Fitness inference tested by in silico population genetics

Technische Samenvatting: Fitness-inferentie getest door In Silico Populatiegenetica

Probleemstelling
Het artikel behandelt de uitdaging van het afleiden van fitnessparameters en de relatieve fitnessvolgorde van genotypes uit tijdreeksgegevens van genetische sequenties (whole-genome sequenties gesampled op meerdere tijdstippen). Hoewel dergelijke gegevens steeds vaker beschikbaar komen voor microben, oud DNA en humane pathogenen, blijft het technisch moeilijk om deterministische selectiesignalen te onderscheiden van stochotische ruis (genetische drift), mutatie en recombinatie. De auteurs onderzoeken specifiek of het mogelijk is om fitnesslandschappen te herstellen uit populatiebrede gegevens en om de parameterbereiken te definiëren waar dergelijke inferentie wel mogelijk is versus waar deze faalt.

Methodologie
De studie maakt gebruik van een competitieve evaluatie van twee verschillende fitness-inferentieschema's met behulp van in silico simulaties gegenereerd via de FFPopSim toolbox. De simulaties modelleren haploïde populaties ($N=1000$) met een genoomlengte $L=25$ die gedurende $T=30$ generaties evolueren onder natuurlijke selectie, mutatie, recombinatie ($r=0.5$) en genetische drift. Fitness wordt gemodelleerd als een kwadratische functie van binaire genotypes, inclusief additieve effecten ($f_i$) en paarwijzige epistatische interacties ($f_{ij}$).

De twee vergeleken methoden zijn:

1. Marginal Path Likelihood (MPL): Gebaseerd op Kimura's diffusie-benadering en het Wright-Fisher model. Het gaat uit van eindige populaties waarbij genetische drift significant is. MPL vertrouwt op het maximaliseren van de padwaarschijnlijkheid van geobserveerde allelfrequentie-trajecten. Cruciaal is dat de standaard MPL-implementatie die hier wordt beschouwd, een zuiver additief fitnesslandschap aanneemt en geen epistase expliciet modelleert, waarbij niet-nul epistatische coëfficiënten als verstorende factoren worden behandeld.
2. Transient Quasi-Linkage Equilibrium (tQLE): Gebaseerd op de aanname dat de populatietoestand tijdelijk een Gibbs-Boltzmann-verdeling volgt. Deze methode is ontworpen voor oneindige populaties (waarbij genetische drift wordt genegeerd) en incorporeert expliciet zowel additieve als epistatische fitnessparameters. Het maakt gebruik van relaxatievergelijkingen om Potts-model parameters ($h_i, J_{ij}$) af te leiden, die vervolgens worden teruggemapt naar fitnesscoëfficiënten.

De auteurs testten deze methoden over verschillende parameterregimes, waarbij de mutatiesnelheden ($\mu$) en de variantie van additieve ($\sigma(f_i)$) en epistatische ($\sigma(f_{ij})$) fitness-effecten werden gevarieerd. De primaire evaluatiemetriek was niet alleen de numerieke nauwkeurigheid van de afgeleide coëfficiënten, maar de rangorde van genotypes op basis van fitness, met een specifieke focus op de top 5% van de meest fitte sequenties.

Belangrijkste Resultaten

• Additieve Landschappen: In zuiver additieve scenario's voerden zowel MPL als tQLE de fitness-effecten accuraat af. De nauwkeurigheid van de inferentie verbeterde wanneer selectie en mutatie zwakker waren. Echter, beide methoden hadden de neiging om de omvang van de selectie voor de meest impactvolle mutaties te onderschatten onder sterke selectie, hoewel ze een hoge nauwkeurigheid behielden in de relatieve rangschikking.
• Epistatische Landschappen:
  • Lage Epistase/Hoge Additieve Variantie: Naarmate het additieve component van de fitness toenam, presteerde MPL beter dan tQLE wat betreft globale rangcorrelatie. Dit wordt toegeschreven aan het vermogen van MPL om om te gaan met de ruis van eindige populaties (genetische drift), terwijl tQLE uitgaat van een oneindige populatie.
  • Hoge Epistase/Lage Additieve Variantie: Wanneer de epistatische bijdragen domineerden, presteerde tQLE beter dan MPL. MPL, dat een epistatische term mist, had moeite om genotypes correct te ordenen waarbij interacties de primaire drijfveer van fitness waren.
  • Top-gerangschikte Sequenties: Een cruciale bevinding is dat tQLE een superieure voorspeller bleef voor de rangorde van de top 5% van de fitteste sequenties over een breder bereik van $\sigma(f_i)$ vergeleken met MPL. Dit suggereert dat epistatische interacties een cruciale rol spelen bij het sorteren van de meest fitte individuen, zelfs wanneer additieve effecten aanwezig zijn.
• Parameterherstel: Terwijl tQLE in staat was om epistatische parameters te herstellen, degradeerde de nauwkeurigheid in het afleiden van additieve parameters naarmate de variantie van de additieve effecten toenam. Daarentegen verbeterde de prestatie van MPL in het afleiden van additieve effecten met een sterker additief signaal.
• Replicaten: De winst in prestaties door het gebruik van meerdere simulatie-replicaten was substantieel voor tQLE (verzadiging rond 5 replicaten), maar minimaal voor MPL, dat relatief ongevoelig was voor het aantal replicaten.

Betekenis en Claims
De auteurs beweren dat fitness-inferentie vanuit tijd-gestratificeerde, whole-genome gegevens haalbaar is binnen specifieke parameterbereiken. De studie demonstreert dat:

1. Complementariteit: De twee methoden zijn complementair. MPL is robuust in eindige populaties met significante genetische drift, terwijl tQLE superieur is wanneer epistatische interacties sterk zijn of wanneer de focus ligt op het identificeren van de absoluut fitteste genotypes.
2. Convergentie: Ondanks de verschillende theoretische fundamenten (verschillende aannames over eindige versus oneindige populaties, additieve versus epistatische modellen), komen de twee methoden vaak overeen over brede, redelijke parameterbereiken wat betreft fitness-rangschikkingen.
3. Evaluatiecriteria: De auteurs benadrukken dat de keuze van het evaluatiecriterium cruciaal is. Hoewel het numerieke herstel van parameters kan variëren, is de rangschikking van top-presterende sequenties een robuustere en biologisch relevantere metriek, waarbij de methoden een significante overeenkomst vertonen.
4. Erfelijkheid van Fitness: De resultaten ondersteunen de theoretische voorspelling dat additieve fitness erfelijk is, terwijl epistatische fitness dat niet is in de aanwezigheid van hoge recombinatiesnelheden, zoals aangetoond door de stabiliteit van de epistatische fitnessverdelingen in de simulaties.

Het werk biedt een kader voor het bepalen wanneer fitness-inferentie mogelijk is vanuit real-world data (zoals pathogen surveillance of oud DNA) en benadrukt situaties waarin inferentie waarschijnlijk zal falen of specifieke methodologische keuzes vereist. De auteurs concluderen dat voor toepassingen met echte data de keuze tussen MPL en tQLE grotendeels een kwestie is van gemak, afhankelijk van de specifieke biologische context (bijv. populatiegrootte en de aanwezigheid van epistase).