정보

중립 유전자좌에서의 고정율

중립 유전자좌에서의 고정율


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

중립 돌연변이가 발생하여 고정되기까지 예상되는 시간은 $2 N mu frac{1}{2N} = mu$이며, 여기서 $N$은 인구 규모이고 $mu$입니다. 중립 돌연변이율(wiki)입니다.

이것이 실제로 무엇을 의미하는지 이해하지 못합니다. $frac{1}{mu}$ 세대에서 (적어도) 하나의 고정 이벤트가 발생할 확률은 얼마입니까? 0.5인가요? $n$ 세대에서 (적어도) 하나의 고정 이벤트가 발생할 확률을 계산할 수 있습니까? 예를 들어 $n=frac{mu}{10}$ 세대 이후에 (최소한) 하나의 고정 이벤트를 관찰할 확률은 $0.1$와 같습니까? 아니면 더 복잡합니까?

업데이트

@DanielWeissman 의견에 따라:

초기에 단일 형태의 모집단(클론의 모집단)으로 시작한다고 가정해 봅시다. 게다가 인구가 상대적으로 작다고 가정하자 $Nmu < 1$


우선, $mu$는 돌연변이가 발생하여 수정될 것으로 예상되는 시간이 아닙니다. 그것은 돌연변이가 인구에서 고정되는 비율입니다. 기본 결과는 중립 돌연변이가 궤적에서 $mu$ 비율로 발생하면 개인 내에서, 이 유전자좌의 돌연변이가 수정됩니다. 인구에서 요금도 $mu$입니다.

주어진 중립 돌연변이가 발생한 후 수정될 것으로 예상되는 시간은 개체군에서 손실되지 않는 경우 약 $4N_e$이며 여기서 $N_e$는 유효 개체군 크기입니다. Kimura and Ohta(1969)는 확산 근사를 사용하여 이 결과를 도출했습니다. Kingman(1982)은 합체 이론을 발전시켰고 그 과정에서 내 의견으로는 동일한 근사치의 보다 우아한 파생물을 얻습니다.

이제 그 확률은 얼마입니까? 일부 돌연변이는 시간의 함수로 인구의 고정으로 이동합니까? 모집단의 고정률이 $mu$일지라도 이것이 확률 0.5로 $1/mu$ 시간 단위 내에서 일부 돌연변이가 수정된다는 것을 의미하지는 않습니다. 그 확률은 모집단의 고정 이벤트 분포에 따라 달라집니다. 여기에 대해 생각해 볼 수 있는 좋은 방법이 있습니다. 고정 이벤트가 균등한 간격을 두고 $mu$ 비율로 발생했다면 확률 1로 $1/mu$ 길이의 간격 내에서 돌연변이가 발생합니다. 고정 이벤트가 많이 뭉쳤다면 $1/mu$ 길이의 간격 내에서 고정 이벤트가 발생할 확률은 매우 낮지만 하나의 이벤트가 있었다면 아마도 많이 있을 것입니다. 고정 이벤트가 포아송 과정으로 분포되어 있는 경우(완전히 중립적인 모델일 것으로 생각됨) 시간 간격 $1/mu$ 내에서 고정 이벤트가 발생할 확률은 (음의) 지수 분포로 주어집니다. 따라서 길이 $1/mu$의 시간 간격에서 적어도 하나의 고정 이벤트가 있을 확률은 $1-frac{1}{e}$입니다.


IHC 염색에 사용되는 고정 전략 및 제형

고정은 면역조직화학에서 4가지 중요한 역할을 합니다.

  • 그것 보존하고 안정시킨다 세포 형태 및 조직 구조
  • 그것 비활성화 그렇지 않으면 샘플을 분해할 수 있는 단백질 분해 효소
  • 그것 강화하다 추가 처리 및 염색을 견딜 수 있도록 샘플
  • 그것 보호하다 미생물 오염 및 분해 가능성에 대한 샘플.

올바른 고정 방법은 응용 프로그램과 염색할 표적 항원에 따른 최적화가 필요합니다. 이는 최적의 고정 방법이 경험적으로 결정되어야 함을 의미합니다. 일반적인 고정 방법은 다음과 같습니다.

  • 관류: 조직은 전체 장기의 신속한 고정을 허용하기 위해 방혈 및 식염수 관류 후 고정제로 관류될 수 있습니다.
  • 담금: 샘플을 고정액에 담근 다음 조직 또는 세포 샘플을 통해 확산합니다. 침수는 종종 조직 전체에 걸쳐 철저한 고정을 보장하기 위해 관류와 결합됩니다.
  • 동결: 화학적 고정 또는 탈파라핀화에 사용되는 유기 용매에 노출되기에 너무 불안정한 항원이 포함된 샘플은 최적 절단 온도(OCT) 화합물과 같은 동결 보호 삽입 매체에 삽입한 다음 급속 동결하여 액체 질소에 보관할 수 있습니다. .
  • 건조: ICC 염색을 위한 혈액 도말을 공기 건조시키고 화염을 가로질러 흔들어 세포를 슬라이드에 열 고정합니다.

특정 고정제는 한 항원 에피토프의 면역 반응성을 보존할 수 있지만 동일한 항원에 있더라도 다른 에피토프를 파괴할 수 있습니다. 여기에 제공된 지침은 특정 시스템에 적합한 고정액을 결정하는 데 도움이 되지만 각 항원이 고유하다는 것을 기억하는 것이 중요합니다. 따라서 정착액을 선택할 때 다음 사항을 고려해야 합니다.

  • 고정제의 종류(포름알데히드, 글루타르알데히드, 유기용제 등)
  • 침투 및 고정 속도
  • 정착액 농도
  • 고정 pH
  • 이상적인 고정 온도
  • 고정 후 처리

더 알아보기

더 알아보기

화학 고정제 표적 항원을 가리거나 장기간 고정 후 조직 표적에 대한 항체 접근성을 방지할 수 있는 교차 결합 또는 침전 샘플 단백질. 단일 고정제는 모든 조직, 샘플 또는 항원에 이상적이지 않습니다. 이것은 항원을 변경하거나 조직의 내인성 위치 및 세포 세부 사항을 방해하지 않고 적절한 고정을 보장하기 위해 각 고정 절차를 최적화해야 함을 의미합니다.

물리적 고정 염색을 위해 샘플을 준비하는 대체 접근 방식이며 특정 방법은 샘플 소스와 표적 항원의 안정성에 따라 다릅니다. 예를 들어, 혈액 도말은 일반적으로 샘플에서 액체를 제거하고 슬라이드에 세포를 고정하는 건조에 의해 고정됩니다. 파라핀 제거 및 항원 검색과 관련된 엄격한 처리에 너무 민감한 조직은 먼저 OCT 화합물과 같은 동결 보호 포매 매체에 포함된 다음 절편될 때까지 급속 동결되고 액체 질소에 저장됩니다. 아래 예는 포르말린 고정 조직에서 IHC 염색의 예를 제공합니다.

IHC는 포르말린 고정 파라핀 포매(FFPE) 인간 결장암 조직 섹션에서 수행되었습니다. 표적 단백질을 노출시키기 위해, 95℃에서 가열하여 20분 동안 10mM 시트르산나트륨 완충제(pH 6)(예: 00-5000, AP-9003-125)를 사용하여 열-유도 에피토프 검색(HIER)을 수행하였다. 항원 회수, 실온으로 냉각 및 세척 후, 조직을 실온에서 30분 동안 PBST 중 3% BSA(제품 번호 37525)로 차단한 다음, 가습 챔버에서 1시간 동안 1:100. 조직을 PBS/0.025% Tween-20(제품 번호 003005)으로 광범위하게 세척하고 내인성 퍼옥시다제 활성을 Peroxidase Suppressor(제품 번호 35000)로 실온에서 30분 동안 켄칭했습니다. HRP-접합 염소 항-마우스 IgG-HRP 2차 항체(제품 번호 31430)를 1:500으로 희석하여 검출한 후 Metal Enhanced DAB 기질 키트(제품 번호 34065)를 사용한 비색 검출을 수행했습니다. 이미지는 40X 배율의 광학 현미경으로 촬영되었습니다.

포름알데히드

가장 널리 사용되는 화학 고정제는 대부분의 세포 표적에 대해 광범위한 특이성을 나타내는 포름알데히드입니다. 수용성, 무색, 독성 및 자극성 가스는 단백질 및 핵산의 1차 아민과 반응하여 부분적으로 가역적인 메틸렌 다리 가교를 형성합니다.

포름알데히드 및 ​​파라포름알데히드

대부분의 상업용 포름알데히드는 증류수/탈이온수에 용해된 파라포름알데히드(PFA, 고분자 포름알데히드)로부터 제조되며, 수성 포름알데히드를 안정화하기 위해 최대 10%(v/v) 메탄올이 첨가됩니다. 안정화는 포름알데히드가 포름산으로 산화되고 최종적으로 파라포름알데히드로 재중합되는 것을 방지하는 데 중요합니다. 고정을 위해 메탄올 안정화 포름알데히드를 사용하지 않기 위해 많은 프로토콜은 샘플 고정 직전에 파라포름알데히드에서 "신선한" 포름알데히드를 만드는 것이 좋습니다.

포르말린 대 포름알데히드

"포르말린"과 "포름알데히드"라는 용어는 각 고정제의 화학적 조성이 다르지만 종종 같은 의미로 사용됩니다. 포르말린은 포름알데히드로 만들어지지만 백분율은 실제 포름알데히드 용액과 다른 포름알데히드 농도를 나타냅니다. 예를 들어, 10% 중성 완충 포르말린(NBF 또는 간단히 포르말린)은 실제로 4%(v/v) 포름알데히드 용액입니다. 이 차이의 근거는 역사적으로 포르말린은 중성 pH에서 인산염 완충액으로 1:10 희석하여 37 ~ 40%(w/v) 포름알데히드인 상용 등급 스톡 포름알데히드로 제조되었다는 것입니다.

더 알아보기

더 알아보기

글루타르알데히드

글루타르알데하이드는 아미노 및 설프히드릴 그룹 및 가능한 방향족 고리 구조와 반응하는 디알데하이드 화합물입니다. 글루타르알데히드를 함유하는 고정제는 포름알데히드보다 더 강력한 단백질 가교제입니다. 그러나 그들은 조직에 더 천천히 침투하여 가용성 항원을 추출하고 조직 구조를 변형시킵니다. 글루타르알데히드 기반 고정제로 고정된 조직은 IHC 염색 전에 불활성 아민 함유 분자로 처리하거나 급랭해야 합니다. 그 이유는 사용 가능한 자유 불포화 알데히드기가 항체(Schiff 기초 형성). 가장 효율적인 알데히드 차단제/소광제는 에탄올아민과 라이신입니다.

기타 정착액

염화수은계 고정제 때때로 불량한 세포학적 보존을 극복하기 위해 알데히드 기반 고정제의 대안으로 사용됩니다. 이 가혹한 고정제는 아민, 아미드, 시스테인과 같은 아미노산, 단백질 및 핵산의 인산염 그룹과 반응하여 작동합니다. 그 결과 단백질과 핵산이 응고되어 바람직하지 않은 조직 경화를 유발할 수 있습니다. 이러한 고정액을 사용하는 이점은 더 쉬운 형태학적 해석을 허용하는 세포학적 세부 사항의 보존과 함께 더 강렬한 IHC 염색입니다. 이러한 고정제는 장성을 유지하기 위해 아연을 함유한 중성 염을 포함하는 경우가 많으며, 균형 잡히고 덜 거친 제형을 제공하기 위해 다른 고정제와 혼합될 수 있습니다. 염화수은계 고정제는 Helly와 Zenker's Solution을 포함합니다. 수은 함유 고정제의 한 가지 단점은 IHC 염색 전에 섹션에서 수은 침전물을 제거해야 한다는 것입니다. 이러한 수은 기반 고정제의 주요 단점은 독성이 강하고 부식성이 있으며 특별한 폐기 절차가 필요하다는 것입니다. 이러한 이유로 더 이상 자주 사용되지 않습니다.

침전 고정제 에탄올, 메탄올 및 아세톤을 포함합니다. 이들 용매는 큰 단백질 분자를 침전 및 응고시켜 이들을 변성시키고 세포학적 보존에 유리할 수 있다. 이러한 시약은 또한 세포를 투과시킬 수 있으며 이는 샘플에 따라 중요할 수 있습니다. 그러나 특히 아세톤은 세포와 조직에서 지질을 추출하므로 형태에 부정적인 영향을 줄 수 있습니다. 이러한 사실에도 불구하고, 아세톤은 일반적으로 이미 슬라이드에 결합된 냉동 섹션의 후고정제로 사용됩니다. 대조적으로, 용매 고정제는 심각한 조직 수축을 일으킬 수 있기 때문에 전자 현미경 검사에 적합하지 않습니다.

디이미도에스테르 고정 아민 반응성 가교제인 디메틸 수베리미데이트(DMS)를 사용하는 것은 알데히드 기반 고정에 대해 거의 사용되지 않는 대안입니다(Hassel, J. et al., 1974). DMS는 단백질의 α 및 ε-아미노 그룹을 서로 가교시키는 호모이기능성 시약입니다. 디이미도에스테르는 표적 분자의 아민과 아미딘 결합을 생성한다는 점에서 독특합니다. 결과적으로 DMS는 단백질의 순전하를 변화시키지 않습니다. 광학현미경과 전자현미경 모두에서 고정제로 DMS를 사용하는 장점은 항원의 면역반응성을 유지하고 차단이 필요한 알데히드기가 없다는 점입니다.

특별한 상황에서 사용되는 다양한 고정제가 있습니다. 여기에는 포름알데히드와 유사한 아크롤레인 및 글리옥살과 전자 현미경 검사 이전에 고정제로 특히 적합한 사산화 오스뮴이 포함됩니다. 기타 특수 고정제는 카르보디이미드 및 기타 단백질 가교제, 아연 염 용액, 피크르산, 중크롬산칼륨 및 아세트산을 포함합니다.


중립 이론 및 대체율

-
무엇인지 헷갈리는 부분이 있는 것 같습니다 중립 이론 대체율에 대해 말합니다. NickM은 생각하는 것 같다 돌연변이 비율이 1.1x10^-8이면 각 태어날 때마다 40개의 (중립) 돌연변이가 발생하고 각 세대에서 40개의 돌연변이가 고정될 것입니다. 왜냐하면 치환율 = 돌연변이 비율이기 때문입니다.

NickM은 1.1 x 10^-8의 돌연변이 비율에 대한 위키피디아 참조를 제공합니다.

어쨌든 -- 당신이 분명히 이해하지 못하는 또 다른 것은 자연 선택이 전혀 작용하지 않고 유전적 표류만 일어나는 완전히 중립적인 조건에서도 *대체율은 돌연변이율*과 같다는 것입니다.

게놈 크기가 32억 염기이고 인간-침팬지 발산 시간이 6미리라면 세대 크기가 15년이면 점 돌연변이의 1% 발산에는 3200만 개의 돌연변이가 필요하다. 그것은 40개의 돌연변이/세대입니다.

NickM이 깨닫지 못하는 것은 세대당 40개의 돌연변이가 아니라 치환율 = 1.1 x 10^-8이라는 것입니다. 40은 3.2bp의 게놈이 주어질 때마다 우리가 출생할 때마다 기대할 수 있는 돌연변이의 수입니다.

중립 이론은 돌연변이의 수가 아니라 돌연변이 비율에만 관련됩니다. 당신의 학위는 무엇입니까?

인구의 모든 구성원이 고정되기 위해서는 닉이 필요합니다. 모든 구성원, 생물학 101. 인구 크기가 1인 경우 추측합니다.

댓글 60개:

"Ya Nick이 고정되기 위해서는 인구의 모든 구성원이 그것을 헤쳐야합니다."

". 고정 효과(드리프트 손실을 피하는 돌연변이)"

그러나 귀하의 주장에 대한 지지를 자유롭게 인용하십시오.

넌 무식한 새끼야, 리치:

집단 유전학에서 고정은 특정 유전자(대립 유전자)의 변이가 두 개 이상 존재하는 상황에서 대립 유전자 중 하나만 남아 있는 상황으로 유전자 풀의 변화입니다.

고정 확률, 즉 특정 대립 유전자의 빈도가 궁극적으로 단일 집단에 도달할 확률은 집단 유전학의 초석 중 하나입니다.

와우, 더 어리석은. 중립 이론은 많은 것에 관한 것이지만 가장 중요한 주제 중 하나는 대체율과 그것이 돌연변이율과 어떻게 연결되는지입니다.

예를 들어, 세대당 개인당 40개의 돌연변이가 발생하는 경우(이는 사이트의 세대당 돌연변이에 사이트의 게놈 길이를 곱하면 얻을 수 있는 것입니다), 이것은 *인구의 각 개인*에서 발생합니다.

따라서 세대마다 *인구에서* 엄청난 수의 돌연변이가 일어나고 있습니다. 유효 인구 크기가 10,000인 경우 이는 40 x 10,000 = 400,000개의 새로운 돌연변이가 각 세대에 추가됩니다.

