Résumé technique : Le spectre de fréquence des sites dans une population à croissance exponentielle avec sélection

Énoncé du problème

Ce travail étudie le spectre de fréquence des sites (SFS), plus précisément la distribution des fréquences alléliques des mutants, au sein d'une population connaissant une croissance exponentielle pilotée par des mutations conductrices (drivers). Alors que le SFS pour l'évolution neutre (où les mutations ne confèrent aucun avantage de fitness) est bien caractérisé — suivant typiquement une loi en $1/j^2$ en espérance pour les populations en croissance exponentielle — le comportement du SFS sous l'effet de la sélection reste moins bien compris.

Les auteurs se concentrent sur un processus de naissance-mort linéaire continu à deux types où :

• Type-0 (Type sauvage) : les cellules croissent avec un taux de Malthus net $\lambda_0 > 0$.
• Type-1 (Mutant/Driver) : les cellules émergent des cellules de Type-0 via une mutation et possèdent un taux de croissance net plus élevé $\lambda_1 = \lambda_0 + b$, où $b > 0$ représente l'avantage sélectif.
  Le modèle autorise à la fois des mutations dépendantes de la réplication (survenant lors de la division cellulaire) et des mutations indépendantes de la réplication (survenant à un taux constant).

L'objectif principal est de caractériser le SFS des drivers, noté $S_j(t)$, qui compte le nombre de clones distincts de type driver de taille $j$ à l'instant $t$. L'étude vise à dériver des moments exacts, des comportements asymptotiques (en temps et en fréquence) ainsi que des résultats de convergence presque sûre, étendant les travaux précédents sur l'évolution neutre et les approximations semi-déterministes.

Méthodologie

Les auteurs emploient un cadre probabiliste rigoureux basé sur la théorie des processus de branchement.

1. Formulation du modèle :

   • Le système est modélisé comme un processus de branchement réductible où les cellules de Type-0 forment un processus supercritique amorçant des clones de Type-1.
   • Chaque clone de Type-1 évolue comme un processus de naissance-mort linéaire indépendant avec un taux de naissance $a+b$ et un taux de décès $d$.
   • L'analyse considère deux scénarios : la fitness déterministe ( $b$ fixe) et la fitness aléatoire (où l'avantage de fitness $B$ de chaque clone est tiré d'une distribution $Q$).

2. Techniques analytiques :

   • Moments exacts : Les auteurs dérivent des représentations intégrales pour le premier et le second moment de $S_j(t)$ en effectuant un conditionnement sur les temps d'initiation des clones et la trajectoire de la population de Type-0.
   • Analyse asymptotique : Les limites de temps grandissant ($t \to \infty$) et de fréquence grandissante ($j \to \infty$) sont analysées en utilisant les propriétés des variables aléatoires limites des processus de branchement (par exemple, $Y = \lim e^{-\lambda_0 t} Z_0(t)$ et $Y^{(i)}_1 = \lim e^{-\lambda_1 t} Z^{(i)}_1(t)$).
   • Convergence presque sûre : Pour prouver les lois fortes des grands nombres, les auteurs construisent des approximations $L^2$. Ils décomposent le SFS en processus monotones (comptant les entrées et sorties de la taille $j$) et utilisent des arguments de martingales ainsi que des lemmes de Borel-Cantelli pour établir la convergence.
   • Taille de détection fixe : L'analyse s'étend aux temps de détection aléatoires $\tau_n$ (lorsque la taille totale de la population atteint $n$), en utilisant la relation entre le temps et la taille dans une croissance supercritique ($\tau_n \sim \frac{1}{\lambda_1} \ln n$).

Contributions clés et résultats

1. Moments exacts et comportement moyen

L'article fournit des formules intégrales exactes pour la moyenne et le second moment du SFS des drivers.

• Effet de la sélection : Les auteurs prouvent que l'augmentation de la force de sélection $b$ diminue la fréquence des petits clones ( $j$ proche de 1) dans le SFS moyen. Cela s'explique par le fait qu'une sélection plus forte pousse les clones à dépasser rapidement les petites tailles, réduisant le temps qu'ils passent dans la catégorie des "faibles fréquences".
• Lois de puissance asymptotiques : Pour de grands $j$ et de grands $t$, le SFS moyen suit une loi de puissance :
  $$\lim_{t \to \infty} e^{-\lambda_0 t} E[S_j(t)] \sim C \cdot j^{-\lambda_0/\lambda_1 - 1}$$
  Dans le modèle de fitness aléatoire, le comportement de la queue est dominé par les clones possédant l'avantage de fitness maximal $b_{max}$, présentant une loi de puissance avec une correction logarithmique.

