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