중립적 상황에서 이러한 새로운 돌연변이의 대다수는 결국 중립적 드리프트에 의해 집단에서 손실됩니다.

그러나 우연히 그들 중 일부는 고정으로 퍼질 것입니다. 확률은 본질적으로 복권에 당첨될 확률과 동일합니다. 각 돌연변이가 고정으로 퍼질 확률은 1/(인구 크기)입니다. (나는 반수체 유전자좌의 개체군 크기를 사용합니다. 이배체 개체군을 N으로 사용하면 2N입니다).

따라서 대부분의 중성 돌연변이는 소멸되지만 일부는 고정으로 퍼집니다. 평균적으로 대체율은 돌연변이율과 동일하다는 것이 밝혀졌습니다.

따라서 선택이 전혀 진행되지 않고 엄청난 수의 대체가 발생할 수 있습니다.

또는 더 짧은 버전:
http://www.stat.berkeley.edu/users/terry/Classes/s260.1998/Week13a/week13a/node10.html

예를 들어, 세대당 개인당 40개의 돌연변이가 발생하는 경우(이는 사이트의 세대당 돌연변이에 사이트의 게놈 길이를 곱하면 얻을 수 있는 것입니다), 이것은 *인구의 각 개인*에서 발생합니다.

예, 하지만 동일한 40개의 돌연변이는 아닙니다. 이 40개의 돌연변이가 고정되기 위해서는 부모와 조부모를 포함한 모든 개인이 돌연변이를 가지고 있어야 합니다.

그것이 고정의 의미 - UNITY - 모든 사람이 그것을 가져야 함을 의미합니다.

따라서 세대마다 *인구에서* 엄청난 수의 돌연변이가 일어나고 있습니다. 유효 인구 크기가 10,000인 경우 이는 40 x 10,000 = 400,000개의 새로운 돌연변이가 각 세대에 추가됩니다.

네, 하지만 고정되기 위해서는 모든 개인이 가지고 있어야 합니다.

그러나 우연히 그들 중 일부는 고정으로 퍼질 것입니다.

어쩌면 아닐 수도 있습니다. 문제는 얼마나 오래 걸리고 얼마나 많이 고쳐질 것인가 입니다.

각 돌연변이가 고정으로 퍼질 확률은 1/(인구 크기)입니다. (나는 반수체 유전자좌의 개체군 크기를 사용합니다. 이배체 개체군을 N으로 사용하면 2N입니다).

중성 돌연변이가 아닙니다. 다음은 돌연변이율입니다.

또한 고정될 확률이 1/N이면 길을 잃을 확률이 (N - 1/N)입니다. 그리고 taht는 모든 돌연변이를 없애는 임의의 효과를 고려하지도 않습니다.

따라서 선택이 전혀 진행되지 않고 엄청난 수의 대체가 발생할 수 있습니다.

얼마나 걸리고 얼마나 걸립니까?

1.1 x 10^-8의 돌연변이 비율로 꽤 길고 긴 시간을 말해줍니다.

OK NickM- 내가 찾은 것 :

수정하는 중성 대립 유전자의 경우 그렇게 하는 데 평균 4N 세대가 걸립니다.

그럼 또 뭐가 문제야, JoeG? 방금 게시한 링크 중 내가 말한 것과 모순되는 것은 없습니다.

당신은 침팬지와 인간 게놈의 차이를 관찰할 시간이 충분하지 않다고 주장했습니다.

먼저 "10%" 차이 숫자는 점 돌연변이가 아닌 큰 덩어리에서 발생하는 indel과 같은 것을 포함하는 데서 비롯된다는 점을 지적했습니다. 이들은 단지 indel 대체를 필요로 했습니다.

15세대, 불가능한 숫자가 아니다.

그런 다음 우리는 점 돌연변이(1% 차이)로 눈을 돌렸고, 나는 침팬지와 인간 사이에 관찰된 치환 차이의 양이 침팬지-인간 분할 시간과 관찰된 돌연변이 비율을 감안할 때 예상해야 하는 것과 거의 같다는 점을 지적했습니다. 당신이 게시한 이후로 이것과 모순되는 것은 없습니다.

당신의 원래 주장이 틀렸음을 인정하십시오. 과학적 방법입니다.

또는 p.를 읽으십시오.239: http://books.google.com/books?id=ng85sd1UR7EC&lpg=PA72&ots=pqL73i-4iH&dq=4N%20generations&pg=PA239#v=onepage&q=substitution%20rate&f=false

닉엠:
그럼 또 뭐가 문제야, JoeG? 방금 게시한 링크 중 내가 말한 것과 모순되는 것은 없습니다.

당신은 하나/각 세대에서 고정되는 많은 돌연변이가 있을 것이라고 말했습니다. 그것은 분명히 거짓이다.

당신은 침팬지와 인간 게놈의 차이를 관찰할 시간이 충분하지 않다고 주장했습니다.

디자인에 의존하는 경우가 있습니다. 다른 것에 의지하면 안 됩니다.

먼저 "10%" 차이 숫자는 점 돌연변이가 아닌 큰 덩어리에서 발생하는 indel과 같은 것을 포함하는 데서 비롯된다는 점을 지적했습니다.

내가 몇 년 동안 알고 있었던 것.

이들은 단지 indel 대체를 필요로 했습니다.

15세대, 불가능한 숫자가 아니다.

10세대가 넘고 고정률이 그렇게 높을 수는 없습니다. 그리고 그것은 설명해야 할 차이의 일부인 indel에 대한 것입니다.

그런 다음 우리는 점 돌연변이(1% 차이)로 눈을 돌렸고, 나는 침팬지와 인간 사이에 관찰된 치환 차이의 양이 침팬지-인간 분할 시간과 관찰된 돌연변이 비율을 감안할 때 예상해야 하는 것과 거의 같다는 점을 지적했습니다. 당신이 게시한 이후로 이것과 모순되는 것은 없습니다.

내가 게시한 모든 것이 그와 모순됩니다.

1개의 중립 돌연변이를 고정(추정)하기 위한 4N 세대, 여기서 N은 인구 규모입니다.

Haldane은 300세대 중 1세대를 발표했으며 어떤 중성 돌연변이보다 더 쉽게 고정될 유익한 돌연변이에 대해 600세대 이상에서 이를 실험했습니다.

따라서 내가 게시한 내용을 이해하지 못하거나 처음 도착했을 때 논박한 당신의 횡포, indel을 넘어선 나머지 돌연변이에 대한 회피, 수학에 대한 명백한 젠장 때문에 매우 분명합니다.

이제 우리는 indel에 대한 대체율에 대해 들어본 적이 없는 것에 의존하고 있습니다.

그러나 그렇습니다. 나는 원래의 주장을 다음과 같이 수정할 것입니다.

침팬지와 인간 사이에 10% 이상의 유전적 차이를 감안할 때 일부 돌연변이의 수는 매년 고정되어야 합니다.

(그리고 내가 필요한 것은 하나-
내가 필요한 건 하나-
내가 필요한 모든 것은 1, 1입니다.
1이 필요한 전부입니다)

아, 문제가 보입니다. 하나의 돌연변이(indel 또는 point mutation)가 발생하여 고정으로 확산되고 다음 돌연변이가 동일한 과정을 반복해야 한다고 생각합니다.

이것은 실제로 느릴 것입니다.

불행히도 많은 돌연변이가 한 개체군에서 동시에 표류할 수 있습니다. 사실 모두. 첫째, 우리는 23쌍의 염색체를 가지고 있으며, 염색체 1 집단에서 변이의 빈도는 2번 염색체 집단에서 변이의 빈도에 어떤 일이 발생하는지에 관계없이 증가하거나 감소할 수 있습니다.

둘째, 염색체는 모두 감수분열마다 많은 교차 이벤트를 경험하므로 실제로 각 염색체는 독립적으로 분리되고 각 세대에 재결합되는 많은 작은 부분으로 나뉩니다.

1개의 중립 돌연변이를 고정(추정)하기 위한 4N 세대, 여기서 N은 인구 크기입니다.

그것은 사실이지만, 그것은 단지 하나의 돌연변이에 대해서, 그리고 고칠 만큼 운이 좋은 돌연변이에 대해서만 해당됩니다(대다수는 고정되지 않고 대신 손실되므로 "고정 시간"은 무한대입니다).

실제로 우리는 (개인당 20개의 새로운 돌연변이) * (N = 인구 크기)와 같은 것을 매 세대마다 인구에 입력합니다. 대부분이 손실되고 일부는 수정되었습니다. 인구가 돌연변이를 수정하는 평균 비율은 돌연변이 비율인 mu와 같습니다.

당신은 다른 것에 대해 이야기하고 있습니다. 사실 우리가 알고 있는 단일 돌연변이에 대한 평균 고정 시간은 고정되어 있습니다. 내 요점이나 귀하의 전반적인 주장에 대한 귀하의 잘못에 영향을 미치지 않습니다.

당신이 문제입니다. 당신은 돌연변이의 축적을 필요로 하며 그것들은 오늘날의 개인에서 정점에 도달해야 합니다.

320,000,000+ 누적 차이.

돌연변이가 먼저 고정되지 않으면 어떻게 누적됩니까?

한 번 잃어버리면 더 이상 축적할 수 없습니다.

Kimura, 인구 유전학, 분자 진화 및 중립 이론: "돌연변이가 선택적으로 중립적이면 최종 고정 확률은 초기 빈도, 즉 이배체 집단에서 u=1/(2N)이므로, 식 (1), Ks=v가 있습니다. 즉, 중성 대립유전자의 경우 진화 속도는 돌연변이 속도와 같습니다.'

매우 간단한 파생입니다. 간단한 예제로 충분합니다. 개인당 평균 1개의 중성 돌연변이(예: 게놈이 10^8이고 돌연변이 비율이 10^-8)가 있는 반수체 집단, 크기 N)을 고려하십시오. 고정 가능성은 인구 크기의 역수 또는 1/N입니다. 하지만 세대당 N개의 돌연변이가 있습니다. 따라서 예상 고정률은 N*1/N입니다. 즉, 세대당 평균 하나의 돌연변이가 수정됩니다.

자초:
즉, 세대당 평균 하나의 돌연변이가 수정됩니다.

인구가 3명 이상인데 어떻게 그게 가능합니까?

자손, 즉 다음 세대가 새로운 돌연변이를 얻는다면 어떻게 될까요? 부모는 그것을 가지고 있지 않으므로 죽을 때까지 고칠 수 없습니다. 그리고 다음 세대의 인구가 1이면 고정됩니다.

돌연변이율이 1.1 x 10-8이라면 그것은 돌연변이의 수이고, 그것은 정수가 아니고 1보다 훨씬 작기 때문에 당신은 분명히 단서가 없습니다.

그러나 엔터테인먼트에 감사드립니다.

Talk Origins에는 4N 세대마다 고정되는 중립 돌연변이가 있습니다(여기서 N = 인구 크기).

관련 참조(에서 유전 적 부동- 위 참조) 그것은 실제로 진화 생물학 주장인 내 주장을 뒷받침합니다.

헤드릭, 필립 W. (2004). 인구 유전학, 737, Jones and Bartlett Publishers.

다니엘 하틀, 앤드류 클라크 (2007). 인구 유전학의 원리, 4판

Wen-Hsiung Li, Dan Graur(1991). 분자 진화의 기초, Sinauer Associates.

기무라, 모토(2001). 인구 유전학의 이론적 측면, 232, Princeton University Press.

Masel J, King OD, Maughan H(2007). 장기간의 환경 정지 동안 적응 가소성의 손실. American Naturalist 169(1): 38–46.

조 지: 인구가 3명 이상인데 어떻게 그게 가능합니까?

고정 확률은 1/N이므로 모집단이 100이면 결국 고정에 도달할 확률은 1/100입니다. 그러나 우리의 예를 보면 각 세대에서 100개의 돌연변이가 발생합니다. 따라서 평균적으로 100* 1/100 또는 하나가 결국 고정에 도달할 것으로 예상할 수 있습니다. 각 세대.

조 지: Talk Origins에는 4N 세대마다 고정되는 중립 돌연변이가 있습니다(여기서 N = 인구 크기).

고정할 *시간*입니다. 4N 세대 전에 우리의 예에서 평균 100개의 돌연변이가 발생했으며 그 중 1/100이 현재 고정에 도달했습니다. 물론 평균적으로.

자초:
고정 확률은 1/N이므로 모집단이 100이면 결국 고정에 도달할 확률은 1/100입니다. 그러나 우리의 예를 보면 각 세대에서 100개의 돌연변이가 발생합니다. 따라서 평균적으로 100* 1/100 또는 1이 도달하면 결국 고정에 도달할 것으로 예상할 수 있습니다. 각 세대.

그건 그냥 평범한 바보입니다. 100가지 다른 돌연변이가 일어난다면 어떻게 한 세대에 고정에 이를 수 있습니까?

당신은 당신이 말하는 것을 전혀 모르고 있고 그것은 여전히 ​​보여줍니다.

Talk Origins에는 4N 세대마다 고정되는 중립 돌연변이가 있습니다(여기서 N = 인구 크기).

고정할 *시간*입니다.

아니오, 그것은 세대의 수입니다. 따라서 인구가 100인 경우 하나의 중성 돌연변이가 고정에 도달하는 데 400세대가 걸립니다.

분명히 당신은 수학에 관해서는 여전히 무지합니다.

그러나 주장에 대한 몇 가지 긍정적인 증거를 자유롭게 제시하십시오.

조 지: 그건 그냥 평범한 바보입니다. 100가지 다른 돌연변이가 일어난다면 어떻게 한 세대에 고정에 이를 수 있습니까?

한 세대에 해결되지 않습니다. 100명 중 1명은 4N 세대 후에 해결됩니다. 평균적으로. 그러나 새로운 돌연변이가 끊임없이 발생하고 있습니다. 현재 세대에 고정된 것은 평균 4N세대 전에 발생했습니다.

조 지: 따라서 인구가 100인 경우 하나의 중성 돌연변이가 고정에 도달하는 데 400세대가 걸립니다.

맞습니다. 평균적으로 100개 중 1개만 고정에 도달하고 평균 400세대가 걸립니다. 모든 세대에서 돌연변이가 도입됨에 따라, 이는 고정되는 돌연변이의 지속적인 흐름이 있음을 의미합니다.

평균 비트는 제쳐두고 100명의 인구와 400세대의 고정 시간에서 세대당 정확히 100개의 중립 돌연변이를 가정합니다. 0세대에는 100개의 돌연변이가 있고 시간이 지나면서 99개는 손실되지만 400세대에는 하나가 수정됩니다. 1세대에는 100개의 돌연변이가 있고 시간이 지나면 99개가 손실되지만 401세대에는 하나가 수정됩니다. 2, 우리는 100개의 돌연변이를 가지고 있고, 시간이 지나면서 99는 손실되지만, 하나는 402세대에서 수정될 것입니다. 등등. 각 세대에서 영구적으로 고정되는 하나의 돌연변이가 있을 것입니다.

자초:
한 세대에 해결되지 않습니다.

자초 이전:
즉, 세대당 평균 하나의 돌연변이가 수정됩니다.

자초:
100명 중 1명은 4N 세대 후에 해결됩니다.

자초:
현재 세대에 고정된 것은 평균 4N세대 전에 발생했습니다.

4N 세대가 있었다면.

따라서 인구가 100인 경우 하나의 중성 돌연변이가 고정에 도달하는 데 400세대가 걸립니다.

좋아, 당신은 내가 말한 것에 동의합니다. 당신의 요점은 무엇입니까?

모든 세대에서 돌연변이가 도입됨에 따라, 이는 고정되는 돌연변이의 끊임없는 흐름이 있음을 의미합니다.

아니요. 그것은 단지 끊임없는 변화의 흐름이 있다는 것을 의미합니다.

다시 말하지만 당신은 당신이 무슨 말을 하는지 전혀 모른다는 것이 분명합니다.

0세대에는 100개의 돌연변이가 있고 시간이 지나면서 99개는 손실되지만 400세대에는 하나가 수정됩니다.

그 주장을 하기에는 알려지지 않은 것이 너무 많습니다. 방정식은 현실 세계의 매일의 스트레스를 고려하지 않습니다. 그리고 인구 증가와 유리한 특성을 가진 경쟁이 있습니다.

그러나 어쨌든 당신이 당신의 배설물에 너무 자신 있다는 것을 보면 아마도 그것을 출판하려고 노력해야 할 것입니다. 그러면 누군가가 관심을 가질 것입니다.

조 지: 방정식은 현실 세계의 매일의 스트레스를 고려하지 않습니다.

상기 중립 돌연변이 모델이 주어지면, 새로운 중립 돌연변이의 고정 비율은 돌연변이 비율과 동일하다. 간단하고 직접적인 결과입니다.

조 지: 그러나 어쨌든 당신이 당신의 배설물에 너무 자신 있다는 것을 보면 아마도 그것을 출판하려고 노력해야 할 것입니다. 그러면 누군가가 관심을 가질 것입니다.

