Multi-scale haplotype signatures distinguish among evolutionary processes
Il documento introduce SHADES, un framework di deep learning robusto che sfrutta firme di aplotipi multi-scala per distinguere accuratamente tra vari processi evolutivi, superando i metodi esistenti e identificando con successo sia segnali adattivi noti che nuovi nei genomi umani europei.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
La storia di come gli esseri umani siano diventati ciò che sono è scritta nel DNA all'interno delle nostre cellule. Questo codice genetico non è un manuale di istruzioni statico; è un registro vivente della storia, costantemente modificato dalle forze della natura. A volte, un cambiamento casuale nel DNA conferisce a un individuo un vantaggio di sopravvivenza, permettendogli di vivere più a lungo e di avere più figli. Nel corso di molte generazioni, questo cambiamento vantaggioso si diffonde nella popolazione, lasciando un segno distintivo sul paesaggio genetico. Gli scienziati chiamano questo processo selezione naturale. Tuttavia, il genoma è plasmato anche da altre forze, come il rimescolamento casuale dei geni quando i genitori li trasmettono ai figli, o la miscelazione delle popolazioni quando i gruppi migrano e si incrociano. Distinguere tra queste diverse forze è come cercare di capire la differenza tra l'impronta digitale lasciata da una persona specifica e una macchia causata da una mano casuale. Per molto tempo, è stato difficile distinguere questi segni, specialmente quando si sovrappongono o quando la storia di una popolazione è complessa.
Un team di ricercatori della Florida Atlantic University ha sviluppato un nuovo modo per leggere queste storie genetiche con molta più chiarezza. Hanno creato un programma per computer chiamato SHADES, che utilizza un tipo di intelligenza artificiale nota come deep learning per osservare i pattern nel DNA umano. Invece di contare semplicemente quante volte un gene appare, il programma osserva la disposizione delle varianti genetiche attraverso ampi tratti di DNA, proprio come un detective che esamina la disposizione di una scena del crimine piuttosto che limitarsi a contare il numero di persone presenti. I ricercatori hanno addestrato questo sistema utilizzando milioni di storie genetiche simulate, insegnandogli a riconoscere le firme uniche lasciate da quattro diversi processi evolutivi: cambiamenti neutri che avvengono per caso, rapidi "sweep" (balzi) dove un gene benefico prende il sopravvento, selezione bilanciante dove molteplici versioni di un gene vengono mantenute nella popolazione, e introgressione adattiva, che si verifica quando gli esseri umani acquisiscono geni utili da altri gruppi umani antichi.
I risultati di questo addestramento sono stati sorprendenti. Quando testato contro altri metodi esistenti, il nuovo sistema ha dimostrato di essere significativamente più accurato nell'identificare quale forza evolutiva fosse all'opera. Poteva distinguere tra un gene che era passato recentemente attraverso una popolazione e uno che era stato introdotto da un gruppo esterno, un compito che aveva precedentemente confuso molti altri strumenti. Il sistema è rimasto affidabile anche quando i dati erano incompleti o quando i tassi di cambiamento genetico variavano attraverso il genoma, condizioni che spesso causano il fallimento di altri metodi. Questa robustezza suggerisce che il programma abbia appreso i veri pattern sottostanti dell'evoluzione piuttosto che aver solo memorizzato esempi specifici.
Per vedere se questo strumento funzionava su dati reali, i ricercatori lo hanno applicato ai genomi di persone di discendenza europea del Progetto 1000 Genomi. Il sistema ha confermato immediatamente diverse storie ben note di adattamento umano. Ha identificato correttamente la regione del DNA responsabile della persistenza della lattasi, ovvero la capacità di digerire lo zucchero del latte in età adulta, un classico esempio di un gene che si è diffuso rapidamente in una popolazione dopo la domesticazione degli animali da latte. Ha inoltre trovato le firme genetiche della selezione bilanciante nel complesso maggiore di istocompatibilità, un gruppo di geni cruciali per il sistema immunitario che ha mantenuto un'alta diversità per migliaia di anni per combattere una vasta gamma di patogeni. Inoltre, ha rilevato segnali di introgressione adattiva in geni legati alla pigmentazione della pelle, confermando che gli esseri umani hanno acquisito alcuni dei loro tratti fisici incrociandosi con parenti antichi come i Neanderthal.
Oltre a questi famosi esempi, il programma ha scoperto una ricchezza di nuovi candidati per l'adattamento umano che non erano stati precedentemente evidenziati. Ha indicato geni coinvolti nella difesa immunitaria, nell'infiammazione e nel mantenimento della barriera cutanea, suggerendo che la nostra continua battaglia con i patogeni e la nostra necessità di adattarci a diversi ambienti siano stati driver costanti della nostra evoluzione. Ad esempio, il sistema ha messo in luce geni che aiutano il corpo a rispondere alle infezioni virali e altri che regolano il modo in cui la pelle ci protegge dal mondo esterno. Questi risultati forniscono un quadro più chiaro di come la selezione naturale abbia plasmato il genoma umano, rivelando un complesso intreccio di forze che ci hanno aiutato a sopravvivere e prosperare in ambienti diversi.
Il successo di questo approccio risiede nella sua capacità di esaminare i dati genetici a molteplici scale simultaneamente. Esaminando piccole finestre di DNA per catturare i dettagli fini e finestre più ampie per vedere il quadro generale, il programma può separare segnali sottili che altrimenti andrebbero persi nel rumore. Questa visione multiscala permette di distinguere tra un gene che viene attivamente selezionato e uno che sta semplicemente cambiando a causa del caso o della storia dei movimenti di popolazione. I ricercatori hanno scoperto che il loro metodo era particolarmente efficace nel distinguere tra diversi tipi di selezione, un compito che aveva messo in difficoltà i precedenti strumenti.
Questo lavoro rappresenta un passo avanti significativo nella nostra capacità di decodificare la storia evolutiva scritta nel nostro DNA. Combinando l'informatica avanzata con lo studio della genetica umana, i ricercatori hanno creato uno strumento in grado di setacciare la vasta complessità del genoma per trovare le specifiche storie di adattamento. Le scoperte non solo confermano ciò che già sapevamo dell'evoluzione umana, ma aprono anche la porta alla scoperta di nuovi capitoli della nostra storia, in particolare quelli riguardanti il nostro sistema immunitario e la nostra interazione con l'ambiente. Mentre i ricercatori rendono il loro software disponibile alla comunità scientifica, esso promette di accelerare la scoperta di come la selezione naturale abbia plasmato non solo gli esseri umani, ma potenzialmente anche molte altre specie.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.