📄 evolutionary biology

Comparison of the Distribution of Fitness Effects Across Primates

38 कैट्रोलाइन प्राइमेट्स में फिटनेस प्रभावों के वितरण का विश्लेषण करके, यह अध्ययन प्रदर्शित करता है कि हानिकारक उत्परिवर्तनों में अंतर-प्रजाति भिन्नता मुख्य रूप से प्रभावी जनसंख्या आकार में भिन्नता द्वारा संचालित होती है न कि क्लैड-विशिष्ट कारकों द्वारा, जो लगभग तटस्थ सिद्धांत (nearly neutral theory) का समर्थन करती है और जनसांख्यिकीय इतिहास एवं प्रभाविता प्रभावों के प्रति इन निष्कर्षों की मजबूती की पुष्टि करती है।

मूल लेखक: Sendrowski, J., Pedersen, B. M., Bergman, J., Pankratov, V., Bataillon, T.

प्रकाशित 2026-03-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sendrowski, J., Pedersen, B. M., Bergman, J., Pankratov, V., Bataillon, T.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

मुख्य चित्र: प्राइमेट्स का "फिटनेस लैंडस्केप" (Fitness Landscape)

कल्पना कीजिए कि एक प्राइमेट (जैसे मानव, चिंपैंजी या बंदर) के जीनोम को एक विशाल, जटिल वीडियो गेम की दुनिया के रूप में देखा जा रहा है। इस दुनिया में, हर बार जब एक खिलाड़ी (एक कोशिका) कोई चाल (उत्परिवर्तन/mutation) चलता है, तो यह पात्र के आंकड़ों (stats) को बदल देता है। कुछ चालें पात्र को सुपर स्ट्रॉन्ग बनाती हैं (लाभदायक), कुछ उन्हें थोड़ा अनाड़ी बना देती हैं (हल्की हानिकारक), और कुछ तुरंत "गेम ओवर" कर देती हैं (घातक)।

डिस्ट्रीब्यूशन ऑफ फिटनेस इफेक्ट्स (DFE) मूल रूप से एक रिपोर्ट कार्ड है जो हमें बताता है: "एक खिलाड़ी द्वारा किए जा सकने वाले सभी संभावित रैंडम मूव्स में से, कितने प्रतिशत अच्छे, बुरे या घातक हैं?"

यह शोध एक बहुत बड़ा सवाल पूछता है: क्या यह रिपोर्ट कार्ड सभी प्राइमेट्स के लिए एक जैसा है, या यह प्रजातियों के आधार पर बदल जाता है?

मुख्य खोज: यह खेल नहीं है, यह भीड़ का आकार है

शोधकर्ताओं ने 3в विभिन्न प्राइमेट प्रजातियों (ग्रेट एप्स से लेकर विभिन्न बंदरों तक) का अध्ययन किया। उन्होंने पाया कि कुछ बहुत ही दिलचस्प: खेल के "नियम" (अंतर्निहित फिटनेस लैंडस्केप) लगभग सभी के लिए बिल्कुल एक जैसे हैं।

हालाँकि, खेल खेलने का अनुभव इस बात पर बहुत अलग होता है कि एक साथ कितने लोग खेल रहे हैं। यही इफेक्टिव पॉपुलेशन साइज ( $N_e$ ) की मुख्य अवधारणा है।

उपमा (Analogy): कल्पना कीजिए कि दो समूह एक टूटी हुई कार को ठीक करने की कोशिश कर रहे हैं।
- समूह A (छोटी आबादी): एक छोटा सा गाँव जहाँ केवल 10 लोग हैं। यदि कोई गलत सुधार का सुझाव देता है, तो समूह गलती से उसे रख सकता है क्योंकि उनके पास इसके विरोध में तर्क देने के लिए पर्याप्त लोग नहीं हैं। वे "ड्रिफ्ट" (रैंडम चांस) से आसानी से प्रभावित हो सकते हैं।
- समूह B (बड़ी आबादी): एक विशाल शहर जहाँ 10,000 मैकेनिक हैं। यदि कोई गलत सुधार का सुझाव देता है, तो लोगों की भारी संख्या यह सुनिश्चित करती है कि उसे तुरंत पहचान लिया जाए और खारिज कर दिया जाए। उनके पास उच्च "सिलेक्शन एफिशिएंसी" (चयन दक्षता) होती है।