그것은 이미 Motoo Kimura라는 사람에 의해 출판되었습니다.

Kimura, 인구 유전학, 분자 진화 및 중립 이론: "돌연변이가 선택적으로 중립적이면 최종 고정 확률은 초기 빈도, 즉 이배체 집단에서 u=1/(2N)이므로, 식 (1), Ks=v가 있습니다. 즉, 중성 대립유전자의 경우 진화 속도는 돌연변이 속도와 같습니다.'

자크리엘:
상기 중립 돌연변이 모델이 주어지면, 새로운 중립 돌연변이의 고정 비율은 돌연변이 비율과 동일하다. 간단하고 직접적인 결과입니다.

너무 간단하지 않고 직접적이지 않다는 점을 제외하고.

돌연변이 비율은 다양하며 모두 매우 작은 숫자, 즉 10^-8입니다.

분명히 당신은 그것이 의미하는 바를 모릅니다.

그러나 어쨌든 당신이 당신의 배설물에 너무 자신 있다는 것을 보면 아마도 그것을 출판하려고 노력해야 할 것입니다. 그러면 누군가가 관심을 가질 것입니다.

자크리엘:
그것은 이미 Motoo Kimura라는 사람에 의해 출판되었습니다.

불행히도 그는 어떤 임계값을 넘은 후 중립적 돌연변이의 연속적인 고정에 대해 아무 말도 하지 않습니다.

IOW Zacho 당신은 가식적인 거짓말쟁이입니다.

대체율 = 돌연변이율

그러나 중성 돌연변이에 대한 돌연변이율은 알려져 있지 않으며 이는 대체율도 알려져 있지 않음을 의미합니다.

"따라서 선택 대상이 아닌 돌연변이의 고정 속도는 단순히 그러한 돌연변이의 도입 속도입니다."

와우, 우리가 이미 논의하고 동의한 똥에 연결하는 트로이를 확인하십시오.

그러나 중성 돌연변이에 대한 돌연변이율은 알려져 있지 않으며 이는 대체율도 알려져 있지 않음을 의미합니다.

이론적인 사색은 모두 훌륭하지만 조만간 확증되는 실험적 증거가 필요하며, 이는 중립 돌연변이의 고정과 관련된 중립 이론에 아직 부족합니다.

조 지: 너무 간단하지 않고 직접적이지 않다는 점을 제외하고. 돌연변이 비율은 다양하며 모두 매우 작은 숫자, 즉 10^-8입니다. 분명히 당신은 그것이 의미하는 바를 모릅니다.

이는 *만약* 길이가 10^8인 게놈과 세대당 사이트당 돌연변이 비율이 10^-8인 경우 예상 값은 세대당 게놈당 하나의 돌연변이입니다. 모집단에 100개의 게놈이 있는 경우 예상 값은 세대당 모집단 전체에 걸쳐 100개의 돌연변이입니다. 원래 게시물에서:

조 지: NickM은 세대당 40개의 돌연변이가 아니라 대체율 = 1.1 x 10^-8이라는 사실을 깨닫지 못하는 것 같습니다. 40은 3.2bp의 게놈이 주어질 때마다 우리가 출생할 때마다 기대할 수 있는 돌연변이의 수입니다.

치환 비율은 중성 돌연변이 비율과 같습니다. 즉, 비율이 세대당 출생당 40개의 중립 돌연변이인 경우 기대 값은 각 세대의 모집단 전체에 걸쳐 고정되는 40개(이전에 발생한) 돌연변이입니다. 닉이 말했듯이.

자초:
즉, 비율이 세대당 출생당 40개의 중립 돌연변이인 경우 기대 값은 각 세대의 모집단 전체에 걸쳐 고정되는 40개(이전에 발생한) 돌연변이입니다.

와우, 당신은 정말 멍청하거나 정말 무지합니다.

40은 비율이 아니라 돌연변이의 수입니다.

이론적인 사색은 모두 훌륭하지만 조만간 확증되는 실험적 증거가 필요하며, 이는 중립 돌연변이의 고정과 관련된 중립 이론에 아직 부족합니다.

에보타드가 자신의 주장을 지지한다고 생각하면 어떻게 믿을지 놀랍습니다.

BTW Zacho- 돌연변이 비율에는 모든 종류, 중립, 유해 및 유익한 모든 종류가 포함되기 때문에 중립 돌연변이 비율을 알아야 합니다. 그리고 그것은 방정식으로 씻겨지지 않습니다.

조 지: 40은 비율이 아니라 돌연변이의 수입니다.

비율이 세대당 염기당 1.1e-8이고 게놈의 길이가 3.2e9 염기인 경우 비율은

세대당 게놈당 40개.

우리의 모든 의견이 조정되는 이유가 있습니까?

자초:
비율이 세대당 염기당 1.1e-8이고 게놈의 길이가 3.2e9 염기인 경우 비율은

세대당 게놈당 40개.

틀렸습니다. 숫자와 요율을 혼동하고 있습니다.

그 수치를 뒷받침할 실험적 증거가 없을 뿐만 아니라.

그래서 거기에서 시작해야 합니다. 그리고 실험적 증거를 말하지 않았다면 아무 것도 가지고 있지 않습니다.

우리의 모든 의견이 조정되는 이유가 있습니까?

자크리엘: 비율이 세대당 염기당 1.1e-8이고 게놈의 길이가 3.2e9 염기인 경우 비율은

세대당 게놈당 40개.

조 지: 틀렸습니다. 숫자와 요율을 혼동하고 있습니다.

세대당 염기당 1.1e-8 돌연변이는 비율입니다. 세대당 게놈당 4e1은 비율입니다.

귀하의 주장에 대한 실험적 지원을 거부하는 이유는 무엇입니까?

세대당 게놈당 40개의 중성 돌연변이가 있다는 증거는 무엇입니까?

귀하의 주장에 대한 실험적 지원을 거부하는 이유는 무엇입니까?

세대당 게놈당 40개의 중성 돌연변이가 있다는 증거는 무엇입니까?

이제 마침내 인간 게놈의 1.1 x 10^-8 돌연변이 PER BASE PER BIRTH 곱하기 3.2 x 10*9 인간 게놈 = 35.2 돌연변이 PER GENOME PER BIRTH, 그리고 이 *둘 다* 비율이라는 것을 알 수 있습니다. 위의 질문에 대해 토론하십시오.

1. 1.1 x 10^-8 돌연변이 수는 실험 데이터에서 가져왔습니다. 참조는 위키피디아 페이지를 참조하십시오. 돌연변이 비율을 결정하기 위한 몇 가지 일반적인 실험이 있습니다. 예:

(a) 부모와 자식의 순서를 정하고 그 차이를 센다.

(b) 남자와 그의 정자 세포 중 일부의 DNA 염기서열 분석

2. 이제 이 돌연변이 중 중성이 몇 개입니까? 답변: 거의 대부분이, 유전자 또는 유전자 조절을 위한 게놈 코드의 단지 몇 퍼센트, 그리고 유전자에서도 대부분의 점 돌연변이는 유전자 코드의 중복성으로 인해 중립적이기 때문입니다.

일부 "중립" 돌연변이(DNA 코돈의 세 번째 위치와 같은)가 완전히 선택적으로 중립적이지 않을 수 있다는 증거가 있으며 그 중 일부는 매우 약간 유리하거나 해로울 수 있습니다. 그러나 선택은 특정 최소 선택 값을 가진 돌연변이만 "볼" 수 있습니다(값은 s가 1/N보다 커야 함, 정확히 기억하지 못하는 것과 같은 것입니다). 따라서 돌연변이의 선택적 단점이 1/10,000에 불과하다면 역사적 유효 개체군 크기가 1/10,000과 같은 인간과 같은 종에서는 효과적으로 중립적일 것입니다. 그리고 1/10,000에 가까운 s가 있는 것은 거의 중립적으로 행동합니다(즉, 유전적 드리프트는 선택에 비해 운명에 큰 영향을 미칩니다).

닉엠:
1. 1.1 x 10^-8 돌연변이 수는 실험 데이터에서 가져왔습니다. 참조는 위키피디아 페이지를 참조하십시오.

2. 이제 이러한 돌연변이 중 중성이 몇 개입니까? 답변: 거의 대부분이, 유전자 또는 유전자 조절을 위한 게놈 코드의 단지 몇 퍼센트, 그리고 유전자에서도 대부분의 점 돌연변이는 유전자 코드의 중복성으로 인해 중립적이기 때문입니다.

테스트할 수 없는 횡설수설은 A) 필요한 항목에 대한 % 코드를 테스트하고 B) 영향을 미치는 많은 침묵 돌연변이에 대해 알고 있습니다. 이는 코딩이 작동하는 방식 때문입니다.

즉, 대체율에 대한 주장을 뒷받침하려면 실험 데이터 또는 실제 데이터가 필요합니다.

당신은 그것을 가지고 있지 않거나 어떤 이유로 그것을 제시하기를 거부합니다.

그래서 당신이 할 때까지 당신은 대머리 주장 외에는 아무것도 가지고 있지 않습니다.

닉엠: 그러나 선택은 특정 최소 선택 값을 가진 돌연변이만 "볼" 수 있습니다(값은 s가 1/N보다 커야 함, 정확히 기억하지 못하는 것과 같은 것입니다).

맞습니다. || << 1/(2N), 이배체.

그리고 여전히 귀하의 주장에 대한 실험적 지원을 거부하고 있습니다.

조 지: 그리고 여전히 귀하의 주장에 대한 실험적 지원을 거부하고 있습니다.

우리는 실험적인 주장을 하지 않았습니다. 오히려 우리는 특정 비율의 중성 돌연변이가 주어진 인구에서 중성 돌연변이가 어떻게 퍼질 것인지에 대한 질문에 답했습니다.

자초:
오히려 우리는 특정 비율의 중립 돌연변이가 주어진 인구에서 중립 돌연변이가 어떻게 퍼질 것인지에 대한 질문에 답했습니다.

귀하의 "answer"는 지원되지 않습니다. 즉, 답변이 전혀 아닙니다.

BTW "how" 부분은 단지 우연에 의한 것이므로 어떻게 대답하지 않으셨습니다.

자초:
즉, 비율이 세대당 출생당 40개의 중립 돌연변이인 경우 기대 값은 각 세대의 모집단 전체에 걸쳐 고정되는 40개(이전에 발생한) 돌연변이입니다.

순수한 헛소리- 실험적 지원이 없는 의미. 그리고 실험적인 지원을 받을 때까지 그것은 순수한 헛소리가 될 것입니다.

내 표류를 잡으면 그것을 가지고 있거나 Shenandoah를 따라 바다로 여행을 떠나십시오.

조 지: 귀하의 "answer"는 지원되지 않습니다. 즉, 답변이 전혀 아닙니다.

뭐? 대체율이 돌연변이율과 같은 이유를 설명했을 뿐만 아니라 직접 기무라를 인용했다. 여기 다시 있습니다:

Kimura, 인구 유전학, 분자 진화 및 중립 이론: "돌연변이가 선택적으로 중립적이면 최종 고정 확률은 초기 빈도, 즉 이배체 집단에서 u=1/(2N)이므로, 식 (1), Ks=v가 있습니다. 즉, 중성 대립유전자의 경우 진화 속도는 돌연변이 속도와 같습니다.'

제가 올린 글에도 언급하지 않고 겁쟁이 성격을 증명하는 방법입니다.

자초:
대체율이 돌연변이율과 같은 이유를 설명했을 뿐만 아니라 직접 기무라를 인용했다.

유감스럽게도 imura는 다음과 같은 귀하의 주장을 지원하지 않습니다.

즉, 비율이 세대당 출생당 40개의 중립 돌연변이인 경우 기대 값은 각 세대의 모집단 전체에 걸쳐 고정되는 40개(이전에 발생한) 돌연변이입니다.

당신은 거짓말쟁이입니다. 당신이 말하는 것을 의미합니다 순수한 헛소리- 실험적 지원이 없는 의미. 그리고 실험적인 지원을 받을 때까지 그것은 순수한 헛소리일 것입니다.

봐, 내가 요구하는 것은 당신의 주장을 뒷받침하는 증거뿐입니다.

즉, 비율이 세대당 출생당 40개의 중립 돌연변이인 경우 기대 값은 각 세대의 모집단 전체에 걸쳐 고정되는 40개(이전에 발생한) 돌연변이입니다.

나는 1에 대해 4N 세대를 말하는 참조를 제공했습니다.

NickM은 10,000명의 인구로 시작했습니다. 그게 무슨 뜻인지 이해하셨나요?

조 지: NickM은 10,000명의 인구로 시작했습니다. 그게 무슨 뜻인지 이해하셨나요?

네, 오늘날 고정에 도달한 40개 정도의 중성 돌연변이가 평균 4만 세대 전에 발생했음을 의미합니다.

귀하의 주장을 뒷받침하는 경험적 증거는 무엇입니까?

조 지: 중립 이론이 대체율에 대해 말하는 것에 대해 약간의 혼란이 있는 것 같습니다.

조 지: 그리고 어떻게 말할 수 있습니까? 귀하의 주장을 뒷받침하는 경험적 증거는 무엇입니까?

경험적 주장이 아니라 원래 게시물에서 소개한 중립 이론 모델의 진화론을 수반합니다.

자초:
경험적 주장이 아니라 원래 게시물에서 소개한 중립 이론 모델의 진화론을 수반합니다.

나는 중립 이론을 소개하지 않았습니다. 기무라가 했다.

그리고 어떠한 경험적 뒷받침도 없이 수반된다는 것은 어떻게 결정되었는가?

조 지: 나는 중립 이론을 소개하지 않았습니다. 기무라가 그랬다.

원래 게시물에서 중립 이론을 제기했습니다.

조 지: 그리고 어떠한 경험적 뒷받침도 없이 수반된다는 것은 어떻게 결정되었는가?

이론은 모델이며, 이 경우 중립 돌연변이가 집단을 통해 전파되는 방법에 대한 모델입니다. 일부 돌연변이가 중립적이라는 점을 감안할 때(예: 유사유전자의 동의어 치환 또는 염기), 통계적 분포를 예측할 수 있습니다. 특히, 중립 돌연변이의 고정 비율은 중립 돌연변이 비율과 같을 것입니다.

조 지: 그리고 어떠한 경험적 뒷받침도 없이 그것이 수반된다는 것은 어떻게 결정되었는가?

'의미'가 무슨 뜻인지 아세요?

자초:
'의미'가 무슨 뜻인지 아세요?

네 저도 그렇습니다. 그래서 당신이 말한 것이 이론의 함의라는 것을 어떻게 알 수 있습니까?

자초:
원래 게시물에서 중립 이론을 제기했습니다.

NickM이 다른 스레드에서 침팬지와 인간 DNA에 대해 언급했기 때문입니다.

그러나 그것을 가져 오는 것은 그것을 소개하는 것과 같습니다.

그리고 어떠한 경험적 뒷받침도 없이 수반된다는 것은 어떻게 결정되었는가?

이론은 모델이며, 이 경우 중립 돌연변이가 인구를 통해 전파되는 방법에 대한 모델입니다.

증거 지원 없이는 과학적으로 모델링할 수 없습니다.

일부 돌연변이가 중립적이라는 점을 감안할 때(예: 유사 유전자의 동의어 치환 또는 염기), 통계적 분포를 예측할 수 있습니다.

경험적 또는 증거적 뒷받침이 없는 예측은 가치가 없습니다.

특히, 중립 돌연변이의 고정 비율은 중립 돌연변이 비율과 같을 것입니다.

네, 지원이 필요하지 않은 한 무엇이든 말할 수 있습니다. 그리고 그것은 내가 전에 말했듯이 순수한 헛소리로 만듭니다.

자크리엘: '의미'가 무슨 뜻인지 아세요?

그런 다음 수반이 무엇인지 알려주십시오.

여러 정의가 있지만 "필요한 반주 또는 결과"를 의미하는 데 사용한다고 말하고 싶습니다. 그렇다면 당신이 말한 것이 이론의 함의라는 것을 어떻게 알 수 있습니까?

당신은 지적 무결성 문제가 있기 때문에 그 질문을 피했습니다.

어떤 것을 수반한다고 선언하는 것과 그것이 실제로 있다는 증거를 갖는 것은 별개의 일입니다. 당신이 그것을 이해할 수 있다는 것이 아닙니다.

조 지: 그래서 당신이 말한 것이 이론의 함의라는 것을 어떻게 알 수 있습니까?

현장에서 직접 따라오기 때문입니다. 이배체 모집단 N에서 연결되지 않은 무작위 중성 돌연변이 μ를 가정합니다.

새로운 돌연변이 집단의 빈도는 1/(2N)입니다.
돌연변이의 고정 확률은 모집단의 빈도입니다.
모집단의 새로운 돌연변이 수는 2Nμ입니다.
따라서 중성 돌연변이의 고정 비율은 2Nμ * 1/(2N) = μ입니다.

가유전자의 염기와 같은 일부 돌연변이는 분명히 중립적입니다. 그리고 증거는 그들의 중립적 진화를 지지합니다.

