Al observar los datos genómicos de una población, las regiones de baja diversidad (inferior a la esperada, como en una región de alta recombinación) pueden indicar una selección purificadora de mutaciones nocivas o un barrido selectivo de una mutación adaptativa. ¿Cuáles son algunas maneras en que uno puede saber cuál ocurrió?
Una forma de la que he oído hablar es usar un grupo externo que no vivió los mismos eventos que el grupo principal. Si el grupo externo también tiene baja diversidad, significa que las mutaciones no sinónimas en esa región son perjudiciales independientemente de los eventos, por lo que esas regiones homogéneas probablemente se sometieron a una selección purificadora. Si el grupo externo tiene una gran diversidad en esas regiones, es probable que el grupo principal haya pasado por un barrido selectivo.
¿Cuáles son otras formas de distinguir entre los dos?
¡Bienvenido a Biología.SE!
De hecho, recientemente revisé la literatura sobre este tema y otros similares, por lo que estaré encantado de responder.
La respuesta no será fácil de formular ya que varios autores están trabajando y discutiendo sobre la cuestión. Intentaré dar una visión general rápida de los métodos.
Definiciones: selección de fondo y barrido selectivo
En primer lugar, usemos los términos correctos. Como usted describió, tanto la selección positiva como la purificadora están reduciendo la diversidad genética en los loci cercanos. Cuando la reducción de la diversidad genética es causada por selección positiva, llamamos al proceso selective sweep. Cuando la reducción de la diversidad genética es causada por una selección purificadora, llamamos al proceso background selection.
¿Qué afecta la selección de fondo?
¿Qué afecta a un barrido selectivo?
Por cierto, es posible que desee echar un vistazo a los términos 'barrido suave' frente a 'barrido duro' en relación con los dos últimos elementos de la lista anterior y en relación con la adaptación local.
¿Cómo desenredar la selección de fondo del barrido selectivo?
Hay una serie de técnicas pero, de nuevo, todo eso es un trabajo en progreso. Me gustaría clasificar estos métodos en cuatro temas.
Este primer elemento habla de desentrañar la selección local de la selección de fondo. Tal vez no sea exactamente lo que pediste, pero esta discusión a menudo ocupa un lugar central en la literatura que habla de ambos.
Si asumimos que conocemos la variable ambiental que causa la adaptación, entonces se puede comparar la divergencia entre la población presente en diferentes ambientes y la presente en el mismo ambiente. Si la pérdida de diversidad genética es causada por la selección local, entonces la divergencia debería ser mayor entre las poblaciones que se encuentran en diferentes ambientes. Si la pérdida de diversidad genética es causada por la selección de fondo, entonces todas las poblaciones mostrarán una divergencia similar. Técnicas bayesianas como BayEnv2 ( Gunther and Coop 2013 ) aprovechan esta técnica.
Al comparar especies relacionadas, es posible encontrar regiones de baja diversidad genética. Si todos los linajes relacionados muestran una pérdida similar de diversidad genética independientemente de la existencia de un evento adaptativo, entonces la pérdida de diversidad genética probablemente se deba a la selección de fondo.
A partir de tales métodos (pero es posible que no los entienda totalmente, debería leer el documento nuevamente), algunos autores (como McVicker 2009 ) han creado B-map y lo han implementado recientemente en BayeScan ( Huber et al. 2016 ; BayeScan es un valor atípico de Fst método para detectar la adaptación local), es decir, un mapa del genoma de la intensidad de la selección de fondo medida por el valor B introducido por Charlesworth (historia del término revisada en Charlesworth 2012 )
Tanto la selección de fondo como el barrido selectivo afectan el alelo-frecuencia-espectro como para causar un exceso de alelos raros (D de Tajima < 0). Sin embargo, la fuerza del efecto y el efecto detallado en el alelo-frecuencia-espectro no es exactamente el mismo y algunos autores han sugerido usar tales diferencias para desentrañar los dos.
Recientemente, ha habido mucho interés en el uso de técnicas de aprendizaje automático para desarrollar métodos para detectar la selección. Por ejemplo, muchas personas están realizando simulaciones numéricas de poblaciones en evolución y están entrenando un algoritmo de aprendizaje automático para detectar loci bajo selección. Hejase 2020 aplica un método SVM y encuentra una radiación aviar rápida impulsada por barridos selectivos recientes. Hejase 2022 desarrolló una red neuronal recurrente (RNN) utilizando el gráfico de recombinación ancestral para inferir cómo los barridos selectivos dan forma a la diversidad genómica.
Sugerencias de lectura
Hay mucho que leer sobre el tema. Recomendaría el reciente número especial de Ecología Molecular DETECTAR SELECCIÓN EN POBLACIONES NATURALES , incluida la revisión Haasl y Payseur 2016 .
Remi.b
atongsa
Remi.b