शोध का निष्कर्ष:
अध्ययन में पाया गया कि बड़ी आबादी वाली प्रजातियां (जैसे कुछ मकाक बंदर) उस विशाल शहर की तरह हैं। वे खराब उत्परिवर्तनों (mutations) को पहचानने और हटाने में इतनी कुशल हैं कि उनका जेनेटिक "रिपोर्ट कार्ड" ऐसा दिखता है जैसे उनमें "बहुत अधिक खराब" उत्परिवर्तनों का प्रतिशत अधिक है। क्यों? क्योंकि वे "हल्के खराब" उत्परिवर्तनों को हटाने में इतनी कुशल हैं कि केवल वास्तव में भयानक उत्परिवर्तन ही बचते हैं।

इसके विपरीत, छोटी आबादी वाली प्रजातियां (जैसे मानव या चिंपैंजी) उस छोटे गाँव की तरह हैं। वे बहुत सारे "हल्के खराब" उत्परिवर्तनों को अपने पास रखते हैं क्योंकि वे उन सभी को बाहर निकालने में पर्याप्त कुशल नहीं हैं।

मुख्य बात: रिपोर्ट कार्ड में अंतर इसलिए नहीं है क्योंकि मनुष्यों और बंदरों के जैविक नियम अलग हैं; बल्कि इसलिए है क्योंकि "गाँव" (मानव) उस "शहर" (कुछ बंदरों) से छोटा है, इसलिए गाँव अधिक कचरा जमा रखता है।

"छिपा हुआ" कारक: डोमिनेंस (मास्किंग प्रभाव)

शोधकर्ताओं ने यह भी पूछा: "क्या होगा अगर खराब उत्परिवर्तन 'रिसेसिव' (recessive) हों?"

उपमा: कल्पना कीजिए कि एक खराब उत्परिवर्तन एक टूटे हुए बल्ब की तरह है।
- एडिटिव (कोई मास्किंग नहीं): यदि आपके पास एक टूटा हुआ बल्ब है, तो रोशनी 50% कम है। हर कोई इसे देख सकता है।
- रिसेसिव (मास्किंग): यदि आपके पास एक टूटा हुआ बल्ब और एक सही बल्ब है, तो सही वाला बल्ब उसके प्रभाव को ढक लेता है, और रोशनी सामान्य दिखती है। समस्या तब तक "छिपी" रहती है जब तक आपके पास दो टूटे हुए बल्ब न हों।

पेपर ने परीक्षण किया कि क्या यह मान लेना कि उत्परिवर्तन "छिपे हुए" (रिसेसिव) हैं, परिणामों को बदल देता है। उन्होंने पाया कि हालांकि इससे आंकड़े थोड़े बदल जाते हैं, लेकिन यह मुख्य कहानी को नहीं बदलता है। "मास्किंग" प्रभाव वास्तविक है, लेकिन यह प्रजातियों के बीच के अंतर को स्पष्ट नहीं करता है। मुख्य चालक अभी भी जनसंख्या का आकार ही है।

"लाभदायक" उत्परिवर्तन: दुर्लभ सोने के सिक्के

अध्ययन ने लाभकारी उत्परिवर्तनों (अच्छे मूव्स) को भी देखा।

निष्कर्ष: बड़ी आबादी वाली प्रजातियां अधिक लाभकारी उत्परिवर्तनों को खोजने और रखने में सक्षम होती हैं।
उपमा: 10,000 लोगों के शहर में, यदि कोई जीनियस एक नया टूल आविष्कार करता है, तो इसकी संभावना अधिक है कि उसे देखा और अपनाया जाएगा। 10 लोगों के गाँव में, यदि वही जीनियस वही टूल आविष्कार करता है, तो शायद इससे पहले कि कोई उसे नोटिस करे, उसकी मृत्यु भी हो सकती है।
चेतावनी: शोधकर्ता इस बात को लेकर सावधान थे कि डेटा में इन "अच्छे" उत्परिवर्तनों को खोजना बहुत कठिन है। यह रेत के ढेर में एक अकेला सोने का सिक्का खोजने जैसा है; सिग्नल बहुत कमजोर है।