그렇다면 당신이 말한 것이 이론의 함의라는 것을 어떻게 알 수 있습니까?

현장에서 직접 따라오기 때문입니다.

그러나 우리가 가진 모든 것은 그것에 대한 당신의 말씀입니다. 그리고 그것은 의미가 없다는 것을 의미합니다.

확인되지 않은 모든 방정식을 원하는 대로 계속 반복할 수 있지만 이는 정확하지 않습니다. 또한 당신이 그들을 이해한다는 의미도 아닙니다.

따라서 대머리 선언에 대한 실험적 지원이 없습니다.

아인슈타인이 상대성 이론을 처음 발표했을 때 그의 계산에는 수반이 포함되어 있었습니다. 이상한 것은 에딩턴이 자연 실험을 통해 확인하기 전까지는 아무도 그를 믿지 않았다는 것입니다. 그리고 그것은 실험을 통해 거듭해서 확인되었습니다.

중립 이론 수반 종이에 붙어서 현실 세계에 대해 말이 안 됩니다.

어떤 것을 수반한다고 선언하는 것과 그것이 실제로 있다는 증거를 갖는 것은 별개의 일입니다. 당신이 그것을 이해할 수 있었던 것은 아닙니다.

그리고 Zacho는 분명히 그것을 이해하지 못합니다.

또 다른 예측이 이루어졌습니다.

조 지: 그러나 우리가 가진 모든 것은 그것에 대한 당신의 말씀입니다.

음 .. 아니야. 수반은 우리가 보여준 모델의 전제에서 따릅니다. 당신에게 남은 것은 손짓뿐입니다. 행운을 빌어 요.

그러나 우리가 가진 모든 것은 그것에 대한 당신의 말씀입니다.

경험적 증거 없이 우리가 가진 모든 것은 그것에 대한 당신의 말뿐입니다. 그리고 당신은 당신의 주장이 경험적으로 뒷받침되지 않는다는 것을 인정했습니다.

수반은 모델의 전제에서 따릅니다.

경험적 지원이 없는 수반은 의미가 없습니다. 그리고 경험적 뒷받침이 없는 모델은 몽상가입니다.

당신은 당신이 주장하는 것을 지지할 생각이 전혀 없는 에보타드를 맹렬히 비난하고 있음을 보여주었습니다.


결과

최근의 선택적 스윕에 대한 지원을 평가하기 위해 P ritchard가 개발한 접근 방식을 따릅니다. et al. (1999) 인간의 성장이 시작된 이후의 시간을 추정하기 위해. 특히, 나는 다형성 데이터를 요약하고 (., 미리 지정된 이웃 내) 또는 관찰된 값과 동일합니다. 유사한 거부 표본 추출 방법이 유효 모집단 크기 추정(B achtrog and C harlesworth 2002), 모집단 매개변수(T avare et al. 1997 W all 2000 F Earnhead and D onnelly 2002), 그리고 대립유전자의 나이(T ishkoff et al. 2001), 인구통계학적 추론(W eiss and von H aeseler 1998 B eaumont et al. 2002). 구현 간의 차이점에 대한 논의는 B eaumont를 참조하십시오. et al. (2002).

요약 선택: 데이터의 모든 정보를 사용할 수는 없지만 관심 매개변수에 민감한 요약을 사용하고 싶습니다(여기서, 유익한 대립유전자가 고정된 이후 시간, NS) 데이터의 다양한 측면을 캡처합니다. 저는 세 가지 통계에 중점을 둡니다. 분리된 사이트의 수(NS), 대립유전자 주파수 스펙트럼의 요약(NS) 및 연관 불균형 요약(시간). 이전 연구에서는 두 가지 통계를 보여주었는데, NS 그리고 NS, 에 민감하다 NS. 특히, 선택적 스위프는 다양성을 감소시킬 것으로 예상되어 NS, 그리고 주파수 스펙트럼을 희귀 대립유전자 쪽으로 치우쳐서 음성 NS 값(Maynard S mith 및 H aigh 1974 B raverman et al. 1995년 에스 이몬센 et al. 1995). 나는 선택했다 NS 다양한 주파수 스펙트럼 요약 중에서 테스트 통계로 사용할 때 다른 통계보다 더 큰 선택적 스위프 모델에서 데이터가 생성될 때 중립 모델을 거부하는 힘을 유지하기 때문입니다. NS 값(K im and S tephan 2002 P rzeworski 2002). NS 는 다음을 기반으로 하는 다양성 측정 간의 (대략) 정규화된 차이입니다. NS 및 π, 표본의 평균 쌍별 차이(T ajima 1989). 따라서 지정 NS 그리고 NS π도 결정합니다.

일배체형의 수, 시간에 대한 정보도 전달합니다. NS. 그것의 행동은 선택의 강도와 재조합 비율에 달려 있습니다. 선택적 스위프 동안 선택된 유전자좌와 중립 유전자좌 사이에서 재조합이 발생하면 NS = 0, 시간/(NS + 1) 선택이 없는 경우보다 평균적으로 낮을 것입니다(P rzeworski 2002). 다시 말해, 대립유전자 결합은 선택이 없을 때보다 더 강한 경향이 있습니다. 같이 NS 증가하면 새로운 대립 유전자가 돌연변이에 의해 발생합니다. 이러한 희귀 대립유전자는 다음과 같은 새로운 일배체형을 생성합니다. 시간/(NS + 1) 중립적 기대치를 빠르게 초과할 것입니다. 비율은 이후에 감소할 것입니다( NS » 0.1), 대립유전자의 빈도가 점차 증가하고 다른 배경에서 재조합됩니다(P rzeworski 2002). 선택적 스윕 동안 선택된 유전자좌와 중성 유전자좌 사이에 재조합이 없으면 대부분의 대립 유전자는 드물고 시간/(NS + 1) 중립 상태에서 예상보다 클 것이며, NS > 0.1(P rzeworski 2002).

—(A) 사후 분포의 샘플 NS 시뮬레이션된 데이터 세트의 경우 실제 시간 NS영형 = 0. 데이터 세트를 생성하는 데 사용되는 기타 매개변수는 표 1과 동일합니다( NS) ε을 0.1로 설정하고 미디엄ε = 10 4 . 이 예에서는 NS = 7, NS =-1.78, 그리고 시간 = 4. (B) 사후 분포의 샘플 NS 시뮬레이션된 데이터 세트의 경우 실제 시간 NS영형 = 0.2. 다른 매개변수는 A와 같습니다. 이 예에서, NS = 8, NS =-0.91, 그리고 시간 = 10.

요약하자면 대략적으로 말하자면, NS 그리고 NS 로 단조 증가할 것으로 예상됨 NS/(NS + 1) 일부 중간에서 최대값을 갖는 경향이 있음 NS. 이것은 사용하는 것을 암시합니다 시간 추가 통계가 최근 NS 의 추정치를 수정하기 위해 NS 사용하여 얻은 NS 그리고 NS 홀로. 나는 이것을 그림 1에서 사후 분포를 플로팅하여 설명합니다. NS 두 개의 시뮬레이션된 데이터 세트에 대해 조건부 NS 그리고 NS (첫번째 줄) NS 그리고 시간 (두 번째 줄) 그리고 에스,디, 그리고 시간 (마지막 행). 알 수 있는 바와 같이, 세 가지 요약 모두에 대한 조건화는 두 가지만 사용하는 것보다 실제 값 주위에 더 긴밀한 분포로 이어집니다. 이 발견은 보다 광범위한 시뮬레이션에 의해 확인됩니다(결과는 표시되지 않음).

세 가지 요약이 정보를 제공하는 정도 NS 매개변수에 대한 사전 지식에 따라 다릅니다. 특히, 다양성의 감소를 감지하려면 선택이 없을 때 어떤 수준의 다양성이 예상되는지에 대한 약간의 지식이 필요합니다. 따라서 모집단 돌연변이율 θ(= 4Nμ), 분리 부위 수와 일배체형 수의 감소는 선택적 스윕(S imonsen) 이후 시간에 대해 매우 유익할 수 있습니다. et al. 1995). θ에 대해 덜 알려진 경우 선택적 스위프 이후 시간에 대한 대부분의 정보는 관찰된 값에서 나옵니다. NS 의 가치 시간 주어진 NS.

시뮬레이션된 데이터에 대한 방법의 성능

데이터의 고유한 측면을 사용하는 추가 이점은 접근 방식이 이전 분포의 잘못된 지정에 덜 민감할 수 있다는 것입니다. 예를 들어 추정하는 방법 NS 다양성 수준만을 기준으로 하면 θ의 추정치에 매우 민감합니다. θ가 실제보다 높을 것으로 추정되지만 선택이 발생하지 않은 경우 변동 수준이 감소된 것으로 나타납니다. 이를 기반으로 방법은 유익한 대립 유전자의 최근 고정을 거짓으로 제안할 수 있습니다. 그러나 돌연변이율이 높은 중립 모델에서 데이터를 생성한 경우 NS 그리고 시간 중립적일 때보다 최근의 선택적 스윕 하에서 가능성이 낮을 것입니다. 따라서 세 가지 요약을 모두 사용하면 최근 보고서에 대한 지원이 줄어들 수 있습니다. NS. 이를 조사하기 위해 θ의 사전 분포 평균이 데이터를 생성하는 데 사용된 값보다 2배 더 큰 선택 없이 20개의 시뮬레이션을 실행했습니다. NS). 시뮬레이션된 데이터 세트 중 어느 것도 최근의 선택적 스윕에 대한 강력한 지원이 없었습니다(결과는 표시되지 않음).

접근의 성과: 한 가지 우려는 사후 확률이 잘 추정되지 않을 수 있다는 것입니다. 그런 점에서 Monte Carlo Markov chain과 같은 보다 효율적인 방법에 비해 이 방법의 장점은 사후 분포에서 독립적인 샘플을 제공하므로 사후 확률 추정의 정확도를 쉽게 평가할 수 있다는 것입니다. 특히, 사후 표본의 크기가 다음과 같을 경우 미디엄ε, 다음과 관련된 샘플링 오류 NS제이, 구간에서 관측된 카운트 수 제이는 이항(C arlin and L ouis 1998)이며 매개변수(NS제이/미디엄ε, 미디엄ε). 이것은 1/의 차수에 대한 확률을 나타냅니다.미디엄ε 그 »1/미디엄ε 상당히 정확하게 추정됩니다. 여기에 제시된 시뮬레이션에서, 미디엄ε = 2000이고 관심 확률은 »5 × 10 -4입니다.

두 번째 질문은 현실적인 매개변수가 있는 선택 스윕 모델에서 생성된 데이터가 매개변수에 대한 많은 정보를 전달하는지 여부입니다. NS. 허락하다 NS영형 유익한 대립유전자의 고정 이후의 실제 시간이다. 데이터가 유익한 경우 최근 시간에 대한 지원은 이전보다 사후 분포에서 더 강력해야 합니다. NS영형 0 또는 0.10이지만 선택이 없는 최근 시간에 대한 지원이 약해야 합니다. 표 1에서 볼 수 있듯이 이것은 사전 분포 여부에 관계없이 거의 모든 시뮬레이션 실행에 해당됩니다. NS Exp(1.2) 또는 U(0, 1)입니다. "최근" 선택적 스윕을 강력하게 지원하는 데이터 세트의 비율을 측정하기 위해 사후 Pr(NS ≤ 0.2) > 0.50. 을위한 NS영형 = 0이면 그 비율이 매우 높다. 로 감소한다 NS영형, 그러나 유익한 대체가 얼마 전에 발생한 경우에도(NS영형 = 0.10), 시뮬레이션된 데이터 세트의 1/3 이상이 선택적 스윕을 강력하게 지원합니다(표 1). 대조적으로, (실행의 <5%에서) 아무 것도 발생하지 않았을 때 최근의 선택적 스윕에 대한 강력한 지원을 거의 찾지 못합니다. 요약하면, 시뮬레이션된 데이터 세트는 최근의 유전적 적응에 대한 정보를 제공하는 것으로 보입니다. 인간의 경우 시뮬레이션을 위해 선택한 매개변수는 평균 재조합 영역에서 10kb에 대해 시퀀싱된 25명의 개체에 느슨하게 대응하며, 이는 추정적으로 선택된 유전자좌에 대한 연구를 위해 현재 수집된 것과 유사합니다.예를 들어., 에나르 et al. 2002 H 앰블린 et al. 2002).

또한 이러한 성능 테스트는 에 대한 두 개의 완전히 다른 이전 분포에 대해 수행되었습니다. NS. 결과는 두 구현 모두에서 매우 유사하여 방법이 사전 분포 선택에 대해 강력함을 나타냅니다. 이것은 일반적으로 거의 또는 전혀 알려져 있지 않기 때문에 안심할 수 있습니다. NS- 다른 매개변수와 대조적으로, 이전의 사양을 안내하는 독립적인 지식이 있는 경우가 많습니다.

어떤 상황에서는 유익한 대립유전자가 고정된 이후 규모가 조정되지 않은 시간(세대 단위)의 추정에 관심이 있습니다. NS = 4NT. 점 추정으로 의 사후 분포에서 표본의 모드를 고려할 수 있습니다. NS. 그림 2에서 모드 분포를 플로팅합니다(., 100개의 시뮬레이션된 데이터 세트에 대해 가장 많은 개수의 빈). 무선택 모델에서 데이터를 생성할 때 최근에는 모드가 거의 없습니다(예를 들어., 6은 NS ≤ 8000세대). 이에 반해 최근의 선택적 스위프 모델에서 데이터를 생성할 경우 대부분의 모드가 실제 시간에 가깝습니다. 예를 들어 true인 경우 NS 는 0이고 모드 중 94개는 다음과 같습니다. NS ≤ 4000세대. 진실로 NS 증가하면 추정의 정밀도가 감소합니다. 따라서 true인 경우 NS 4000세대이고 모드 중 60개만 참값의 2배 이내입니다.

- 사후 분포 샘플의 모드 NS = 4NT 100개의 시뮬레이션된 데이터 세트에 대해 각 데이터 세트의 값은 NS 0에서 80,000까지 2000 단위로 비닝됩니다. 모드는 카운트 수가 가장 많은 비닝을 나타냅니다. 시뮬레이션된 데이터 세트는 균일한 사전에 대해 표 1에 요약된 것과 동일합니다. NS 사전이 대신 Exp(1.2)인 경우 결과는 유사합니다(결과는 표시되지 않음).

신청 TB1: NS TB1 locus는 옥수수를 야생 조상인 teosinte와 구별하는 짧은 가지를 담당합니다. 이 특성은 5-10 KYA(참조. 왕 et al. 1999). 옥수수 2740bp에 대해 수집한 다형성 데이터를 사용합니다. TB1 T enaillon에 의해 et al. (2001년 http://bgbox.bio.uci.edu/data/maud1asd.html에서 이용 가능). 나는 9개의 추가 근친 교배 계통이 포함된 경우 결과가 유사하게 배열된 23개 계통 중 14개 랜드레이스에 중점을 둡니다(결과는 표시되지 않음). 이러한 데이터의 경우, NS = 39, 시간 = 14, 그리고 NS =-2.25 [통계는 DNAsp를 사용하여 계산되었습니다(R ozas 및 R ozas 1999)]. 사후 분포의 샘플 NS 그림 3A에 나와 있습니다. 99.99% 이상의 지원이 켜져 있습니다. NS ≤ 0.2. 따라서 의 역할에 대해 알려진 것과 일치합니다. TB1 옥수수의 길들여짐에서 다형성 데이터는 유익한 대립 유전자의 최근 고정을 강력하게 시사합니다.

나는 또한 합동 사후 분포의 샘플을 제시합니다. NS, 선호 대립유전자의 선택 계수, 및 NS, 유익한 대립유전자의 고정 이후 세대의 시간(그림 3B). 결과는 형질이 인공 선택하에 있다는 증거에 따라 큰 선택 계수를 제안합니다. 그러나 대부분의 지원은 고고학 기록에서 예상보다 오래된 것입니다(옥수수는 연간 약 1세대로 가정). 이 불일치는 확률로 인한 것일 수 있습니다. NS 이상적인 조건에서도 실제 값이 됩니다(그림 2 참조). 또는 선택된 사이트의 위치에 대한 잘못된 가정이나 인구 통계학적 또는 선택적 모델(아래 참조)에 의해 포착되지 않은 옥수수 역사의 두드러진 측면을 반영할 수 있습니다.


결과

중립 대체율 얻기

우리의 조사는 번식이 무성이고 개체군 크기와 공간 구조가 고정되어 있는 진화적 모델의 부류(공식적으로 방법론에 기술됨)에 적용됩니다. 특히 인덱싱된 고정된 수의 사이트가 있습니다. NS = 1, …, N. 각 사이트는 항상 한 명의 개인이 차지합니다. 각 시간 단계에서 교체 이벤트가 발생합니다. 즉, 일부 사이트의 점유자는 다른 사이트의 자손으로 대체됩니다. 교체 이벤트는 해당 모델에 고유한 교체 규칙이라고 하는 고정 확률 분포에 따라 선택됩니다. 우리는 표현형 효과가 없는 중성 돌연변이만을 고려하기 때문에 대체 사건의 확률은 현재 인구 상태에 의존하지 않습니다.

