Sobre el coeficiente de selección

Definición de coeficiente de selección

Un coeficiente de selección es una diferencia de aptitud entre dos genotipos (o haplotipos). Sean los dos genotipos Ay B. Usemos la aptitud relativa y digamos que la aptitud de Aes$w_A = 1$y la aptitud de Bes$w_B = 1 - s$, dónde$s$es el coeficiente de selección. Como consecuencia$w_A - w_B = s$.

La cuestión de la aptitud a largo plazo no está relacionada con la definición del coeficiente de selección, ya que el coeficiente de selección se define como una diferencia en la aptitud. Una pregunta de importancia es "¿Qué medida de aptitud se debe usar para una población donde las presiones selectivas están cambiando con el tiempo y/o el espacio".

¿Qué medida de aptitud se debe usar para una población donde las presiones selectivas están cambiando con el tiempo y/o el espacio?

En términos generales, si los cambios en la aptitud son en el espacio, entonces debería usar la media aritmética de la aptitud y si los cambios en la aptitud son en el tiempo, entonces debería usar la media geométrica de la aptitud, pero no es tan fácil.

El verdadero interés es si las aptitudes están correlacionadas entre generaciones. En otras palabras, ¿los individuos dentro de una generación tienden a tener valores de aptitud más similares que los individuos de otra generación? Cuando la variación en la aptitud es espacial, no se debe esperar tal correlación. Cuando la variación es temporal, se debe esperar tal correlación.

Con la esperanza de que pueda leer un código en R, lo más fácil es probablemente leer algún código que haga una simulación y ver el resultado. Así que aquí hay un código que realiza simulaciones. La diferencia clave entre las simulaciones con variación espacial y temporal es la línea que obtiene el valor de aptitud ( 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')

En azul está la simulación con variación espacial. En rojo está la simulación con variación temporal. Notarás que la media geométrica siempre es igual o menor que la media aritmética.

Ya sea que la media aritmética o geométrica sea más importante, la aptitud física afectará el sistema reproductivo que tendrá más éxito. Al respecto, debe leer Ripa et al. 2009 sobre cobertura de apuestas