यह क्यों महत्वपूर्ण है

संरक्षण (Conservation): यह सुझाव देता है कि प्राइमेट्स में मौलिक "जीवन के नियम" (उत्परिवर्तन फिटनेस को कैसे प्रभावित करते हैं) पिछले 30 मिलियन वर्षों में बहुत अधिक नहीं बदले हैं। हम सभी एक ही नियम पुस्तिका के अनुसार खेल रहे हैं।
डेमोग्राफी ही सर्वोपरि है: जब हम प्रजातियों के बीच जेनेटिक स्वास्थ्य में अंतर देखते हैं, तो हमें तुरंत "अलग जीव विज्ञान" पर दोष नहीं मढ़ना चाहिए। हमें पहले जनसंख्या के आकार को देखना चाहिए। एक छोटी आबादी स्वाभाविक रूप से जेनेटिक त्रुटियों को साफ करने में "लापरवाह" होती है।
कार्यप्रणाली (Methodology): यह पेपर साबित करता है कि उनके कंप्यूटर मॉडल ("साइट फ्रीक्वेंसी स्पेक्ट्रा" का उपयोग करके) मजबूत हैं। भले ही आप जटिल वंशावली, जनसंख्या गिरावट या छिपे हुए रिसेसिव गुणों को ध्यान में रखें, मुख्य निष्कर्ष स्थिर रहता है।

संक्षेप में

विकास (Evolution) को एक क्वालिटी कंट्रोल प्रक्रिया के रूप में देखें।

बड़ी आबादी सख्त, उच्च-मात्रा वाले कारखानों की तरह है। वे लगभग हर छोटी कमी को पकड़ लेते हैं, इसलिए अंतिम उत्पाद बहुत "शुद्ध" दिखता है, लेकिन प्रक्रिया गहन होती है।
छोटी आबादी छोटे, कारीगर वर्कशॉप की तरह है। वे कुछ मामूली दोषों को निकलने देते हैं क्योंकि उनके पास पर्याप्त निरीक्षक नहीं होते।

यह पेपर पुष्टि करता है कि ब्लूप्रिंट (जीनोम की क्षमता) सभी प्राइमेट्स के लिए समान है। क्वालिटी कंट्रोल (गलतियों को साफ करने की क्षमता) वह है जो बदलता है, और यह पूरी तरह से इस बात पर निर्भर करता है कि वर्कशॉप कितनी बड़ी है।

यहाँ सेन्ड्रोव्स्की (Sendrowski) और अन्य द्वारा लिखित शोध पत्र "Comparison of the Distribution of Fitness Effects Across Primates" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

नए उत्परिवर्तनों (mutations) का फिटनेस प्रभाव वितरण (Distribution of Fitness Effects - DFE) एक मौलिक पैरामीटर है, जो प्राकृतिक चयन की प्रभावकारिता, जेनेटिक लोड और अनुकूलन की दर को निर्धारित करता है। जबकि DFE अंतर्नि\भूत फिटनेस लैंडस्केप का एक संक्षिप्त सारांश प्रदान करता है, विभिन्न प्रजातियों के बीच DFE की तुलना करना एक महत्वपूर्ण वैचारिक और पद्धतिगत चुनौती पेश करता है:

इकाई विनिमय क्षमता (Unit Interchangeability): प्रयोगात्मक विकास (experimental evolution) अन-स्केल्ड चयन गुणांकों ( $s$ ) को मापता है, जबकि साइट फ्रीक्वेंसी स्पेक्ट्रम (SFS) पर आधारित जनसंख्या जीनोमिक अनुमान आमतौर पर जनसंख्या-स्केल गुणांकों ( $S = 4N_e s$ ) को प्रस्तुत करते हैं।
भ्रामक कारक (Confounding Factors): $N_e$ (प्रभावी जनसंख्या आकार) में अंतर, वास्तविक फिटनेस लैंडस्केप ( $s$ ) में अंतर की नकल कर सकता है। यदि इन्हें ठीक से अलग नहीं किया गया, तो देखे गए DFE में भिन्नता वास्तविक फिटनेस लैंडस्केप टोपोलॉजी में परिवर्तन के बजाय जेनेटिक ड्रिफ्ट (genetic drift) व्यवस्थाओं में अंतर को दर्शा सकती है।
प्रभुत्व अनिश्चितता (Dominance Uncertainty): अधिकांश हानिकारक उत्परिवर्तन आंशिक रूप से रिसेसिव (recessive) होते हैं। हालाँकि, डोमिनेंस गुणांक ( $h$ ) को SFS डेटा से अनुमानित करना अत्यंत कठिन है, और मानक तुलनात्मक अध्ययन अक्सर योगात्मक प्रभावों (additive effects, $h=0.5$ ) को मान लेते हैं, जिससे प्रजातियों के बीच तुलना पक्षपाती हो सकती है।

