RSS
图1： “我们展示了 1,000 个已测序群体中的 6 个群体中所有已识别突变的频率，历经 40 代。 非同义突变是带有实心圆圈的实线，同义突变和基因间突变分别是带有空心圆圈和正方形的虚线。 左列和右列中的种群分别以小 (105) 和大 (106) 种群规模进化。 我们在其他人群中观察到定性相似的模式。”
信用： 改编自 四十个进化酵母种群中普遍存在的遗传搭便车和克隆干扰.
信用： 安德烈·卡瓦斯？
进化遗传学 作为 20 世纪初出现的一个领域。 这有一些好处。 费舍尔 还活着，所以有一些非常聪明的理论头脑可以专注于正式化进化过程并将其与孟德尔遗传学融合的项目。 而且，坦率地说，在某些情况下，无数据理论是最好的，因为这种理论至少对解决方案是什么视而不见 应该 是。 但是，理论进化生物学的这种早期开花也有许多缺点。 生物学家不清楚遗传的生物分子底物 DNA 的性质这一现实并没有阻碍大多数高级抽象。 但是为了追踪研究人员所依赖的种群内特征的传递模式和隐含的基因型 经典表型标记. 这意味着理论推测迅速发展为令人困惑和 倾向的 地形，而用于测试相关问题的经验数据集根本不足以解决争论. 的出现 分子标记 1960 年代和 2000 年代基因组学的成熟，彻底改变了进化遗传学的经验领域。 粗略地类比，目前的大数据集为理论机器提供了筛选、处理和提炼的原材料。
一份新的论文 自然 是这方面的完美例证， 四十个进化酵母种群中普遍存在的遗传搭便车和克隆干扰:
适应的动态决定了种群中哪些突变是固定的，因此进化的可重复性如何.......在这里我们使用 全基因组全种群测序 在 40 次重复中以高时间分辨率检查基因组序列进化的动态 酿酒酵母（Saccharomyces cerevisiae） 在富培养基中生长 1,000 代的种群。 我们发现普遍存在的遗传搭便车：多个突变出现并作为突变“队列”在种群中同步移动。 多个克隆队列通常同时存在，在同一种群中相互竞争。 我们的结果表明，序列进化的模式是由搭便车和干扰的这些机会效应之间的平衡驱动的，这增加了进化结果的随机变化，以及选择对个体突变的确定性作用，这有利于复制种群中的平行进化解决方案。
这里的具体问题属于与 种群内突变的轨迹。 一个程式化的模型可能是在大群体中，一个受欢迎的突变会周期性地出现。 不是以统一的速率，而是由一个定义的速率 泊松分布. 这基本上意味着它是一个罕见的事件，发生的变化与事件的频率大致相同。 一个完美的“球形奶牛”模型可能是一系列有利的突变出现，并迅速扫描到固定（频率 0→1.0），一个接一个作为独立事件。 可以使用更简单的模型来方便地分析这些独立事件，而不是使用更杂乱的各种有利突变相互挤出的空间。
这个模型表面上存在一些问题。 第一的， 多个突变可能同时出现。 自然界中没有任何东西可以阻止这种情况，即使它在理论上很不方便。 其次，这些突变嵌入在物理基因组中，按顺序排列。 受欢迎的变体的两侧是一个大的序列区域，它与之“连接”。 因此，频率的上升将 在搭便车过程中带来其他变种。 第二种现象说明了选择本身的随机性。 回想一下，由于常规采样过程，随机遗传漂变会改变等位基因频率，在小种群之间产生更大的变异。 但即使是概念上的确定性力量，如选择，以有偏见的方式偏爱特定等位基因，也会产生随机效应，因为它们的侧翼区域没有韵律或理由。
本文向前迈出的一大步是作者结合了模型生物中可用的大量种群，例如 S. 酵母 与全基因组分析。 后者允许他们挑选喜欢的突变变体，并且还可以对它们进行注释，并检查它们的模式。 基本上，他们研究了 40 代以上的 1,000 个单倍体酵母谱系（单倍体酵母可以重组），其中已知频率为 0.10 的突变，并进行了 100 倍覆盖的全基因组测序。 总共有 480 个数据点，因此采样间隔大约 80 代。 它们广泛的时间覆盖允许进一步纠正误报（测序错误），超过 100 倍的覆盖范围。 设计对我来说似乎相对简单和优雅，尽管我更喜欢更大范围的人群，因为他们比较了 14 N=106 （大）到 26 N=105 （小的）。 似乎随机效应在较低的 N 下可能比他们看到的更明显，但这肯定适用于后续论文。
正如上面的曲线所示，他们发现采样的时间点过多 有零或多于预期数量的突变 （由泊松分布定义）。 在我上面概述的理想化模型中，您会有周期性的新突变，偶尔会有集群，随着分离数量的增加而迅速减少。 这些突变会迅速席卷整个种群并固定下来。 这里的结果表明，真正的动态过程似乎更加分散； 没有突变和有很多突变的样本比预期的要多. 这似乎得到了以下事实的支持：在多种情况下，您组合了驱动相同扫描的突变。 这不仅会增加固定的可能性，而且还会干扰其他突变扫描。 增加种群规模似乎会增加多重突变的情况……但是，它也会导致更多的干扰，所以奇怪的是，这些不太可能在种群中固定！ （这是我想要更大范围的 N 来测试这个预测的稳健性）
这项工作中有许多实证结果不属于优雅的语言模型，这些模型鲜明地呈现了“进化遗传学的大统一理论”. 所以我想我会迅速回避偏好突变的分布，如论文表 2 所示。 你在这里看到的是在基因中发现的变异，在这些变异中观察到的突变多于偶然，因此很可能使其偏向于适应性偏爱的变异。 非同义突变是那些改变氨基酸的突变。 它们比沉默突变（同义词）或基因之外的突变（基因间）更多。 你在这里看到了由于干扰而在大群体中较少固定的奇怪模式，因为有更多的偏爱突变。 此表中未显示，但 24 个基因在多个群体中被>=2 次的突变“击中”。 这些被选择反复靶向的基因有 141 个突变，但只有一个是同义的。 其余的是移码或无义突变的富集，而不是错义。 后者一次改变一个氨基酸，许多只改变蛋白质功能，而不是从根本上改变或消除它（前两种情况可能如此）。 换句话说，“驱动基因”似乎很可能通过跨种群的多次突变进行选择，但往往会发生剧烈的突变. 此外，根据功能类别（例如，交配与细胞壁组装），错义与无义/移码突变的比例不同。
我很难用几句话来总结这类研究。 无论如何，这里对结果的审查充其量只是粗略的。 这最终只是一个巨大的进化遗传学领域的开始，该领域利用基因组学的力量来测试几十年前关于一般模式的理论。 但是，我想知道也许会发现的是，关于程式化的语言模型的陈旧陈旧的论点是否会被证明没有深刻的实质. 多年来，理查德·道金斯 (Richard Dawkins) 和斯蒂芬·杰伊·古尔德 (Stephen Jay Gould) 等公共知识分子一直在争论决定论和偶然性在进化生物学中的作用。 上述结果告诉我们的是，所有这些评论都是无关紧要的，因为偶然性和决定论在进化过程中都扮演着复杂而交错的角色。 这种舞蹈的确切性质有待经验确定，但幸运的是，已经有了一个强大的理论支架。
