Bias in diversity estimators and neutrality tests induced by neutral polymorphic structural variants

Cette étude dérive des attentes analytiques pour le spectre de fréquence des allèles liés à des variants structurels neutres afin de quantifier et de corriger les biais qu'ils induisent dans les estimateurs de diversité génétique et les tests de neutralité.

L'essentiel

Le Problème : La "Fête" des Gènes et les Invités Spéciaux

Imaginez que vous êtes un détective génétique. Votre travail consiste à analyser une grande fête (le génome d'une population) pour comprendre son histoire. Vous avez des outils classiques, comme Tajima's D ou Watterson's θ, qui sont un peu comme des thermomètres ou des compteurs de foule.

Normalement, ces outils sont calibrés pour une fête "standard" où tout le monde se mélange librement. Si le thermomètre indique une température étrange, vous pensez : "Ah ! Il y a quelque chose d'important qui se passe : soit une épidémie (sélection naturelle), soit un changement climatique (évolution de la population)."

Mais il y a un piège.

Dans cette fête, il y a des invités spéciaux appelés Variants Structuraux (SV). Ce sont comme des groupes de personnes qui arrivent ensemble, liés par un lien très fort (comme une famille qui ne se sépare jamais, ou un groupe de danseurs qui bouge en bloc).

• Les Inversions : C'est comme si un groupe de danseurs avait inversé l'ordre de leur chorégraphie.
• Les Insertions : C'est un groupe qui a apporté un nouveau jeu de cartes qu'ils n'ont que eux.
• Les Délétions : C'est un groupe qui a oublié de mettre ses cartes sur la table.
• Les Introgressions : C'est un groupe venu d'un autre pays, avec une culture très différente.

Le Malentendu : Quand le Thermomètre Ment

Le problème, c'est que ces groupes spéciaux (les SV) sont si liés entre eux que les petits détails génétiques (les mutations, comme des taches de rousseur sur les invités) ne peuvent pas se mélanger librement avec le reste de la foule. Ils sont "coincés" avec leur groupe.

Lorsque vous utilisez vos outils de mesure classiques sur ces zones, ils se trompent de lecture :

1. Ils voient trop de diversité : Si un groupe est très différent (comme un groupe venu d'un autre pays), vos outils pensent qu'il y a eu une explosion de mutations, alors que c'est juste une différence de fond.
2. Ils voient trop peu de diversité : Si un groupe a perdu des cartes (délétion), vos outils pensent que la population est appauvrie, alors que c'est juste une zone vide.

En résumé : Vos outils pensent que la fête est bizarre (sélection naturelle ou histoire complexe), alors qu'en réalité, c'est juste parce qu'il y a des groupes de gens qui ne se mélangent pas bien. C'est ce qu'on appelle un biais.

La Solution : Recalibrer les Outils

Les auteurs de ce papier (Ramos-Onsins et al.) disent : "Attendez, on ne peut pas utiliser les mêmes thermomètres partout !"

Ils ont créé de nouvelles formules mathématiques pour comprendre exactement comment ces groupes spéciaux (les SV) déforment la réalité.

• Ils ont calculé à quoi ressemble la "fête" idéale si on sait qu'il y a un groupe d'inversion, ou un groupe d'insertion.
• Ils ont montré que la fréquence du groupe (est-ce qu'il y en a 10 % ou 90 % ?) change tout.

L'analogie du correcteur de texte :
Imaginez que vous écrivez un texte avec un correcteur orthographique qui est calibré pour le français. Si vous lui donnez un texte en anglais, il va vous dire qu'il y a des milliers de fautes.
Ce papier dit : "Ne jetez pas le texte ! Utilisez plutôt un correcteur spécial 'Anglais' pour ce paragraphe."

Ce qu'ils proposent concrètement

1. Comprendre la distorsion : Ils ont créé des cartes précises montrant comment chaque type de variant (inversion, délétion, etc.) fausse les résultats selon sa fréquence.
2. Créer de nouveaux outils : Ils proposent de modifier les formules des détecteurs (θ, Tajima's D) pour qu'ils prennent en compte la présence de ces groupes spéciaux.
   • Au lieu de dire : "Il y a trop de mutations, c'est suspect !", le nouvel outil dira : "Il y a trop de mutations, mais c'est normal car il y a un groupe d'inversion ici. La fête est en fait normale."

Pourquoi c'est important ?

Avant, les scientifiques risquaient de confondre un simple groupe de danseurs (un variant structural neutre) avec une épidémie mystérieuse (une sélection naturelle forte).

Grâce à ce papier, on peut maintenant :

• Éviter les fausses alarmes : Ne pas crier à l'évolution bizarre quand ce n'est qu'un artefact mathématique.
• Mieux lire l'histoire : En retirant ce "bruit" de fond, on peut vraiment voir les signaux importants de l'évolution.

En conclusion : Ce papier nous apprend à ne pas juger une fête entière sur la base d'un seul groupe de gens qui ne se mélangent pas. Il nous donne les lunettes correctrices pour voir la vraie image de l'évolution génétique.

Résumé technique

1. Problématique

Les estimateurs classiques de diversité génétique (comme $\theta_W$ de Watterson et $\pi$ de Tajima) et les tests de neutralité (comme $D$ de Tajima et $H$ de Fay et Wu) reposent sur le spectre de fréquence des sites (SFS, Site Frequency Spectrum). Ces outils sont conçus pour être interprétés par rapport à une baseline neutre standard, où l'espérance du SFS suit une distribution spécifique ($\propto 1/k$).