लेखक यह निर्धारित करने के लिए 38 कैटराइन प्राइमेट उप-प्रजातियों में DFE का अनुमान लगाने के उद्देश्य से इन मुद्दों को हल करने का प्रयास करते हैं कि क्या फिटनेस लैंडस्केप संरक्षित है या देखे गए अंतर मुख्य रूप से $N_e$ में भिन्नता के कारण हैं।

2. कार्यप्रणाली (Methodology)

डेटा और प्रीप्रोसेसिंग (Data and Preprocessing)

डेटासेट: 'प्राइमेट डायवर्सिटी पैनल' (बर्गमैन एट अल., 2025) से 38 कैटराइन उप-प्रजातियों (1,873 व्यक्ति) का एक उपसमुच्चय, जिसमें 11 महान वानर (great apes), 14 मकाक (macaques), 6 बेबीन (baboons) और अन्य ओल्ड वर्ल्ड मंकी शामिल हैं।
संदर्भ जीनोम (Reference Genomes): दूर के संबंधित प्रजातियों में कोऑर्डिनेट ट्रांसफर बायस (coordinate transfer biases) से बचने के लिए, लेखकों ने एक एकल सामान्य संदर्भ के बजाय प्रजाति-विशिष्ट संदर्भ जीनोम का उपयोग किया।
पूर्वज अवस्था अनुमान (Ancestral State Inference): इनग्रुप कोऑर्डिनेट्स पर आउटग्रुप अनुक्रमों को उठाने के लिए Minimap2 का उपयोग करके कस्टम वर्कफ़्लो विकसित किए गए। पूर्वज एलील्स का अनुमान fastDFE के माध्यम से EST-SFS मॉडल (कीथले और जैक्सन, 2018) का उपयोग करके लगाया गया।
साइट वर्गीकरण: कोडिंग साइट्स को 4-फोल्ड डिजेनरेट (न्यूट्रल) या 0-फोल्ड डिजेनरेट (चयनित) के रूप में वर्गीकृत किया गया ताकि अलग-अलग SFS इनपुट उत्पन्न किए जा सकें।

अनुमान ढांचा (Inference Framework - `fastDFE`)

अध्ययन ने दो प्राथमिक पैरामीट्राइजेशन के साथ fastDFE सॉफ्टवेयर पैकेज का उपयोग किया:

गामा-एक्सपोनेंशियल मॉडल: हानिकारक प्रभाव रिफ्लेक्टेड गामा वितरण का पालन करते हैं; लाभकारी प्रभाव एक्सपोनेंशियल वितरण का पालन करते हैं।
डिस्क्रीट मॉडल: $S$ के पूर्व-निर्धारित अंतरालों (जैसे, $[-\infty, -100], [-100, -10], \dots$ ) को भार (weights) आवंटित करता है ताकि पैरामीट्रिक धारणाओं से बचा जा सके।

प्रमुख विस्तार:

डोमिनेंस मॉडलिंग: लेखकों ने डोमिनेंस गुणांकों ( $h$ ) को संयुक्त रूप से अनुमानित करने या स्थिर करने के लिए fastDFE का विस्तार किया। उन्होंने एक ऐसा मॉडल लागू किया जहाँ $h$ , चयन की शक्ति ( $S$ ) के साथ सह-चरित (covary) करता है, विशेष रूप से एक फलन का परीक्षण किया जहाँ कमजोर रूप से चयनित उत्परिवर्तन लगभग योगात्मक होते हैं और अत्यधिक हानिकारक उत्परिवर्तन रिसेसिव होते हैं ( $h(S) = 0.4e^{-0.02|S|}$ )।
डेमोग्राफिक सुधार (Demographic Correction): गैर-संतुलन जनसांख्यिकीय इतिहास (bottlenecks, expansions) को ठीक करने के लिए न्यूट्रल SFS से प्राप्त न्युसेंस पैरामीटर्स (nuisance parameters) का उपयोग किया गया।

सांख्यिकीय विश्लेषण (Statistical Analysis)