이 클래스에는 많은 확립된 진화 모델이 포함됩니다. 한 가지 중요한 하위 클래스는 공간적 모란 프로세스[23, 33�]로, 각 시간 단계마다 정확히 한 번만 재생산됩니다. 이 클래스에는 전체 모집단이 각 시간 단계 [36, 37]로 대체되는 공간 Wright-Fisher 프로세스도 포함됩니다. 일반적으로 모든 하위 집합 NS ⊂ <1, …, N> 주어진 교체 이벤트에서 개인이 교체될 수 있습니다. 교체 이벤트의 부모는 자손 대 부모 맵에 기록됩니다. α:NS → <1, …, N> (Methods, [32, 38] 참조) 각 자손이 정확히 하나의 부모를 갖도록 보장하고 시간이 지남에 따라 혈통을 추적할 수 있습니다.

이 클래스의 주어진 모델에 대해 이자형 아이 점유자가 사이트의 (한계) 확률을 나타냅니다. 제이 사이트의 자손으로 대체됩니다. NS 단일 시간 단계에서. 따라서 사이트의 예상 자손 수 NS 단일 시간 단계에서 b i = ∑ j = 1 N e i j 입니다. 노드 확률 NS 시간 단계에서 다이(즉, 교체됨)는 d i = ∑ j = 1 N e j i 입니다. 사망률 NS NS 또한 현장 회전율로 간주될 수 있습니다. NS. 시간 단계당 예상되는 총 자손 수는 B = ∑ i = 1 N b i = ∑ i = 1 N d i = ∑ i , j e i j 로 표시됩니다. 우리는 세대를 다음과 같이 정의합니다. N/NS 평균적으로 각 사이트는 세대당 한 번 교체됩니다.

우리는 이 프레임워크를 사용하여 단일 중립 돌연변이가 발생하고 사라지거나 고정될 때의 운명을 연구합니다. 고정 확률은 공간 구조와 초기 돌연변이의 위치에 따라 다릅니다. 우리는 ρ NS 위치에서 새로운 돌연변이가 발생할 확률을 나타냅니다. NS 고정됩니다. (ρ NS 사이트의 재생산 가치로도 이해할 수 있습니다. NS [39].) 방법에서 고정 확률을 보여줍니다. ρ NS 연립방정식에 대한 고유한 솔루션입니다.

식 (2)는 다음과 같은 이유로 발생합니다. ρ NS 사이트의 현재 점유자가 NS 인구의 최종 조상이 될 것이며, 이는 정확히 다음 중 하나에 해당됩니다. N 사이트.

전체 대체율을 결정하려면 각 부위에서 돌연변이가 발생할 가능성을 고려해야 합니다. 돌연변이가 사이트에서 발생하는 비율 NS 회전율에 비례한다 NS NS, 각각의 새로운 자손은 돌연변이의 독립적인 기회를 제공하기 때문입니다. 구체적으로, 돌연변이가 속도로 발생하면 ≪ 번식당 1개, 그러면 사이트에서 새로운 돌연변이가 발생합니다. NS 비율로 누드 NS/NS 세대당 [32]. 따라서 사이트에서 발생하는 돌연변이의 비율 NS ~이다 NS NS/NS.

전체 고정 확률 ρ 따라서 가능한 모든 초기 부위를 고려하여 새로운 돌연변이의

분자 시계 속도 케이 고정 확률을 곱하여 얻습니다. ρ 세대당 총 돌연변이 비율:

의 단위 케이 세대당 대체품입니다. 또는 분자 시계는 시간 단계당 치환 단위로 표현될 수 있으며, 이 경우 공식은 K ˜ = B u ρ = u ∑ i = 1 N d i ρ i 입니다.

공간 구조의 효과

공간 구조는 중성 대체율에 어떤 영향을 줍니까? 잘 혼합된 인구에서 각 개인의 자손은 서로를 대체할 가능성이 동등합니다. 즉, 이자형 아이 전체적으로 일정하다 NS 그리고 제이 ( 그림 2a ). 이 경우 Eqs에 대한 고유한 솔루션입니다. (1)–(2)는 ρ NS = 1/N 모든 NS, Kimura’s [2] 결과를 복구합니다. 케이 = (1/N) = . 또한, 각 사이트가 그림 2b와 같이 대칭 아래에서 동등하다면 이 대칭은 다음을 의미합니다. ρ NS = 1/N 모든 NS 그리고 케이 = 잘 섞인 경우처럼.

(a) 가장자리 가중치가 균일한 완전한 그래프로 표시되는 잘 혼합된 모집단의 경우 중립 돌연변이는 1/N 고정 가능성, 어디에 N 인구 규모입니다. 율이 따른다. 케이 모집단의 중립 대체율은 비율과 같습니다. 개인의 중성 돌연변이. (b) 균일한 모서리 가중치를 갖는 주기와 같이 각 사이트가 선험적으로 동일한 공간 구조에 대해서도 동일한 결과가 유지됩니다.

그러나 비대칭 공간 구조는 더 빠른(케이 > ) 또는 더 느린(케이 < ) 그림 3과 같이 잘 혼합된 개체군보다 분자 시계 속도가 빠릅니다. 식에서. (2)와 (4) 우리는 그것을 볼 수 있습니다 케이 > d ρ ¯ > d ‾ ρ ‾ 조건과 동일하며, 여기서 막대는 평균 이상을 나타냅니다. NS = 1, …, N. 이것은 분자 시계가 다음과 같은 경우에만 가속된다는 것을 의미합니다. NS NS 그리고 ρ NS 새로운 돌연변이의 도착과 그들이 누리는 성공 사이에 양의 공간적 상관관계가 있는 경우에만 사이트에 대해 양의 상관관계가 있습니다.

이는 돌연변이의 빈도와 고정 확률이 사이트마다 다르기 때문입니다. 회전율은 착색으로 표시되며, 빨간색은 빈번한 회전율 및 결과적으로 빈번한 돌연변이에 해당합니다. (a) 별은 허브와 N 나뭇잎, 그래서 인구 크기는 N = N+1. 가장자리 가중치는 출생률이 균일하도록 선택됩니다(NS NS = 모두에 대해 1 NS). 방정식 풀기 (1)–(2), 우리는 다음의 사이트별 고정 확률을 얻습니다. ρ 시간 = 1/(1+N 2) 그리고 ρ = N/(1+N 2) 허브와 각 리프에 대해 각각. 식에서 (4) 분자 시계 속도는 K = 2 n 1 + n 2 u 이며, 이는 다음과 같습니다. ~을위한 N = 1이고 보다 작음 ~을위한 N ≥ 2. 따라서 별 구조는 결과 3에 따라 중성 치환 속도를 늦춥니다. 직관적으로, 고정 가능성이 감소되는 허브에서 돌연변이가 발생할 가능성이 더 높기 때문에 속도 저하가 발생합니다. (b) 사이트 1에서만 자가 대체가 있는 1차원 모집단. 방정식 풀기. (1)–(2) ρ 1 = 8 15 , ρ 2 = 4 15 , ρ 3 = 2 15 및 ρ 4 = 1 15 를 찾습니다. (2의 거듭제곱은 한 방향으로 다른 방향보다 2배 많은 유전자 흐름이 있기 때문에 발생합니다.) Eq. (4) 분자 시계 속도는 K = 16 13 u > u이므로 이 경우 분자 시계가 가속됩니다.

이러한 결과를 통해 우리는 공간 구조에 대한 일반적인 조건을 찾아 잘 혼합된 인구와 동일한 분자 시계 속도, 더 빠르거나 느린 분자 시계 속도를 찾도록 했습니다. 우리는 먼저 찾습니다

결과 1. 사망률 dNS 모든 사이트에서 일정합니다. i = 1, …, N, ρ = 1/N, 결과적으로 K = u.

따라서 분자 시계 속도는 각 사이트가 동일한 속도로 교체되는 경우 공간 구조의 영향을 받지 않습니다(그림 4a). 이 결과는 NS NS 일정하다 NS, 그러면 ∑ i = 1 N d i = B 이므로 다음을 따릅니다. NS NS = NS/N 각각 NS. 식에 대입 (3) 수익률 ρ = 1/N.

(a) 우리의 결과 1은 분자 시계가 잘 혼합된 집단에서와 동일한 비율을 갖는다고 명시합니다. 케이 = , 회전율의 경우 NS NS 이 예(NS NS = 모두에 대해 0.2 NS). (b) 결과 2는 다음을 주장합니다. ρ NS = 1/N 모든 NS—다시 암시 케이 = —각 사이트의 출생률이 사망률과 동일한 경우에만 NS NS = NS NS 모든 NS, 이 예에서와 같이. 노드는 회전율에 따라 색상이 지정됩니다. NS NS.

이어지는 또 다른 조건 케이 = 는 다음과 같습니다.

결과 2. 출생률이 각 부위의 사망률과 같을 경우(bNS = 디NS 모든 i = 1, …, N)에 대해 ρ = 1/N, 결과적으로 K = u입니다. 또한, bNS = 디NS 모든 i = 1에 대해 …, N은 각 사이트에서 고정 확률이 동일한 경우에만(ρNS = 1/N 모든 i = 1, …, N).

따라서 출생과 사망이 각 부위에서 균형을 이루면 모든 부위가 돌연변이 고정에 대해 동등한 기회를 제공합니다(그림 4b). 이 경우 분자 시계는 다시 기준선 값에서 변경되지 않습니다. 특히, 분산이 다음과 같은 의미에서 대칭이라면 이자형 아이 = 이자형 모든 NS 그리고 제이 그 다음에 케이 = . 결과 2는 다음을 대체하여 얻을 수 있습니다. ρ NS = 1/N 모든 NS 식으로 (1) 다음을 얻기 위해 단순화 NS NS = NS NS 모든 NS (방법의 세부 사항). 또는 결과 2는 Lieberman et al.의 순환 정리에 대한 결과로 얻을 수 있습니다. [23].

세 번째 결과는 출생률이 일정한 경우 중립 진화에 대한 “속도 제한”을 나타냅니다.

결과 3. 출산율 bNS 모든 사이트 i = 1, …, N, 다음 ρ ≤ 1/N, 결과적으로 K ≤ u에 대해 일정하며, 사망률이 d인 경우에만 동일합니다.NS 사이트에 대해서도 일정합니다..

즉, 균일한 출생률과 불균일한 사망률의 조합은 분자 시계를 늦추는 것입니다. 그림 3a는 이러한 감속의 예입니다. 직관적으로 돌연변이가 가장 많이 발생하는 부위는 사망률이 높은 부위입니다. NS NS 이러한 높은 사망률 때문에 이러한 부위는 전체적으로 고정 가능성이 줄어듭니다. 그러나 이 결과의 증명은 이 직관이 제안하는 것보다 훨씬 더 복잡합니다(방법 참조).

마지막으로 가능한 값의 전체 범위를 조사합니다. 케이 출생률과 사망률에 대한 제약이 없습니다. 우리는 다음을 찾습니다:

결과 4. 임의의 공간 모집단 구조의 경우(e에 대한 제약 없음아이) 고정 확률은 임의의 값 0 ≤ ρ < 1을 취할 수 있으며, 결과적으로 분자 시계는 임의의 비율을 취할 수 있습니다. 0 ≤ K < Nu.

이 결과는 새로운 돌연변이가 고정될 확률이 임의로 1에 근접할 수 있음을 암시한다는 점에서 특히 놀랍습니다. 결과 4는 도 5에 도시된 가상의 공간 구조를 고려하여 증명될 수 있다. 음이 아닌 값 ρ 매개변수를 적절히 선택하여 1 미만을 얻을 수 있습니다(자세한 내용은 방법 참조).

이것은 허브(H)에서 허브(H)로의 단방향 유전자 흐름을 갖는 인구 구조를 고려하여 입증됩니다. N𢄡 잎(L). 허브에서 발생하는 돌연변이에 대해 고정이 보장됩니다(ρ 시간 = 1) 잎에서 발생하는 것은 불가능합니다(ρ = 0). 전체 고정 확률은 Eq.와 같습니다. (3) 허브의 회전율: ρ = NS 시간 = 1−(N𢄡)NS. 따라서 분자 시계 속도는 케이 = Nuρ = N[1−(N𢄡)NS]. 그것은 다음과 같다 케이 > 만약 그리고 만 NS < 1/N. 직관적으로 허브가 다른 부위보다 더 많은 회전율(따라서 더 많은 돌연변이)을 경험하면 분자 시계가 가속화됩니다. 모든 값 ρ 0보다 크거나 같고 1보다 작음은 해당하는 긍정적인 선택을 통해 달성될 수 있습니다. NS 1/(N𢄡). 을위한 NS = 1/(N𢄡) 우리는 케이 = 0, 고정 가능성이 없는 잎에서만 돌연변이가 발생하기 때문입니다. 극한의 반대 극단에서 NS → 0, 우리는 케이.

업스트림 다운스트림 인구에 적용

분자 시계에 대한 비대칭 분산의 영향을 설명하기 위해 “upstream” 및 𠇍ownstream”(그림 6)로 표시된 두 개의 하위 개체군이 있는 가상 개체군을 고려합니다. 이 하위 집단의 크기는 다음과 같이 표시됩니다. N 그리고 N , 각각. 각 하위 모집단은 대체 확률과 함께 잘 혼합되어 있습니다. 이자형 각 업스트림 사이트 쌍에 대해 이자형 다운스트림 사이트의 각 쌍에 대해 하위 모집단 간의 산포는 대체 확률로 표시됩니다. 이자형 각 업스트림 사이트에서 각 다운스트림 사이트로, 이자형 각 다운스트림 사이트에서 각 업스트림 사이트로. 우리는 하류에 순 유전자 흐름이 있다고 가정합니다. 이자형 > 이자형 .

각 하위 집단은 잘 혼합되어 있습니다. 교체 확률 이자형 아이 같음 이자형 사이트라면 NS 그리고 제이 둘 다 업스트림이며, 이자형 만약 NS 그리고 제이 둘 다 다운스트림이며, 이자형 만약 NS 업스트림이며 제이 하류이며, 이자형 만약 NS 하류이며 제이 업스트림입니다. 우리는 하류에 순 유전자 흐름이 있다고 가정합니다. 이자형 > 이자형 . 상류 하위 개체군이 하류 하위 개체군보다 더 많은 회전율을 경험하는 경우에만 잘 혼합된 경우에 비해 분자 시계가 가속된다는 것을 발견했습니다. 케이 > 만약 그리고 만 NS > NS .

방정식 풀기 (1)–(2), 각 업스트림 사이트와 각 다운스트림 사이트의 고정 확률은 각각 다음과 같습니다.

이러한 고정 확률은 세분화된 모집단의 다른 모델에 대해 이전에 발견되었습니다[40]. 이러한 고정 확률을 Eq.에 대입합니다. (4) 분자 시계 속도를 산출합니다.

위에, NS 그리고 NS 는 각각 상류 및 하류 인구의 이직률이며, NS = N NS +N NS 는 시간 단계당 총 출생률입니다. 방법에서 우리는 다음을 보여줍니다. 케이 > 만약 그리고 만 NS > NS 즉, 분자 시계는 하류 개체군보다 상류 개체군에서 더 많은 회전율이 있는 경우에만 가속됩니다.

단방향 유전자 흐름의 경우, 이자형 = 0, 분자 시계 속도는 단순히 케이 = (NS /NS). 수량 NS /NS 상류 모집단의 상대적 회전율을 나타내며 0 ≤ 범위의 값을 사용할 수 있습니다. NS /NS < 1/N 이와 같이 케이 0 ≤ 범위의 값을 사용합니다. 케이 <(N/N ). 우리는 상한에 주목합니다 케이 크기에 반비례한다 N 상류 인구의. 가능한 가장 큰 값 케이 때 달성 N = 1, 이 경우 케이 임의로 접근할 수 있습니다. . 이러한 경계는 단방향 유전자 흐름의 경우 다운스트림 사이트의 공간적 배열이 분자 시계 속도에 영향을 미치지 않기 때문에 여러 다운스트림 하위 개체군이 있는 경우에도 유지됩니다. 특히, 그림 5의 허브와 잎이 각각 잘 혼합된 하위 개체군으로 대체되면 케이 (N/N 시간), 어디 N 시간 허브 하위 모집단의 크기입니다.

