Как отделить выбор фона от выборочной развертки?
Есть ряд техник, но опять же, все это находится в стадии разработки. Я хотел бы классифицировать эти методы по четырем темам.
Этот первый элемент говорит об отделении локального выбора от фонового. Возможно, это не совсем то, о чем вы просили, но это обсуждение часто занимает центральное место в литературе, говорящей об обоих.
Если мы предположим, что нам известна переменная среды, вызывающая адаптацию, то вы можете сравнить дивергенцию между популяциями, присутствующими в разных средах, и популяциями, присутствующими в одной и той же среде. Если потеря генетического разнообразия вызвана локальным отбором, то дивергенция должна быть выше между популяциями, обитающими в разных средах. Если потеря генетического разнообразия вызвана фоновым отбором, то все популяции будут демонстрировать сходную дивергенцию. Байесовские методы, такие как BayEnv2 ( Gunther and Coop 2013 ), используют преимущества этого метода.
Сравнивая родственные виды, можно обнаружить регионы с низким генетическим разнообразием. Если все родственные линии демонстрируют одинаковую потерю генетического разнообразия независимо от наличия адаптивного события, то потеря генетического разнообразия, вероятно, вызвана фоновым отбором.
Из таких методов (но я могу не совсем их понять, мне следует перечитать статью) некоторые авторы (такие как McVicker 2009 ) построили B-карту и недавно реализовали в BayeScan ( Huber et al. 2016 ; BayeScan является Fst-выбросом). метод обнаружения локальной адаптации), то есть карта генома интенсивности фонового отбора, измеряемая B-значением, введенным Чарльзвортом (история термина рассмотрена в Charlesworth 2012 ) .
Как фоновая селекция, так и селективная развертка влияют на частотно-аллельный спектр , вызывая избыток редких аллелей (D <0 Тадзимы). Однако сила эффекта и подробное влияние на частотно-аллельный спектр не совсем одинаковы, и некоторые авторы предложили использовать такие различия, чтобы разделить их.
В последнее время наблюдается большой интерес к использованию методов машинного обучения для разработки методов обнаружения отбора. Например, многие люди выполняют численное моделирование эволюционирующих популяций и обучают алгоритм машинного обучения обнаружению локусов при отборе. Hejase 2020 применяет метод SVM и обнаруживает быстрое излучение птиц, вызванное недавними выборочными зачистками. Hejase 2022 разработал рекуррентную нейронную сеть (RNN), используя граф рекомбинации предков, чтобы сделать вывод о том, как выборочные развертки формируют геномное разнообразие.
Чтение предложений
На эту тему можно много читать. Я бы порекомендовал недавний специальный выпуск журнала «Молекулярная экология: ОБНАРУЖЕНИЕ ОТБОРА В ПРИРОДНЫХ ПОПУЛЯЦИЯХ» , включая обзор Haasl and Payseur 2016 .
Реми.б
атонгса
Реми.б