रिग्रेशन: $\log_{10}(N_e)$ के साथ DFE गुणों के जुड़ाव का परीक्षण ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) और ब्राउनियन मोशन एवं ग्राफेन के ब्रांच-लेंथ ट्रांसफॉर्मेशन के साथ फाइलोगेनेटिक जनरलाइज्ड लीस्ट स्क्वायर्स (PGLS) का उपयोग करके किया गया।
सिमुलेशन: विभिन्न जनसांख्यिकीय परिदृश्यों, डोमिनेंस मॉडल और नमूना आकारों के तहत अनुमान सटीकता को मान्य करने के लिए SLiM का उपयोग करके व्यापक फॉरवर्ड सिमुलेशन किए गए।

3. प्रमुख योगदान (Key Contributions)

$N_e$ बनाम $s$ के विरोधाभास का समाधान: यह अध्ययन कठोरता से प्रदर्शित करता है कि हालांकि स्केल्ड इकाइयों ( $S$ ) में DFE अलग दिखाई देते हैं, वे अन-स्केल्ड इकाइयों ( $s$ ) में काफी हद तक संरक्षित (conserved) हैं। यह सुझाव देता है कि अंतर्निहित फिटनेस लैंडस्केप अपरिवर्तित है, और देखे गए अंतर $N_e$ में भिन्नता द्वारा संचालित होते हैं।
मजबूत डोमिनेंस मॉडलिंग: लेखक डोमिनेंस को DFE अनुमान में शामिल करने के लिए एक ढांचा प्रदान करते हैं। वे दिखाते हैं कि हालांकि $h$ केवल SFS से कमजोर रूप से पहचानने योग्य है, आंशिक रिसेसिविटी (partial recessivity) को मानने से केवल एक मामूली, व्यवस्थित पूर्वाग्रह (systematic bias) होता है जो क्रॉस-स्पीशीज तुलनात्मक निष्कर्षों को नहीं बदलता है।
पद्धतिगत सत्यापन (Methodological Validation): यह अध्ययन जटिल जनसांख्यिकीय परिदृश्यों (bottlenecks, structure) के विरुद्ध fastDFE को मान्य करता है और दिखाता है कि न्युसेंस पैरामीटर्स के माध्यम से डेमोग्राफिक सुधार, जनसंख्या संतुलन में न होने पर भी मजबूत अनुमान सक्षम बनाता है।
पिछले निष्कर्षों का पुनर्मूल्यांकन: यह अध्ययन ग्रेट एप्स के संबंध में कास्टेलानो एट अल. (2019) के डेटा का पुन: विश्लेषण करता है, और पाता है कि पहले रिपोर्ट किए गए आउटलेयर्स (बोनोबो और पश्चिमी चिंपांजी) और $N_e$ एवं अन-स्केल्ड $s$ के बीच विशिष्ट सहसंबंध संभवतः पैरामीट्राइजेशन या सांख्यिकीय शोर के परिणाम थे, न कि मजबूत जैविक संकेत।

4. प्रमुख परिणाम (Key Results)