Le problème central identifié par les auteurs est que cette hypothèse est violée dans les régions génomiques fortement liées à des variants structurels polymorphes (SV) (inversions, délétions, insertions, introgressions). Même en l'absence de sélection naturelle (neutralité stricte), la présence d'un SV polymorphe conditionne les généalogies des mutations neutres liées. Cela déforme le SFS attendu, entraînant des biais systématiques dans les estimateurs de diversité et les tests de neutralité. Ces biais dépendent fortement de la fréquence du SV et de son type, ce qui peut mener à des interprétations erronées (par exemple, détecter faussement une sélection ou une démographie non standard).

2. Méthodologie

Les auteurs développent un cadre analytique pour dériver les espérances exactes du SFS conditionnel de mutations nucléotidiques (SNV) liées à un SV biallélique neutre.

• Modélisation : Ils considèrent un échantillon de $n$ haplotypes et conditionnent l'analyse sur la fréquence de l'allèle du SV dans l'échantillon ($i$). Ils supposent un lien complet (complete linkage) entre le SV et les sites analysés.
• Classification des mutations : Pour un SV donné, les mutations neutres sont classées en cinq catégories selon leur relation avec l'allèle dérivé du SV :
  1. Strictement imbriquées (sn) : présentes uniquement dans un sous-ensemble des séquences portant le SV.
  2. Co-occurrentes (co) : présentes dans toutes les séquences portant le SV.
  3. Enveloppantes (en) : le SV est présent dans un sous-ensemble des séquences portant la mutation.
  4. Complémentaires (cm) : chaque séquence porte soit la mutation, soit le SV, mais pas les deux.
  5. Strictement disjointes (sd) : présentes uniquement dans les séquences ne portant pas le SV.
• Types de SV analysés :
  • Inversions : Les deux arrangements sont observables ; le SFS conditionnel contient les cinq composantes.
  • Délétions : La séquence n'existe que sur le fond ancestral. Le spectre est restreint aux lignées sans délétion.
  • Insertions : La séquence unique n'existe que sur le fond dérivé. Le spectre est restreint aux lignées avec insertion.
  • Introgressions : Modélisées avec des divergences profondes entre les fonds ancestraux et introgressés, ajoutant des composantes de divergence fixe.
• Calcul des biais : Les auteurs calculent l'écart entre l'espérance conditionnelle sous un SV ($E_{SV}[T|i]$) et l'espérance neutre standard ($E_0[T]$) pour les statistiques $T$ (diversité et tests de neutralité).

3. Contributions Clés

1. Dérivation analytique exacte : Fourniture des formules mathématiques exactes pour le SFS conditionnel (déplié et replié) pour quatre types majeurs de SVs neutres.
2. Quantification des biais : Établissement de la relation fonctionnelle entre la fréquence du SV, son type, et le biais induit sur $\theta_W$, $\pi$, $D$ et $H$.
3. Proposition de corrections : Développement de méthodes pour construire des estimateurs de diversité et des tests de neutralité "conscients du SV" (SV-aware). Ces nouvelles statistiques utilisent le spectre nul conditionnel approprié pour centrer les tests et corriger les estimateurs, éliminant ainsi le biais induit par la présence du SV.

4. Résultats Principaux

• Impact sur la diversité ($\theta_W$ et $\pi$) :
  • Les inversions et introgressions à fréquence intermédiaire ou élevée augmentent artificiellement la diversité estimée (biais positif), en particulier pour $\theta_W$ dû à la divergence entre les fonds génétiques.
  • Les délétions et insertions réduisent la diversité estimée (biais négatif), même lorsque les estimateurs tentent de corriger le nombre réduit de séquences. Ce biais est particulièrement fort pour les délétions fréquentes et les insertions rares.
• Impact sur les tests de neutralité ($D$ et $H$) :
  • Les inversions et introgressions de fréquence intermédiaire génèrent un excès de mutations à fréquence intermédiaire, conduisant à des valeurs positives pour $D$ et $H$ (simulant une sélection balancée ou une expansion démographique).
  • À haute fréquence, ces mêmes SVs entraînent un excès d'allèles rares ancestraux, poussant $D$ et $H$ vers des valeurs négatives (simulant une sélection directionnelle ou un goulot d'étranglement).
  • Cas des indels (insertions/délétions) : Bien que le spectre de fréquence ressemble à celui d'une expansion (insertions) ou d'une contraction (délétions) démographique, les valeurs attendues des tests $D$ et $H$ restent proches de zéro (centrées) sous neutralité stricte. Cela contraste avec les inversions où les tests sont fortement biaisés.
• Correction : Les auteurs montrent qu'en utilisant les espérances conditionnelles dérivées pour recalibrer les estimateurs, il est possible d'obtenir des statistiques non biaisées, permettant de distinguer les effets démographiques ou sélectifs réels des artefacts liés aux SV.

5. Signification et Implications

Ce travail est crucial pour l'analyse génomique moderne car :

• Il révèle que les SVs neutres sont une source majeure de faux positifs dans les tests de sélection naturelle. Ignorer la présence d'un SV polymorphe peut conduire à conclure à tort à l'existence de sélection balancée ou directionnelle.
• Il fournit un cadre théorique rigoureux pour corriger les analyses de diversité dans les régions contenant des SVs, améliorant la précision des inférences démographiques et évolutives.
• Il met en lumière les différences fondamentales dans la dynamique des spectres de fréquence selon le type de SV (les inversions affectent la structure généalogique globale, tandis que les indels affectent la présence/absence de séquences).

Limites et perspectives : L'étude suppose un lien complet et des architectures de SV simples (bialléliques). Les auteurs suggèrent que de futures recherches devront intégrer la recombinaison (lien partiel), les variants multi-alléliques complexes, et les effets de la sélection agissant directement sur le SV.

En résumé, l'article démontre que pour interpréter correctement le SFS et les tests de neutralité, il est impératif de prendre en compte la présence et la fréquence des variants structurels, et propose des outils mathématiques pour le faire.