Fitness inference tested by in silico population genetics

Sintesi Tecnica: Inferenza della Fitness Testata tramite Genetica di Popolazione In Silico

Definizione del Problema
Il documento affronta la sfida di inferire i parametri di fitness e l'ordine relativo di fitness dei genotipi a partire da dati genetici in serie temporali (sequenze dell'intero genoma campionate in più punti temporali). Sebbene tali dati siano sempre più disponibili per microbi, DNA antico e patogeni umani, distinguere i segnali di selezione deterministica dal rumore stocastico (deriva genetica), dalla mutazione e dalla ricombinazione rimane tecnicamente difficile. Gli autori investigano specificamente se sia possibile recuperare i paesaggi di fitness da dati di popolazione e delineare gli intervalli di parametri in cui tale inferenza è fattibile rispetto a dove fallisce.

Metodologia
Lo studio impiega una valutazione competitiva di due distinti schemi di inferenza della fitness utilizzando simulazioni in silico generate tramite il toolbox FFPopSim. Le simulazioni modellano popolazioni aploidi ($N=1000$) con una lunghezza del genoma $L=25$ che evolvono per $T=30$ generazioni sotto selezione naturale, mutazione, ricombinazione ($r=0.5$) e deriva genetica. La fitness è modellata come una funzione quadratica di genotipi binari, includendo effetti additivi ($f_i$) e interazioni epistatiche a coppie ($f_{ij}$).

I due metodi confrontati sono:

1. Marginal Path Likelihood (MPL): Basato sull'approssimazione di diffusione di Kimura e sul modello di Wright-Fisher. Assume popolazioni finite dove la deriva genetica è significativa. MPL si basa sulla massimizzazione della probabilità di percorso delle traiettorie delle frequenze alleliche osservate. Fondamentalmente, l'implementazione standard di MPL qui considerata assume un paesaggio di fitness puramente additivo e non modella esplicitamente l'epistasi, trattando i coefficienti non nulli di interazione come fattori di confondimento.
2. Transient Quasi-Linkage Equilibrium (tQLE): Basato sull'assunto che lo stato della popolazione segua transitoriamente una distribuzione di Gibbs-Boltzmann. Questo metodo è progettato per popolazioni infinite (ignorando la deriva genetica) e incorpora esplicitamente sia i parametri di fitness additivi che quelli epistatici. Utilizza equazioni di rilassamento per inferire i parametri del modello di Potts ($h_i, J_{ij}$) che vengono poi mappati nuovamente sui coefficienti di fitness.

Gli autori hanno testato questi metodi attraverso vari regimi di parametri, variando i tassi di mutazione ($\mu$) e la varianza degli effetti di fitness additivi ($\sigma(f_i)$) ed epistatici ($\sigma(f_{ij})$). Il principale metrica di valutazione non è stata solo l'accuratezza numerica dei coefficienti inferiti, ma l'ordine di rango dei genotipi per fitness, concentrandosi in particolare sul top 5% delle sequenze più adatte.

Risultati Chiave

• Paesaggi Additivi: In scenari puramente additivi, sia MPL che tQLE hanno inferito accuratamente gli effetti di fitness. L'accuratezza dell'inferenza è migliorata quando la selezione e la mutazione erano più deboli. Tuttavia, entrambi i metodi tendevano a sottostimare l'entità della selezione per le mutazioni più impattanti sotto selezione forte, pur mantenendo un'alta accuratezza nel ranking relativo.
• Paesaggi Epistatici:
  • Bassa Epistasi/Alta Varianza Additiva: All'aumentare della componente additiva della fitness, MPL ha superato tQLE nella correlazione di rango globale. Ciò è attribuito alla capacità di MPL di gestire il rumore della popolazione finita (deriva genetica), mentre tQLE assume una popolazione infinita.
  • Alta Epistasi/Bassa Varianza Additiva: Quando i contributi epistatici dominavano, tQLE ha superato MPL. MPL, mancando di un termine epistatico, ha faticato a ordinare correttamente i genotipi in cui le interazioni erano il driver principale della fitness.
  • Sequenze Top-Ranked: Un risultato critico è che tQLE è rimasto un predittore superiore per l'ordine di rango del top 5% delle sequenze più adatte attraverso un intervallo più ampio di $\sigma(f_i)$ rispetto a MPL. Ciò suggerisce che le interazioni epistatiche giocano un ruolo cruciale nel selezionare gli individui più adatti, anche quando sono presenti effetti additivi.
• Recupero dei Parametri: Mentre tQile poteva recuperare i parametri epistatici, la sua accuratezza nell'inferire i parametri additivi degradava all'aumentare della varianza degli effetti additivi. Al contrario, le prestazioni di MPL nell'inferire gli effetti additivi miglioravano con segnali additivi più forti.
• Repliche: I guadagni di performance derivanti dall'uso di molteplici repliche di simulazione sono stati sostanziali per tQLE (saturando intorno a 5 repliche), ma minimi per MPL, che era relativamente insensibile al numero di repliche.

Significatività e Rivendicazioni
Gli autori affermano che l'inferenza della fitness da dati genomici completi e stratificati nel tempo è fattibile entro specifici intervalli di parametri. Lo studio dimostra che:

1. Complementarità: I due metodi sono complementari. MPL è robusto in popolazioni finite con significativa deriva genetica, mentre tQLE è superiore quando le interazioni epistatiche sono forti o quando l'obiettivo è identificare i genotipi assolutamente più adatti.
2. Convergenza: Nonostante le diverse basi teoriche (assunti di popolazione finita vs infinita, modelli additivi vs epistatici), i due metodi spesso concordano sulle classifiche di fitness su ampi e ragionevoli intervalli di parametri.
3. Criteri di Valutazione: Il documento sottolinea che la scelta del criterio di valutazione è critica. Sebbene il recupero numerico dei parametri possa variare, la classificazione delle sequenze con le migliori prestazioni è un metrica più robusta e biologicamente rilevante, dove i metodi mostrano un significativo accordo.
4. Ereditabilità della Fitness: I risultati supportano la previsione teorica che la fitness additiva sia ereditabile, mentre la fitness epistatica non lo è in presenza di alti tassi di ricombinazione, come evidenziato dalla stabilità delle distribuzioni di fitness epistatica nelle simulazioni.

Il lavoro fornisce un quadro per determinare quando l'inferenza della fitness è possibile dai dati del mondo reale (come la sorveglianza dei patogeni o il DNA antico) e evidenzia le situazioni in cui l'inferenza è probabile che fallisca o richieda scelte metodologiche specifiche. Gli autori concludono che, per le applicazioni su dati reali, la scelta tra MPL e tQLE è in gran parte una questione di convenienza a seconda del contesto biologico specifico (ad esempio, dimensione della popolazione e presenza di epistasi).