2. Convergence presque sûre (Lois fortes)

Une contribution majeure est la preuve des Lois Fortes des Grands Nombres pour le SFS des drivers.

• Temps fixe : Conditionnellement à la non-extinction, $e^{-\lambda_0 t} S_j(t)$ converge presque sûrement vers une variable aléatoire proportionnelle à la taille limite de la population de Type-0, $Y$.
• Taille fixe : De même, $n^{-\lambda_0/\lambda_1} S_j(\tau_n)$ converge presque sûrement vers une variable aléatoire impliquant $Y$ et la taille limite de la population de Type-1, $W$.
• SFS normalisé : La fraction de mutations à la fréquence $j$ par rapport au nombre total de mutations converge vers une limite déterministe qui dépend uniquement du ratio des taux de croissance $\lambda_0/\lambda_1$ et de la probabilité d'extinction $p_1$. Cela suggère que la forme du SFS peut être utilisée pour inférer des paramètres évolutifs.

3. Sparsité et fréquences de coupure

Les auteurs étudient le comportement de $S_j(t)$ lorsque la fréquence $j$ varie avec le temps, spécifiquement $j(t)$. Ils identifient une fréquence de coupure critique dont l'échelle est :
$$j(t) \sim \exp\left( \frac{\lambda_0 \lambda_1}{\lambda_0 + \lambda_1} t \right)$$

• Trichotomie :
  • Si $j(t)$ croît plus vite que ce taux, le nombre de clones de cette taille tend vers 0.
  • Si $j(t)$ croît à ce rythme, le nombre de clones converge en distribution vers une variable aléatoire de Poisson (conditionnellement à la non-extinction).
  • Si $j(t)$ croît plus lentement, le nombre de clones tend vers l'infini.
    Ce seuil représente l'équilibre entre la production de nouveaux clones et leur croissance jusqu'à la taille $j(t)$.

4. SFS relatif et grands clones

L'article analyse le SFS relatif, $R_f(t)$, qui compte les clones composant une fraction $> f$ de la population totale de mutants.

• Limite de faible fréquence : Lorsque $f \to 0$, le SFS relatif suit une loi de puissance $f^{-\lambda_0/\lambda_1}$.
• Connexion avec les modèles semi-déterministes : Dans la limite de faible mutation, les auteurs justifient rigoureusement les approximations semi-déterministes utilisées dans la littérature antérieure (ex: Durrett et Tung). Ils montrent que le modèle stochastique converge vers le modèle semi-déterministe où la population de type sauvage croît de manière déterministe.
• Plus grand clone : La taille du plus grand clone mutant, normalisée par la population totale, converge vers la borne supérieure d'une distribution de Poisson-Dirichlet (spécifiquement $PD(\alpha, 0)$ où $\alpha = \lambda_0/\lambda_1$) dans la limite de faible mutation.

5. Comportement de la queue à taille de détection fixe

À une taille de détection $n$ fixée, le SFS présente une masse ponctuelle à $j=n$ (représentant le clone unique le plus grand ayant atteint la taille $n$). La probabilité de cet événement dépend de la compétition entre la population de type sauvage et la population mutante au moment de la première mutation.

Signification et affirmations

L'article prétend fournir une caractérisation théorique complète du SFS des drivers dans une population en croissance exponentielle stochastique avec sélection.

• Estimation de paramètres : Les auteurs affirment que les théorèmes limites dérivés permettent l'estimation de paramètres évolutifs, spécifiquement l'augmentation de la fitness ($b$) des cellules mutantes par rapport aux cellules sauvages. Puisque le SFS normalisé converge vers une fonction déterministe de $\lambda_0/\lambda_1$, on peut théoriquement inverser le SFS observé pour estimer la force de la sélection.
• Justification rigoureuse : Ce travail fournit un fondement stochastique rigoureux pour les modèles semi-déterministes précédemment utilisés, confirmant leur validité dans la limite de faible mutation.
• Distinction de l'évolution neutre : Les résultats soulignent comment la sélection modifie fondamentalement la forme du SFS par rapport aux modèles neutres, notamment en supprimant les clones de faible fréquence et en créant une queue de loi de puissance spécifique déterminée par le ratio des taux de croissance.

Les auteurs notent que leur travail actuel se concentre sur une seule mutation conductrice et le SFS des drivers spécifiquement. Ils reconnaissent que des travaux futurs étendront ces analyses pour inclure les mutations "passagères" (hitchhiker) et l'acquisition séquentielle de drivers dans des populations à plusieurs types.