상피 세포 집단에 적용

우리의 결과는 장의 토굴과 같은 구조와 같은 자가 재생 세포 집단의 체세포 진화에도 적용할 수 있습니다. 새로운 라벨링 기술은 중성 돌연변이가 시간이 지남에 따라 일정한 속도로 장와에 축적된다는 것을 밝혀냈습니다[41]. 각 crypt의 세포 집단은 crypt 바닥에 상주하는 소수의 줄기 세포에 의해 유지되며 확률적 방식으로 서로를 지속적으로 교체합니다(그림 7 [42�]). 우리는 최근 연구[41, 45]에 따르면 쥐의 근위 소장에 초점을 맞춥니다. 이에 대해 최근 연구[41, 45]에 따르면 음와당 5개의 활성 줄기 세포가 있으며, 각각은 2개의 이웃 중 하나로 하루에 0.1번 교체됩니다. 우리의 프레임워크에서 이것은 이웃 간의 대체율이 0.05/일인 크기 5의 순환 구조화된 인구에 해당하므로 NS NS = 0.1/일 모두 NS.

소수의 줄기세포(N ∼ 5) 장의 바닥에 위치하며 속도로 교체됩니다. NS ∼ 하루에 줄기 세포당 0.1개. 실증적 결과[41, 45]는 줄기세포의 주기 구조를 시사한다. 우리가 설정한 올바른 대체율을 달성하기 위해 이자형 아이 = 각 이웃 쌍에 대해 0.05/일. 개별 선와에 있는 줄기 세포는 훨씬 더 많은 수의 전구 세포와 분화된 세포를 대체합니다(∼ 250 [46]). 이러한 다운스트림 전구 세포와 분화된 세포는 거의 매일 교체됩니다[46]. 줄기 세포의 낮은 회전율과 결합된 장 선와의 계층적 구성은 줄기 세포에서 발생하는 돌연변이만이 고칠 수 있기 때문에 중성 유전자 치환의 비율을 제한합니다(K ˜ ≈ 0.1u 1일 치환).

줄기세포에서 발생하는 돌연변이만이 선와 내에서 고정될 수 있으므로 줄기세포 간의 고정 확률과 회전율만 고려하면 됩니다. 줄기세포 사이의 대칭성에 의해, ρ NS = 5개의 줄기 세포 부위 각각에 대해 1/5. 따라서 분자 시계 속도는 K ˜ = u ∑ i = 1 5 d i ρ i = 0입니다. 하루에 1u 교체. 이것은 돌연변이율이 있는 중성 유전자 표지자에 대한 경험적 발견과 일치합니다. ≈ 1.1휐 𢄤 , 대체는 하루에 크립트당 5개의 비율로 누적됩니다.

토굴 구조가 장 조직의 유전적 변화 속도를 제한합니까? 생쥐의 장 선와에는 ∼ 250개의 세포가 있으며 하루에 한 번 모든 세포를 교체합니다[46]. 각 크립트가 잘 혼합된 모집단인 경우 분자 시계 속도는 K ˜ = B u / N ≈ u 치환/일입니다. 따라서 이러한 상피 크립트의 비대칭 구조는 중성 유전자 치환 속도를 10배 느리게 합니다.

아이디어 확산에 적용

우리의 결과는 소셜 네트워크에서 모방을 통해 확산되는 아이디어에도 적용될 수 있습니다. 이 설정에서 돌연변이는 기존 아이디어를 잠재적으로 대체할 수 있는 새로운 아이디어에 해당합니다. 중립성은 모든 아이디어가 똑같이 모방될 가능성이 있음을 의미합니다.

인간의 소셜 네트워크가 아이디어 대체 속도를 가속화하거나 늦추는지 조사하기 위해 Stanford Large Network Dataset Collection[47]에서 973개의 Twitter 네트워크를 분석했습니다. 이들 각각의 𠇎go 네트워크”는 단일 𠇎go” 개인(자신은 네트워크에 포함되지 않음)이 따르는 이들 간의 팔로워 관계를 나타냅니다. 우리는 정보 흐름의 추정 방향에 따라 각 네트워크의 링크를 추종자에서 추종자로 향하게 했습니다. 자체 루프가 제거되었습니다. 고정이 가능한지 확인하기 위해 우리는 나가는 링크를 통해 도달할 수 없는 개인을 고유 벡터 중심성이 가장 큰 노드에서 제거했습니다. 결과 네트워크의 크기는 3개에서 241개 노드까지 다양했습니다.

이러한 네트워크에서 아이디어의 확산을 모델링하기 위해 다음을 설정합니다. 이자형 아이 = 1/ 만약 제이 따르다 NS 그렇지 않으면 0, 여기서 총 링크 수입니다. 이것은 각 시간 단계에서 하나의 추종자-추종자 링크가 균일한 확률로 선택된다고 가정하여 인스턴스화할 수 있습니다. 팔로워는 확률 1−로 팔로워 아이디어를 채택합니다., 또는 확률로 새로운 아이디어를 창출하기 위해 혁신합니다. , 어디 ≪ 1. 이러한 가정을 통해 결과적으로 아이디어 대체 비율(배수 ) 다른 매개변수가 아닌 네트워크 토폴로지에만 의존합니다.

우리는 의 평균값이 케이 이러한 자아 네트워크 중 0.557, 표준 편차 0.222. 973개 네트워크 중 19개(2%)가 케이 > . 두 개의 네트워크에는 케이 = 정확히 이들 각각은 N = 3개의 노드 및 균일한 차수 NS NS, 이와 같이 케이 = 이 네트워크에 대한 결과 1에서 따릅니다. 네트워크 크기 사이에는 약하지만 통계적으로 유의한 음의 관계가 있음을 발견했습니다. N 그리고 가치 케이/ (기울기 𢄠.00164 95% 신뢰 구간(𢄠.0023, 𢄠.001) 부트스트랩 방법 기반) NS ≈ 𢄠.45). 이 음의 관계는 노드가 10개 미만인 소규모 네트워크가 제거되더라도 지속됩니다(95% 신뢰 구간(𢄠.0023, 𢄠.0009)의 기울기 ≈ 𢄠.00156). NS ≈ 𢄠.43). 요약하면, 일부 트위터 자아 네트워크는 중립적 혁신의 대체를 가속화하지만 대다수는 이 속도를 늦춥니다(그림 8 8 및 ​ 및 9 9).

(a𠄾) 분석된 973개 네트워크 중 5개((a) 케이, (b) 가장 작은 값 케이, 그리고 (c) 가장 적은 노드. (f) 산점도 케이/ ~ 대 N 부트스트랩 방법을 기반으로 하는 약한 음의 상관 관계(기울기 ≈ 𢄠.00164 및 95% 신뢰 구간(𢄠.0023, 𢄠.001))를 나타냅니다. NS ≈ 𢄠.45). 산점도의 컬러 점은 (a𠄾)에 표시된 네트워크에 해당합니다. 점선은 에 해당합니다. 케이/ = 1, 그 이상에서는 네트워크 토폴로지가 중립 대체를 가속화합니다.

네트워크 구조는 아이디어 대체를 가속화합니다(케이 > ) 새로운 아이디어의 생성 사이에 양의 공간적 상관관계가 있는 경우에만(우리 모델의 경우 비율에 비례하여 발생합니다.) NS NS 들어오는 아이디어의) 및 고정 확률 ρ NS. 패널 (a) 및 (b)는 가장 느린(케이 ≈ 0.667) 및 가장 빠른(케이 ≈ 1.085) 크기가 13인 네트워크 간의 아이디어 대체 비율. 노드의 색상은 회전율에 해당합니다. NS NS, 더 빠른 회전율을 나타내는 따뜻한 색상으로. 노드의 크기는 고정 확률에 해당합니다. ρ NS.

아이디어 대체를 가속화하는 네트워크의 희귀성에 대한 한 가지 가능한 설명은 회전율 간의 본질적인 관계와 관련이 있습니다. NS NS 및 사이트별 고정 확률 ρ NS. 식에서 (1), 우리는 그것을 본다 ρ NS 곱 ( 1 / d i ) × ( ∑ j = 1 N e i j ρ j ) 로 쓸 수 있습니다. 여기서 첫 번째 요소는 노드의 𠇊ttention span”로 해석될 수 있습니다. NS 그리고 두 번째는 그 영향으로 해석될 수 있다. 이 두 요소가 완전히 독립적인 것은 아니지만 Twitter 네트워크 앙상블에서 이들 간의 체계적인 관계를 반드시 기대하지는 않습니다. 그러한 관계가 없다면, ρ NS 에 반비례한다 NS NS, 이는 의미 케이 < . 다시 말해, 가장 비옥한 노드(새로운 아이디어 생성 측면에서)는 가장 변덕스럽고(타인의 아이디어 채택 측면에서) 많은 새로운 아이디어가 생성되자마자 버려집니다. 이 휴리스틱 주장은 다음을 시사합니다. 케이 > , 가능하지만 통계적 또는 확률적 앙상블에서 가져온 네트워크에서는 드문 경우일 수 있습니다.


내용물

유전적 이동의 과정은 한 개체군에서 20개의 유기체를 나타내는 항아리에 20개의 구슬을 사용하여 설명할 수 있습니다. [8] 이 구슬 항아리를 시작 인구로 간주하십시오. 항아리에 있는 구슬의 절반은 빨간색이고 절반은 파란색이며 각 색상은 모집단의 한 유전자의 다른 대립 유전자에 해당합니다. 새로운 세대마다 유기체는 무작위로 번식합니다. 이 복제물을 나타내기 위해 원래 항아리에서 무작위로 구슬을 선택하고 동일한 색상의 새 구슬을 새 항아리에 넣습니다. 이것은 원래 대리석의 "자손"이며, 이는 원래 대리석이 항아리에 남아 있음을 의미합니다. 두 번째 병에 20개의 새로운 구슬이 생길 때까지 이 과정을 반복합니다. 두 번째 병에는 이제 20개의 "자식" 또는 다양한 색상의 구슬이 들어 있습니다. 두 번째 병에 정확히 10개의 빨간색 구슬과 10개의 파란색 구슬이 들어 있지 않으면 대립 유전자 빈도에서 무작위 이동이 발생했습니다.

이 과정을 여러 번 반복하면 각 세대에서 뽑는 빨강, 파랑 구슬의 개수가 변동됩니다. 때로는 항아리가 "부모" 항아리보다 더 많은 빨간색 구슬을 갖고 때로는 더 파란색을 가집니다. 이러한 변동은 유전적 드리프트와 유사합니다. 즉, 한 세대에서 다음 세대로의 대립유전자 분포의 무작위적 변화로 인한 집단의 대립유전자 빈도의 변화입니다.

한 세대에서 특정 색상의 구슬이 선택되지 않을 수도 있습니다. 즉, 자손이 없다는 의미입니다. 이 예에서 빨간색 구슬이 선택되지 않은 경우 새 세대를 나타내는 항아리에는 파란색 자손만 포함됩니다. 이런 일이 발생하면 빨간색 대립 유전자는 개체군에서 영구적으로 손실되고 나머지 파란색 대립 유전자는 고정됩니다. 모든 미래 세대는 완전히 파란색입니다. 작은 개체군에서 고정은 단 몇 세대 만에 발생할 수 있습니다.

유전적 드리프트의 메커니즘은 간단한 예를 들어 설명할 수 있습니다. 한 방울의 용액에서 분리된 매우 큰 박테리아 군체를 생각해 보십시오. 박테리아는 두 개의 대립 유전자가 표시된 단일 유전자를 제외하고는 유전적으로 동일합니다. NS 그리고 NS. NS 그리고 NS 중성 대립유전자는 박테리아의 생존 능력에 영향을 미치지 않으며 이 콜로니의 모든 박테리아가 똑같이 생존하고 번식할 가능성이 있음을 의미합니다. 박테리아의 절반이 대립 유전자를 가지고 있다고 가정합니다. NS 나머지 절반은 대립 유전자를 가지고 있습니다. NS. 따라서 NS 그리고 NS 각각은 대립 유전자 빈도가 1/2입니다.

그런 다음 용액 한 방울은 4개의 박테리아를 유지하기에 충분한 양의 음식만 남을 때까지 줄어듭니다. 다른 모든 박테리아는 번식하지 않고 죽습니다. 살아남은 4명 중 16가지 조합이 가능합니다. NS 그리고 NS 대립 유전자:

원래 용액의 모든 박테리아는 용액이 줄어들 때 생존할 가능성이 동일하므로 4명의 생존자는 원래 식민지의 무작위 샘플입니다. 4명의 생존자 각각이 주어진 대립 유전자를 가질 확률은 1/2이고, 따라서 솔루션이 축소될 때 특정 대립 유전자 조합이 발생할 확률은 다음과 같습니다.

(원래 모집단 크기가 너무 커서 대체 시 샘플링이 효과적으로 발생함). 다시 말해, 16개의 가능한 대립 유전자 조합 각각은 1/16의 확률로 똑같이 발생할 가능성이 있습니다.

같은 수의 조합을 계산 NS 그리고 NS, 우리는 다음 표를 얻습니다.

NS NS 조합 개연성
4 0 1 1/16
3 1 4 4/16
2 2 6 6/16
1 3 4 4/16
0 4 1 1/16

표와 같이 동일한 수의 조합의 총 수 NS 대립 유전자 NS 대립 유전자는 6이고 이 조합의 확률은 6/16입니다. 다른 조합의 총 수는 10이므로 동일하지 않은 수의 확률 NS 그리고 NS 대립 유전자는 10/16입니다. 따라서 원래 식민지는 동일한 수로 시작되었지만 NS 그리고 NS 대립 유전자, 나머지 4개 구성원의 대립 유전자 수가 같지 않을 가능성이 매우 높습니다. 같은 숫자는 실제로 같지 않은 숫자보다 가능성이 적습니다. 후자의 경우 무작위 샘플링으로 인해 모집단의 대립 유전자 빈도가 변경되었기 때문에 유전적 드리프트가 발생했습니다. 이 예에서 인구는 인구 병목 현상으로 알려진 현상인 단 4명의 무작위 생존자로 축소되었습니다.

대립 유전자의 사본 수에 대한 확률 NS (또는 NS) 생존(위 표의 마지막 열에 주어짐)은 "성공" 확률(주어진 대립유전자가 존재할 확률)이 1/2(즉, 케이 사본 NS (또는 NS) 조합의 대립 유전자)는 다음과 같이 주어진다.

어디 n=4 생존하는 박테리아의 수입니다.

유전적 드리프트의 수학적 모델은 이상적인 집단에서 대립유전자 빈도의 변화를 설명하는 분기 과정 또는 확산 방정식을 사용하여 설계할 수 있습니다. [9]

라이트-피셔 모델

2개의 대립유전자를 가진 유전자를 생각해 보자. NS 또는 NS. 다음으로 구성된 이배체 집단에서 N 개인은 2N 각 유전자의 사본. 개인은 동일한 대립 유전자의 사본 2개 또는 다른 대립 유전자 2개를 가질 수 있습니다. 우리는 하나의 대립 유전자의 빈도를 부를 수 있습니다. NS 그리고 다른 주파수 NS. Wright-Fisher 모델(Sewall Wright과 Ronald Fisher의 이름을 따서 명명됨)은 세대가 겹치지 않고(예: 연간 식물은 정확히 1년에 한 세대를 가짐) 새로운 세대에서 발견되는 유전자의 각 사본이 독립적으로 무작위로 추출된다고 가정합니다. 구세대의 모든 유전자 사본에서. 얻을 확률을 계산하는 공식 케이 빈도를 갖는 대립 유전자의 사본 NS 마지막 세대는 [10] [11]

기호 "!"는 계승 함수를 의미합니다. 이 표현식은 이항 계수를 사용하여 공식화할 수도 있습니다.

모란 모델 편집

Moran 모델은 중복 세대를 가정합니다. 각 단계에서 한 개체는 번식하도록 선택되고 한 개체는 죽도록 선택됩니다. 따라서 각 시간 단계에서 주어진 대립 유전자의 사본 수는 1씩 증가하거나 1 감소하거나 동일하게 유지될 수 있습니다. 이것은 전이 행렬이 삼대각형이라는 것을 의미하며, 이는 수학적 솔루션이 Wright-Fisher 모델보다 Moran 모델에 더 쉽다는 것을 의미합니다. 반면에 컴퓨터 시뮬레이션은 계산해야 하는 시간 단계가 적기 때문에 Wright-Fisher 모델을 사용하여 일반적으로 수행하기가 더 쉽습니다. Moran 모델에서는 N 한 세대를 통과하기 위한 시간 단계, N 유효 인구 규모입니다. Wright-Fisher 모델에서는 하나만 필요합니다. [12]

실제로 Moran 및 Wright-Fisher 모델은 질적으로 유사한 결과를 제공하지만 Moran 모델에서 유전적 드리프트가 두 배 빠르게 실행됩니다.