फिटनेस लैंडस्केप का संरक्षण:
- जब DFEs को अन-स्केल्ड चयन गुणांकों ( $s$ ) में परिवर्तित किया जाता है, तो सभी 38 प्राइमेट उप-प्रजातियों में वितरण व्यापक रूप से समान होते हैं।
- $N_e$ और अन-स्केल्ड चयन गुणांकों के बीच कोई महत्वपूर्ण जुड़ाव नहीं है, जो एक संरक्षित फिटनेस लैंडस्केप की परिकल्पना का समर्थन करता है।
प्रभावी जनसंख्या आकार ( $N_e$ ) का प्रभाव:
- स्केल्ड इकाइयों ( $S$ ) में, $N_e$ और मजबूत रूप से हानिकारक उत्परिवर्तनों ( $S \in (-\infty, -10]$ ) के अंश के बीच एक मजबूत सकारात्मक सहसंबंध है।
- इसके विपरीत, $N_e$ और मध्यम/मामूली रूप से हानिकारक तथा प्रभावी रूप से न्यूट्रल उत्परिवर्तनों के अंश के बीच एक नकारात्मक सहसंबंध है।
- व्याख्या: यह नियरली न्यूट्रल थ्योरी (Nearly Neutral Theory) के अनुरूप है। बड़ी आबादी मामूली रूप से हानिकारक उत्परिवर्तनों को अधिक कुशलता से हटा देती है, जिससे पृथक (segregating) वेरिएंट का देखा गया वितरण मजबूत हानिकारक टेल (tail) की ओर स्थानांतरित हो जाता है।
डोमिनेंस प्रभाव:
- यह मानना कि उत्परिवर्तन आंशिक रूप से रिसेसिव ( $h < 0.5$ ) हैं, अनुमानित DFE को अधिक हानिकारक मानों की ओर स्थानांतरित करता है (हेटरोजीगोट्स में मास्किंगिंग की भरपाई के लिए)।
- हालाँकि, यह बदलाव सभी प्रजातियों में सुसंगत है। इसलिए, डोमिनेंस धारणा के बावजूद तुलनात्मक निष्कर्ष मजबूत रहते हैं।
- सिमुलेशन पुष्टि करते हैं कि $h$ को SFS डेटा से अकेले पहचानना कठिन है क्योंकि यह चयन शक्ति ( $S$ ) के साथ मजबूत गैर-पहचान योग्यता (non-identifiability) रखता है।
लाभकारी उत्परिवर्तन (Beneficial Mutations):
- $N_e$ और स्थिर लाभकारी प्रतिस्थापन ( $\alpha$ ) के अनुपात के बीच एक सकारात्मक सहसंबंध पाया गया, हालांकि यह संकेत DFE पैरामीट्राइजेशन और SFS नमूना आकार के प्रति संवेदनशील है।
- पृथक लाभकारी उत्परिवर्तनों का अनुपात ( $p_b$ ) अत्यधिक परिवर्तनशील है और केवल पॉलीमॉर्फिज्म डेटा से सटीक रूप से अनुमान लगाना कठिन है।
सिमुलेशन अंतर्दृष्टि:
- न्युसेंस पैरामीटर्स का उपयोग करके डेमोग्राफिक सुधार, मजबूत बॉटलनेक्स (bottlenecks) और विस्तार के तहत भी वास्तविक DFE आकार को सफलतापूर्वक रिकवर करता है।
- पूर्ण DFE (लाभकारी उत्परिवर्तनों सहित) का अनुमान लगाने के लिए बड़े नमूना आकार ( $n \ge 20$ ) और उच्च SNP काउंट ( $>10^4$ ) की आवश्यकता होती है ताकि कमजोर रूप से हानिकारक और कमजोर रूप से लाभकारी उत्परिवर्तनों के बीच अंतर किया जा सके।

5. महत्व (Significance)

यह अध्ययन तुलनात्मक जीनोमिक्स के लिए एक महत्वपूर्ण पद्धतिगत और वैचारिक ढांचा प्रदान करता है। स्केल्ड ( $N_e s$ ) और अन-स्केल्ड ( $s$ ) चयन गुणांकों के बीच स्पष्ट रूप से अंतर करके, लेखक यह प्रदर्शित करते हैं कि प्राइमेट्स में DFEs में दिखने वाली विविधता मुख्य रूप से भिन्न प्रभावी जनसंख्या आकारों का एक आर्टिफैक्ट है, न कि फिटनेस लैंडस्केप में मौलिक परिवर्तन।

ये निष्कर्ष नियरली न्यूट्रल थ्योरी को पॉलीमॉर्फिज्म पैटर्न में अंतर-प्रजाति भिन्नता के प्राथमिक चालक के रूप में सुदृढ़ करते हैं। इसके अलावा, डोमिनेंस को मॉडल करने के लिए उपकरणों का विकास और जटिल जनसांख्यिकी के तहत अनुमान का सत्यापन, जीवन के वृक्ष (tree of life) में सूक्ष्म, वास्तविक फिटनेस लैंडस्केप परिवर्तनों का पता लगाने के लिए एक अधिक मजबूत टूलकिट प्रदान करता है। यह कार्य सुझाव देता है कि प्राइमेट फिटनेस लैंडस्केप उल्लेखनीय रूप से स्थिर है, और विकासवादी अंतर मुख्य रूप से इस बात से उत्पन्न होते हैं कि विभिन्न आबादी अपनी जनसंख्या के आकार के आधार पर हानिकारक उत्परिवर्तनों को कितनी कुशलता से "देख" और हटा सकती है।