드리프트의 다른 모델

자손 수의 분산이 Wright-Fisher 모델에 의해 가정된 이항 분포에 의해 주어진 것보다 훨씬 크면 동일한 전체 유전적 이동 속도(분산 유효 모집단 크기)가 주어지면 유전적 이동은 덜 강력한 힘입니다. 선택에 비해. [13] 동일한 분산에 대해서도 자손 수 분포의 더 높은 모멘트가 이항 분포의 모멘트를 초과하면 다시 유전적 드리프트의 힘이 실질적으로 약화됩니다. [14]

샘플링 오류 이외의 임의 효과 편집

대립 유전자 빈도의 무작위 변화는 샘플링 오류 이외의 영향, 예를 들어 선택 압력의 무작위 변화로 인해 발생할 수도 있습니다. [15]

아마도 유전적 드리프트보다 더 중요한 확률성의 한 가지 중요한 대안적 원천은 유전적 초안입니다. [16] 유전 드래프트는 연결된 유전자좌에 대한 선택에 의한 유전자좌에 대한 효과입니다. 유전적 드래프트의 수학적 특성은 유전적 드리프트의 수학적 특성과 다릅니다. 대립유전자 빈도의 무작위적 변화의 방향은 세대에 걸쳐 자기상관된다. [2]

Hardy-Weinberg 원리는 충분히 큰 집단 내에서 대립 유전자 빈도는 이동, 유전적 돌연변이 또는 선택에 의해 평형이 방해받지 않는 한 한 세대에서 다음 세대로 일정하게 유지된다는 것입니다. [18]

그러나 유한한 모집단에서는 다음 세대로 전달되는 대립 유전자의 무작위 샘플링에서 새로운 대립 유전자를 얻지 못하지만 샘플링으로 인해 기존 대립 유전자가 사라질 수 있습니다. 무작위 샘플링은 대립유전자를 제거할 수 있지만 대체할 수는 없고 대립유전자 빈도의 무작위 감소 또는 증가가 다음 세대의 예상 대립유전자 분포에 영향을 미치기 때문에 유전적 드리프트는 시간이 지남에 따라 인구를 유전적 균일성으로 유도합니다. 대립 유전자가 1(100%)의 빈도에 도달하면 모집단에서 "고정"되고 대립 유전자가 0(0%)의 빈도에 도달하면 손실됩니다. 인구가 적을수록 고정이 더 빨리 이루어지지만 무한 인구의 한계에서는 고정이 이루어지지 않습니다. 대립유전자가 고정되면 유전적 드리프트가 멈추고 새로운 대립유전자가 돌연변이나 유전자 흐름을 통해 모집단에 도입되지 않는 한 대립유전자 빈도는 변경될 수 없습니다. 따라서 유전적 드리프트가 무작위적이고 방향이 없는 과정일지라도 시간이 지남에 따라 유전적 변이를 제거하는 역할을 합니다. [19]

드리프트로 인한 대립유전자 빈도 변화율

유전적 표류가 대립유전자에 작용하는 유일한 진화적 힘이라고 가정하면, NS 의 대립 유전자 빈도로 시작하여 많은 복제 집단에서 세대 NS 그리고 NS, 해당 모집단에서 대립 유전자 빈도의 분산은

고정 또는 상실까지의 시간

유전적 드리프트가 대립유전자에 작용하는 유일한 진화적 힘이라고 가정하면, 주어진 시간에 대립유전자가 집단에서 결국 고정될 확률은 단순히 그 당시 집단에서의 빈도입니다. [21] 예를 들어 주파수가 NS 대립 유전자 NS 는 75%이고 빈도는 NS 대립 유전자 NS 25%이고 시간에 제한이 없는 확률이 주어집니다. NS 인구에서 궁극적으로 고정될 확률은 75%이고 NS 고정됩니다 25%입니다.

고정이 발생할 것으로 예상되는 세대 수는 인구 크기에 비례하므로 고정은 더 작은 인구에서 훨씬 더 빠르게 발생할 것으로 예측됩니다. 일반적으로 전체 모집단보다 작은 유효 모집단 크기가 이러한 확률을 결정하는 데 사용됩니다. 유효 인구(N이자형)은 근친 교배 수준, 개체군이 가장 작은 수명 주기 단계, 일부 중립 유전자가 선택 중인 다른 유전자와 유전적으로 연결되어 있다는 사실과 같은 요인을 고려합니다. [13] 효과적인 집단 크기는 동일한 집단의 모든 유전자에 대해 동일하지 않을 수 있습니다. [23]

Wright-Fisher 모델에 따르면, 중성 대립유전자가 유전적 드리프트를 통해 고정되기까지 예상되는 시간을 근사하는 데 사용되는 한 가지 미래 지향적인 공식은 다음과 같습니다.

어디 NS 는 세대 수, N이자형 는 유효 인구 규모이며, NS 주어진 대립 유전자의 초기 빈도입니다. 결과는 주어진 크기(N이자형) 및 대립유전자 빈도(NS). [24]

유전적 드리프트를 통해 중성 대립유전자가 소실되는 예상 시간은 다음과 같이 계산할 수 있습니다. [10]

돌연변이가 초기 빈도를 무시할 수 있을 만큼 충분히 큰 모집단에서 한 번만 나타날 때 공식은 다음과 같이 단순화될 수 있습니다. [25]

중립 돌연변이가 고정되기 전에 예상되는 평균 세대 수,

중성 돌연변이가 손실되기 전에 예상되는 평균 세대 수입니다. [26]

드리프트와 돌연변이 모두에 대한 손실 시간

위의 공식은 이미 모집단에 존재하고 돌연변이나 자연 선택의 대상이 아닌 대립 유전자에 적용됩니다. 대립 유전자가 돌연변이에 의해 획득되는 것보다 훨씬 더 자주 돌연변이에 의해 상실된다면, 변이 뿐만 아니라 돌연변이도 상실 시간에 영향을 미칠 수 있습니다. 돌연변이 소실 경향이 있는 대립유전자가 모집단에서 고정된 상태로 시작되고 복제당 m의 비율로 돌연변이에 의해 소실되는 경우, 반수체 모집단에서 소실될 때까지의 예상 세대 시간은 다음과 같습니다.

여기서 γ 는 오일러 상수입니다. 첫 번째 근사는 첫 번째 돌연변이가 손실될 때까지의 대기 시간을 나타내며, 손실은 유전적 드리프트에 의해 상대적으로 빠르게 발생하고 시간이 걸립니다. N이자형 ≪ 1/미디엄. 두 번째 근사치는 돌연변이 축적에 의한 결정론적 손실에 필요한 시간을 나타냅니다. 두 경우 모두 고정 시간은 1/미디엄, 유효 인구 규모의 영향을 덜 받습니다.

자연 개체군에서 유전적 표류와 자연 선택은 따로따로 작용하지 않으며 돌연변이와 이동과 함께 두 현상이 항상 작용합니다. 중립적 진화는 변이와 표류의 산물이지 표류만의 산물이 아니다. 유사하게, 선택이 유전적 드리프트를 압도하더라도 돌연변이가 제공하는 변이에만 작용할 수 있습니다.

자연 선택에는 현재 환경에 대한 유전적 적응으로 진화를 이끄는 방향이 있지만, 유전적 이동은 방향이 없으며 오직 우연의 수학에 의해서만 유도됩니다. 결과적으로, 드리프트는 표현형 효과에 관계없이 집단 내의 유전형 빈도에 작용합니다. 대조적으로, 선택은 표현형 효과가 운반체의 생존 및/또는 번식을 증가시키고, 불리한 특성을 유발하는 대립 유전자의 빈도를 낮추고, 중립적인 것을 무시하는 대립 유전자의 확산을 선호합니다. [29]

큰 수의 법칙은 대립 유전자 사본의 절대 수가 적을 때(예: 작은 집단에서), 세대당 대립 유전자 빈도의 드리프트 크기가 더 크다고 예측합니다. 드리프트의 크기는 선택 계수가 1보다 작은 경우 모든 대립유전자 빈도에서 선택을 압도할 만큼 충분히 큽니다. 따라서 돌연변이와 유전적 드리프트의 산물로 인한 비적응 진화는 주로 작고 고립된 집단 내에서 진화적 변화의 결과적인 메커니즘으로 간주됩니다. [30] 유전적 드리프트의 수학은 효과적인 인구 규모에 의존하지만 이것이 인구의 실제 개인 수와 어떻게 관련되는지는 분명하지 않습니다. [16] 선택 중인 다른 유전자에 대한 유전적 연결은 중성 대립유전자가 경험하는 효과적인 개체군 크기를 줄일 수 있습니다. 재조합 비율이 높을수록 연결이 감소하고 이와 함께 효과적인 인구 크기에 대한 이러한 국소 효과가 나타납니다. [31] [32] 이 효과는 분자 데이터에서 국소 재조합 속도와 유전적 다양성 사이의 상관 관계로 볼 수 있으며 [33] 비암호화 DNA 영역에서 유전자 밀도와 다양성 사이의 음의 상관 관계가 있습니다. 선택 중인 다른 유전자와의 연결과 관련된 확률성은 샘플링 오류와 동일하지 않으며, 이를 유전적 드리프트와 구별하기 위해 때때로 유전 드래프트로 알려져 있습니다. [16]

대립유전자 빈도가 매우 낮으면 드리프트가 많은 인구에서도 선택을 압도할 수 있습니다. 예를 들어, 불리한 돌연변이는 일반적으로 대규모 집단에서 빠르게 제거되지만 새로운 유리한 돌연변이는 중성 돌연변이와 마찬가지로 유전적 드리프트를 통한 손실에 거의 취약합니다. 유리한 돌연변이에 대한 대립유전자 빈도가 특정 임계값에 도달할 때까지는 유전적 드리프트가 영향을 미치지 않습니다. [29]

인구 병목 현상은 임의의 환경 이벤트로 인해 단기간에 인구가 훨씬 더 작은 크기로 축소되는 경우입니다. 진정한 인구 병목 현상에서 인구 구성원의 생존 확률은 순전히 무작위이며 고유한 유전적 이점으로 인해 개선되지 않습니다. 병목 현상은 선택과 완전히 독립적인 대립 유전자 빈도의 급격한 변화를 초래할 수 있습니다. [35]

인구 병목 현상의 영향은 병목 현상이 자연 재해와 같은 일회성 이벤트로 인해 발생한 경우에도 지속될 수 있습니다. 비정상적인 유전 분포를 유발하는 병목 현상의 흥미로운 예는 미크로네시아의 Pingelap 환초에서 전체 간세포 색맹(색맹)을 가진 개체의 비율이 상대적으로 높다는 것입니다. 병목 현상 후에 근친 교배가 증가합니다. 이것은 근친 교배 우울증으로 알려진 과정에서 열성 유해 돌연변이에 의한 손상을 증가시킵니다. 이러한 돌연변이 중 최악의 돌연변이가 선택되어 배경 선택 과정에서 유전적으로 연결된 다른 대립 유전자가 손실됩니다. [2] 열성 유해 돌연변이의 경우 이 선택은 유전적 제거로 인한 병목 현상의 결과로 향상될 수 있습니다. 이것은 유전적 다양성의 추가 손실로 이어집니다. 또한, 개체군 크기의 지속적인 감소는 다음 세대의 드리프트로 인한 추가 대립유전자 변동의 가능성을 증가시킵니다.

개체군의 유전적 변이는 병목 현상으로 인해 크게 줄어들 수 있으며 유익한 적응조차도 영구적으로 제거될 수 있습니다. [36] 변이의 소실은 살아남은 인구를 질병, 기후 변화 또는 가용 식량 공급원의 이동과 같은 새로운 선택 압력에 취약하게 만듭니다. 장소. [37] [38]

최근에 인구 병목 현상이 많이 알려진 사례가 있습니다. 유럽인이 오기 전에 북미 대초원은 수백만 마리의 대형 대초원 닭의 서식지였습니다. 일리노이 주에서만 1900년 약 1억 마리에서 1990년대에는 약 50마리로 그 수가 급감했습니다. 개체수 감소는 사냥과 서식지 파괴로 인한 것이지만 그 결과 대부분의 종의 유전적 다양성이 손실되었습니다. 1990년대 중반의 새와 1990년대의 새를 비교한 DNA 분석은 지난 수십 년 동안 유전적 변이의 급격한 감소를 기록합니다. 현재 그레이터 프레리 치킨은 번식 성공률이 낮습니다. [39]

그러나 병목 현상과 유전적 드리프트로 인한 유전적 손실은 다음과 같이 체력을 증가시킬 수 있습니다. 에를리키아. [40]

과도한 사냥은 또한 19세기 북부 코끼리 바다표범에 심각한 인구 병목 현상을 일으켰습니다. 그 결과 유전적 변이의 감소는 그렇게 공격적으로 사냥되지 않은 남부 코끼리 바다표범과 비교함으로써 추론할 수 있습니다. [41]

파운더 효과 편집

창시자 효과는 인구 병목 현상의 특별한 경우로, 인구의 작은 그룹이 원래 인구에서 분리되어 새로운 인구를 형성할 때 발생합니다. 방금 형성된 새로운 식민지에서 대립 유전자의 무작위 표본은 최소한 몇 가지 측면에서 원래 인구를 크게 잘못 나타낼 것으로 예상됩니다. [42] 원래 집단의 일부 유전자에 대한 대립유전자의 수가 창시자의 유전자 카피 수보다 많아 완전한 표현이 불가능할 수도 있다. 새로 형성된 식민지가 작을 때, 그 설립자는 먼 미래까지 인구의 유전적 구성에 강한 영향을 미칠 수 있습니다.

잘 문서화된 예는 1744년 펜실베니아로의 Amish 이주에서 찾을 수 있습니다. 새로운 식민지의 두 구성원은 Ellis-Van Creveld 증후군에 대한 열성 대립 유전자를 공유했습니다. 식민지의 구성원과 그 후손은 종교적으로 고립되어 상대적으로 고립되어 있는 경향이 있습니다. 여러 세대에 걸친 근친 교배의 결과로 Ellis-Van Creveld 증후군은 이제 일반 인구보다 Amish 사이에서 훨씬 더 널리 퍼졌습니다. [29] [43]

원래 인구와 식민지 사이의 유전자 빈도의 차이는 또한 두 그룹이 여러 세대에 걸쳐 크게 분기하도록 촉발할 수 있습니다. 차이 또는 유전적 거리가 증가함에 따라 분리된 두 개체군은 유전적으로나 표현학적으로 모두 구별될 수 있지만, 유전적 드리프트뿐만 아니라 자연 선택, 유전자 흐름 및 돌연변이도 이러한 차이에 기여합니다. 식민지의 유전자 빈도에서 상대적으로 빠른 변화에 대한 이러한 가능성으로 인해 대부분의 과학자들은 새로운 종의 진화에 중요한 추진력인 창시자 효과(그리고 더 나아가 유전적 드리프트)를 고려하게 되었습니다. Sewall Wright는 변이하는 종분화 균형 이론으로 무작위 표류와 새로 고립된 작은 개체군에 이 중요성을 부여한 최초의 사람이었습니다. [44] Wright에 이어 Ernst Mayr는 유전적 변이의 감소와 창시자 효과에 따른 작은 개체군 크기가 새로운 종의 발달에 결정적으로 중요하다는 것을 보여주기 위해 많은 설득력 있는 모델을 만들었습니다. [45] 그러나 가설이 실험적 연구를 통해 반복적으로 검증되었고 결과가 기껏해야 모호하기 때문에 오늘날 이 견해에 대한 지지는 훨씬 적습니다. [46]

진화에서 무작위적 우연의 역할은 1921년 Arend L. Hagedoorn과 A. C. Hagedoorn-Vorstheuvel La Brand에 의해 처음으로 설명되었습니다. [47] 그들은 무작위 생존이 집단에서 변이를 잃는 데 핵심적인 역할을 한다고 강조했습니다. Fisher(1922)는 'Hagedoorn 효과'에 대한 최초의 수학적 처리로, 약간 부정확하지만 이에 대응했습니다. [48] ​​특히, 그는 많은 자연 개체군이 너무 클 것으로 예상했습니다(N

10,000) 표류의 영향이 상당하고 사고 표류가 진화 과정에 미미한 영향을 미치려면. 수정된 수학적 처리 및 용어 "유전적 드리프트"는 나중에 인구 유전학의 창시자인 Sewall Wright에 의해 만들어졌습니다. 그가 "드리프트"라는 용어를 처음 사용한 것은 1929년이었지만 [49] 당시 그는 지시된 변화 과정 또는 자연 선택이라는 의미로 사용하고 있었습니다. 샘플링 오류에 의한 무작위 드리프트는 "Sewall-Wright 효과"로 알려지게 되었지만, 자신의 이름이 붙여진 것을 보는 것이 결코 편하지 않았습니다. Wright는 대립유전자 빈도의 모든 변화를 "안정된 드리프트"(예: 선택) 또는 "임의 드리프트"(예: 샘플링 오류)로 언급했습니다. [50] "Drift"는 확률론적 의미의 전문 용어로 독점적으로 채택되게 되었습니다. [51] 오늘날 이 좁은 정의가 보편적이지는 않지만 [52] 샘플링 오류 측면에서 일반적으로 훨씬 더 좁게 정의됩니다. [53] [54] Wright는 ""무작위 드리프트" 또는 심지어 "드리프트"를 한 구성 요소로 제한하는 것, 즉 샘플링 사고의 영향이 혼동을 일으키는 경향이 있다고 썼습니다. [50] Sewall Wright는 근친교배에 의한 것과 동일한 샘플링 오류에 의한 무작위 유전적 드리프트의 과정을 고려했지만, 이후의 연구에서는 그것들이 구별되는 것으로 나타났습니다. [55]

현대 진화론적 종합의 초기에 과학자들은 인구 유전학의 새로운 과학을 찰스 다윈의 자연 선택 이론과 혼합하기 시작했습니다. 이 프레임워크 내에서 Wright는 상대적으로 고립된 작은 개체군에 대한 근친교배의 영향에 초점을 맞췄습니다. 그는 작은 개체군에서의 교배 및 유전적 이동과 같은 현상이 적응 피크에서 그들을 밀어낼 수 있는 적응 경관의 개념을 도입했으며, 이는 차례로 자연 선택이 그들을 새로운 적응 피크로 밀어넣도록 허용합니다. Wright는 "근친교배가 무작위 드리프트를 통해 새로운 상호작용 시스템을 생성하기에 충분히 강렬했지만 유전자의 무작위 비적응적 고정을 야기할 만큼 강렬하지 않았기 때문에" 더 작은 개체군이 자연 선택에 더 적합하다고 생각했습니다. [57]

진화 계획에서 유전적 표류의 역할에 대한 Wright의 견해는 거의 처음부터 논쟁의 여지가 있었습니다. 가장 시끄럽고 영향력 있는 비평가 중 한 사람은 동료인 Ronald Fisher였습니다. 피셔는 유전적 이동이 진화에 어느 정도 역할을 했지만 미미한 역할을 했다고 인정했습니다. Fisher는 그의 비판에서 Wright가 선택을 거의 완전히 거부했다고 주장하는 것처럼 보였기 때문에 Wright의 견해를 오해했다는 비난을 받았습니다. Fisher에게 진화의 과정을 길고 안정적이며 적응력 있는 진행으로 보는 것이 더 단순한 형태에서 점점 더 복잡해지는 것을 설명할 수 있는 유일한 방법이었습니다. 그러나 "점진주의자"와 선택과 표류가 함께 중요한 역할을 하는 Wright 모델의 진화론에 더 치우친 사람들 사이에 논쟁이 계속되었습니다. [58]

1968년 기무라 모토오(Motoo Kimura)는 대부분의 유전적 변화가 중성 돌연변이에 작용하는 유전적 드리프트에 의해 발생한다고 주장하는 분자 진화의 중립 이론으로 논쟁을 재촉했습니다. [6] [7]

진화에서 샘플링 오류를 통한 유전적 드리프트의 역할은 John H. Gillespie[59]와 William B. Provine에 의해 비판을 받아왔습니다.


중립 이론은 "보존 우선 순위"를 설정합니다

중성 이론은 분자 진화 이론, 특히 유착 과정(Wakeley 2003 Duret 2008)에 대한 귀무 가설로 사용되지만 "보존에서 중립 이론의 가치는 인식되지 않았습니다"(Rosindell et al. 2011, p. 346). ). Rosindell et al. (2011)은 이 경우 Hubbell의 생태학적 이론을 참조하고 있는데, 그 점은 분자진화론의 중립적 이론에도 적용된다. 기무라의 이론과 허벨의 생태중립이론을 연결함에 있어 Rosindell et al. (2011)은 공통 개념 주제로서 교환 가능성에 특별한 주의를 기울입니다. 그것이 게놈 유전자좌이든 공동체 내의 개인이든, 중립성은 한 대립 유전자 또는 개인을 다른 대립 유전자 또는 개인으로 대체하는 것이 어느 쪽의 진화적 적합성에 영향을 미치지 않는다는 것을 의미합니다. 따라서 교환 가능성에서 벗어나는 것을 관찰할 때 우리는 인간이 매개하는 기후 변화, 삼림 벌채, 화학 오염 물질의 도입 등과 같은 활동적인 과정에 대해 경고합니다(목록은 우울할 정도로 깁니다). 연결성과 유전자 흐름.

보존 유전학이 기무라의 분자 진화에 대한 중립 이론에서 파생된 명백한 가설 중심 프레임워크를 채택할 때가 되었습니다. Shafer et al. (2015)는 개체군 및 종의 생존 가능성을 개선하기 위해 실행 가능하고 달성 가능한 연구 질문의 설계를 안내하기 위해 "보존 우선순위"(p. 84)를 설정할 필요성을 설명했습니다. 의 함수로서 분자 수준에서의 변화에 ​​대한 우리의 기대 N이자형 그리고 이동은 가능한 이동 경로를 감지하기 위해 모델 기반 가설 테스트를 사용하는 보존 유전자 연구의 실험 설계 계획에 사용될 수 있으며(Aguillon et al. 2017), 현재 감소된 유전 변이를 설명할 수 있는 개체군 감소를 추론합니다( Figueiró et al. al. 2017) 또는 복원 프로그램의 효율성을 평가합니다(Li et al. 2014). 이러한 실행 가능한 가설은 기무라가 50년 전에 현장에서 부여한 많은 분자 진화적 통찰력의 힘을 활용하는 종합인 인벤토리, 기능 및 특히 프로세스 중심 보존 유전체학의 합성을 통해 발전할 수 있습니다.


돌연변이 압력 및 무작위 드리프트에 의한 두 "중복" 유전자좌 중 하나에서 유해한 대립유전자 고정

우리는 이배체 집단을 고려하고 각각 2개의 대립유전자를 갖는 2개의 유전자 유전자좌를 가정한다. A와 a는 하나의 유전자좌에 있고 B와 b는 두 번째 유전자좌에 있다. 야생형 대립 유전자 A 및 B에서 유해한 대립 유전자 a 및 b로의 돌연변이는 각각 돌연변이 비율 va 및 vb로 발생합니다. 우리는 대립유전자가 완전히 열성이며 이중 열성 유전자형 aabb만이 상대 적합도 1-엡실론에 해로운 영향을 나타낸다고 가정합니다. 그러면, vb 돌연변이 a보다 큰 va가 돌연변이 압력에 의해 집단에서 고정되고 B/b 유전자좌 단독에 대해서만 돌연변이-선택 균형이 궁극적으로 달성되는 경우를 나타낼 수 있다. 이 논문의 주요 목적은 정확히 va = vb인 상황을 조사하는 것이다. 이 경우 중립 평형에 도달하고 어느 한 유전자좌가 돌연변이 대립유전자에 대한 고정으로 표류할 수 있습니다. 확산 모델은 해로운 돌연변이가 유한한 개체군에서 무작위 샘플링 드리프트에 의해 두 개의 복제된 유전자좌 중 하나에 결국 고정되는 확률적 과정을 처리하기 위해 개발되었습니다. 특히, 돌연변이 a 또는 b가 고정될 때까지의 평균 시간에 대한 방정식이 도출되며, 이는 매개변수 4Nev 및 4Ne 입실론의 일부 조합에 대해 수치적으로 해결됩니다. 여기서 v는 돌연변이율(va = vb = v)이고 Ne는 인구의 유효 크기. 수치 분석을 보완하기 위해 몬테카를로 실험이 수행되었습니다("의사 샘플링 변수"라는 장치 사용).


1. 소개

유전형과 표현형 사이의 관계, 이 지도가 개체군의 적응 역학을 조절하는 방식, 또는 생명체의 게놈에 생명사가 남긴 흔적은 완전한 진화 이론이 달성되기 전에 해결해야 할 필수적인 문제입니다.유기체를 구성하는 데 필요한 많은 정보를 암호화하는 유전자형은 표현형, 가시적 표현 및 자연 선택의 대상을 수정하는 돌연변이의 영향을 받는 경우가 있습니다. 많은 돌연변이는 대신 중립적이며[1], 인구가 접근할 수 있는 유전자형 공간의 영역을 변경하고[2], 진화 가능성을 조절하지만[3] 표현형은 변경하지 않습니다. 유전자형과 표현형의 관계는 일대일 관계가 아니라 다대다 관계입니다. 특히, 특정 표현형을 인코딩하는 유전자형은 종종 가능한 유전자형의 전체 공간에 걸쳐 있는 광대하고 연결된 네트워크를 형성할 수 있습니다. 단백질의 경우 이러한 네트워크의 존재는 Maynard Smith[4]에 의해 자연 선택에 의한 진화가 일어나기 위한 요구 사항으로 가정되었습니다. 후속 연구에 따르면 이러한 네트워크는 기능적 단백질[5], RNA와 같은 다른 거대분자[6]에 대해 존재하며 일반적으로 유전자형 및 표현형 지도 모방 조절 유전자 네트워크[7], 대사 반응 네트워크[7]의 단순 모델에 나타납니다. 8] 또는 단백질 4차 구조의 자가 조립[9].

그럼에도 불구하고, 뉴트럴 네트워크(NN)의 토폴로지 구조에 대한 체계적인 탐구는 서열 진화에 대한 NN 구조의 의미 중 일부가 오래전에 확인되었다는 사실에도 불구하고 최근에야 착수되었습니다. 예를 들어, Kimura의 중립 이론[1]은 주어진 시간 간격에서 중립 치환의 수가 포아송 분포라고 가정했습니다. 그 가정에는 당시에 명시적으로 언급되지 않은 기본 가설이 있었습니다. 즉, 모든 유전자형에 사용할 수 있는 중성 돌연변이의 수가 정확한 유전자형, 시간 또는 표현된 표현형과 무관하게 일정하다는 것입니다. 즉, NN은 정도가 균질하다고 가정했습니다. 결과는 축적된 돌연변이 수의 분산이 평균과 같아야 하고 분산 지수(NS, 분산과 평균 사이의 비율)은 1과 같아야 합니다. 그러나 아주 초기에 다음이 관찰되었습니다. NS 분석된 거의 모든 경우에서 1보다 훨씬 컸습니다[10�]. 빠른 진화의 짧은 폭발의 출현은 긍정적인 다윈적 선택의 에피소드에 기인한 것입니다[12], 이는 상위성 상호작용이 관련될 수 있는 준중립 환경에서 인구 규모의 변동을 반영할 수 있습니다[13].

사실 NN은 매우 이질적입니다. 일부 유전자형은 부서지기 쉽고 돌연변이 하에서 다른 표현형을 쉽게 생성합니다. NN 내에 하나 또는 몇 개의 이웃이 있습니다. 대신 다른 유전자형은 강력하고 생물학적 또는 화학적 기능을 유지하면서 많은 수의 돌연변이를 견딜 수 있습니다. 유전자형의 중립성(강건성)의 변이의 존재는 분자 시계의 과분산에 대한 가능한 설명으로 곧 제시되었습니다[13]. 오늘날, 여러 개의 다른 NN에서 유전형의 강건성 분포가 측정되어 현저하게 넓은 것으로 판명되었습니다[14�]. 분자 시계의 과분산에서 변동하는 중성 공간의 영향은 단백질[17]과 준종[18]의 실제 진화 모델에서, 그리고 이론적 관점에서[19] 조사되었습니다.

이 기여에서 우리는 돌연변이 고정 속도에 대한 결과가 체계적으로 조사되지 않은 NN의 세 가지 기능을 탐구합니다. 그것들은 (i) 인접 유전자형 간의 중립성의 상관관계, (ii) 표현형의 중복 정도(NN의 크기), (iii) 접근 가능한 대안과 관련된 현재 표현형의 적합성입니다. 첫째, 중립성 정도는 NN에서 무작위로 분포하지 않습니다. 열역학적 논증[20,21]과 완전한 NN의 분석[22]은 유전형이 강건함의 함수로 클러스터링되는 경향이 있음을 나타내며, 이는 NN이 소위 assortative network의 클래스에 속한다는 것을 암시합니다. NN에서 진화하는 개체군은 표현형을 변경하는 돌연변이의 수를 최소화하기 위해 최대한 연결된 영역을 차지하는 경향이 있는 것으로 알려져 있습니다[2]. assortative network에서 중립적 드리프트는 돌연변이–선택 평형을 향한 관로화를 수반하며, 우리가 명명하는 역학적 과정을 통해 중립 돌연변이의 고정 속도를 점진적으로 증가시킵니다. 표현형 함정. 둘째, 주어진 표현형의 평균 견고성은 연관된 NN의 크기에 따라 증가한다는 계산 유전자형 및 표현형 맵[9,23�]과 NN의 경험적 재구성[25]에서 오는 풍부한 증거가 있습니다. 여기에서 수량화합니다. 중성 돌연변이의 고정 확률에 대한 평균 정도의 체계적인 차이의 효과. 셋째, 현재 NN의 유전자형과 돌연변이 이웃 간의 적합성 차이는 돌연변이(중립적이든, 유익하거나 해롭든)가 인구에서 고정될 확률에 영향을 미치며, 우리가 명시적으로 보여주듯이 돌연변이 비율에 영향을 미칩니다. 엄격하게 중립적인 드리프트 간격 동안의 분자 시계.

이전 목표를 염두에 두고 우리는 일반 NN에서 동질적이고 무한한 인구의 역학을 설명하기 위해 균형을 벗어난 형식 프레임워크를 개발합니다. 우리는 인구가 과거 역사의 기억을 유지한다는 것을 보여줍니다. 시간이 경과함에 따라 점점 더 강력해지는 유전자형을 방문할 가능성이 우리가 계산하는 정확한 방식으로 증가하기 때문입니다. 이것은 소셜 네트워크에서 설명된 𠆏riendship paradox’ [26]의 다양성과 역동적인 표현의 결과입니다(당신의 친구는 당신보다 더 많은 친구가 있습니다). 결과적으로 모집단이 네트워크를 떠날 확률은 경과 시간에 따라 명시적으로 달라집니다. 더욱이, 시간이 지남에 따라 이 확률의 감소는 중성 돌연변이의 축적 속도의 체계적인 가속을 수반합니다. 함정의 정도가 높을수록 NN이 커지고 현재 표현형의 적합성과 접근 가능한 대안의 적합성 간의 차이가 더 커집니다. 이러한 결과는 상당히 일반적이며 표현형 변화의 효과적인 모델 유도 및 분자 시계 보정에 영향을 미칩니다.


행동 양식

시뮬레이션

나는 각 개인에 대한 SNP 데이터를 생성하기 위해 SLiM v. 3.2(Haller and Messer 2017)를 사용하여 이기종 공간 환경(그림 1)에 적응하는 메타집단의 200회 반복 시간 시뮬레이션을 수행했습니다. 시뮬레이션 결과 환경 구배(예를 들어, 환경별 격리, Wang 및 Bradburd 2014). 결과 해석의 단순성을 위해 각 LG에서 한 가지 유형의 게놈 이질성만 시뮬레이션되어 각 LG가 거의 독립적으로 진화했습니다. 9개의 LG는 각각 50,000개의 염기와 50cm의 길이를 가지고 있습니다. 염기 재조합율 N이자형NS = 0.01(아래에 설명된 대로 조작하지 않는 한)은 근접 염기 사이에 0.001cM의 분해능을 제공했습니다. 재조합 비율은 시뮬레이션된 것보다 더 큰 유전자 지도에서 SNP가 수집된 경우를 모방하도록 조정되었지만(SNP 칩과 유사), 선택된 유전자좌에 연결된 중립 유전자좌에서 선택의 서명이 발생할 수 있도록 여전히 충분히 낮습니다(in 시뮬레이션 50,000 기지 / (NS = 1e-05) * 100 = 인간에서 50 cM 50,000 bp는 0.05 cM에 해당합니다. 따라서 연결 그룹의 반대쪽 끝에 있는 SNP는 그들 사이의 재조합 비율이 0.5(연결되지 않음)일 가능성이 높지만 그렇지 않으면 연결 그룹 내의 SNP 간에 어느 정도 연결이 있을 것입니다. 모든 LG의 경우 인구 규모 돌연변이 비율 N이자형μ는 0.001과 같습니다. 계산 효율성을 위해 위에서 설명한 대로 돌연변이 비율과 재조합 비율을 조정하여 1000명의 개체를 시뮬레이션했습니다(Fisher 1930 Wright 1931, 1938 Crow 및 Kimura 1970 Bürger 2000). 1세대에서 개인은 좌표 0과 1 사이의 공간 맵에 무작위로 배치되었습니다. 개인은 평균과 분산이 0인 이변량 정규 분포에 의해 주어진 거리에 분산되었습니다(표 2).

예시 풍경 시뮬레이션. 각 상자는 표현형 값으로 채색된 개별적입니다. 배경은 선택적 환경입니다. 이 출력은 환경에 의한 1900세대 선택 후에 생성되었으며 표현형과 환경 사이의 상관 관계는 0.52입니다.



코멘트:

  1. Nezil

    믿겨지지도 않는 훌륭한 통나무집

  2. Shakasar

    당신에게 어려운 선택

  3. Daikus

    위의 모든 것은 진실을 말했습니다. 우리는 이 주제에 대해 소통할 수 있습니다. 여기 또는 오후에.

  4. Brendon

    당신이 옳지 않습니다. 나는 보장된다. 논의합시다. 오후에 저에게 편지를 보내십시오.

  5. Josef

    당신이 틀린 것 같습니다

  6. Mayhew

    보였습니다 ... 매우 멋지다! 나는 모두에게 조언한다 ..



메시지 쓰기