Genetica quantitativa

La genetica quantitativa è i tratti genetici che possono portare all'azione , siano essi caratteri continuamente variabili (come il peso o la dimensione corporea) o discontinui (nel complesso del determinismo ), cioè risultanti da più fattori genetici o meno (si parla anche di genetica multifattoriale).

La genetica quantitativa si basa sulla genetica e sulle statistiche della popolazione .

Storia

Gregor Mendel aveva osservato che, nel fagiolo, l'incrocio di varietà con fiori bianchi e fiori rossi dava "tutta una serie di colori che vanno dal viola al viola chiaro e al bianco". Per spiegare questo fenomeno, Mendel ha proposto di considerare che il colore del fiore del fagiolo è una miscela di caratteri elementari, la trasmissione di ciascuno seguendo le stesse regole di quelle evidenziate nel pisello, suggerendo così quello che oggi descriviamo come l'intervento di più loci per tenere conto della variazione continua di alcuni caratteri. Successivamente, coltivatori di piante come l'American East (1903) o lo svedese Nielson Ehle (1908) sperimentarono questa ipotesi multifattoriale. Tuttavia, non è stato fino al 1918 che lo statistico inglese Ronald Fisher ha proposto un modello di sintesi, tenendo conto sia delle leggi di Mendel che delle relazioni biometriche tra i parenti.

Durante gli anni '30 e '40, la teoria sintetica dell'evoluzione pose le basi per lo studio scientifico dei processi evolutivi in biologia . Questa teoria si basa sull'integrazione della teoria dell'ereditarietà mendeliana e della genetica delle popolazioni con la teoria darwiniana . Questa teoria è anche chiamata neodarwinismo o sintesi neodarwiniana per sottolineare il fatto che è un'estensione della teoria originale di Charles Darwin , che ignorava i meccanismi dell'eredità genetica.

L'analisi dei loci dei tratti quantitativi (QTL) è un'aggiunta più recente allo studio della genetica quantitativa.

Criterio basilare

Il valore fenotipico (P) di un individuo, ovvero il risultato della misurazione effettuata su un individuo, viene modellato in modo semplificato (ignorando le interazioni tra genotipi e ambienti) come la somma di una componente genetica chiamata valore genotipico (G) e una componente ambientale che riflette l'effetto dell'ambiente (E), vale a dire:

P = G + E

L'effetto ambientale designa l'ambiente in cui vive (o ha vissuto) l'individuo osservato, certi stati fisiologici che sono specifici per lui e per l'osservatore stesso. Nella produzione agricola, questa categoria comprende fattori come l'anno (influenza del clima ), l'appezzamento (influenza delle condizioni topografiche e del suolo), le dosi di fertilizzante applicate nelle diverse fasi di sviluppo della pianta, i trattamenti fitosanitari effettuati, la raccolta condizioni, ecc.

Geni marcatori e geni principali

Invece di localizzare l'origine del genoma di individui cromosoma per cromosoma, possiamo farlo su frammenti cromosomici più piccoli grazie a marcatori genetici molecolari ( RFLP , AFLP , microsatelliti , SNP , ecc.).

Affinché l'azione di un gene sia facilmente rilevabile, le differenze indotte da questo gene devono essere ampie rispetto alla variazione totale osservata. Tali geni sono chiamati geni principali, a causa dell'entità delle differenze fenotipiche che causano.

In molte specie domestiche, l'esistenza di geni principali per alcuni tratti quantitativi è stata rilevata mediante analisi delle distribuzioni. Tuttavia, analisi dettagliate della genetica quantitativa evidenziano una componente diversa da quella relativa ai loci interessati.

Genetica quantitativa multivariata

I tratti fenotipici spesso condividono alcune basi genetiche e la covarianza genetica additiva tra i tratti impedisce di evolversi indipendentemente l'uno dall'altro. La covarianza risulta dai processi di epistasi e linkage disequilibrium . Questi processi genetici danno origine a modelli di sviluppo modulari e integrazione funzionale, con conseguente selezione correlata che porta all'integrazione genetica (correlazioni genetiche). In definitiva, la correlazione genetica si traduce nell'integrazione evolutiva e nell'evoluzione correlata dei tratti.

La genetica quantitativa multivariata consente di studiare l'evoluzione dei tratti integrando queste nozioni. Matrix G rappresenta lo strumento di base utilizzato nella genetica quantitativa multivariata. Questo è il concetto centrale per comprendere la trasmissione di una serie di tratti.

L'uso della genetica quantitativa in evoluzione

Sebbene la genetica quantitativa si basi sullo studio dei geni tra le popolazioni, molti studi cercano di mettere in relazione la microevoluzione con la macroevoluzione , con l'obiettivo di studiare la divergenza dei modelli di covarianza.

Alcuni ricercatori notano l'emergere di una nuova disciplina, la genetica quantitativa comparativa, che si basa sul confronto di varianze genetiche e covarianze, ma che differisce dalla genetica quantitativa classica per l'incorporazione di informazioni filogenetiche mediante l'uso del metodo comparativo.

Definizione e struttura della matrice G

Una matrice G, o matrice di varianza-covarianza genetica additiva, è una matrice che contiene i valori di covarianza genetica additiva tra una serie di tratti. È una matrice quadrata simmetrica che contiene sulla sua diagonale i valori di varianza genetica additiva per ogni tratto studiato, e il cui coefficiente σ ij contiene il valore della covarianza genetica additiva tra i tratti i e j. [1]

Ogni individuo in una popolazione ha un valore genetico per ogni tratto fenotipico che viene trasmesso alla prole. È possibile visualizzare questi valori genetici sotto forma di una nuvola di punti, formando un'ellisse. Questa nuvola può essere rappresentata utilizzando una matrice G: gli autovettori dell'ellisse rappresentano i componenti principali, o autovettori, della matrice G, e la lunghezza di ciascun asse è determinata utilizzando il corrispondente autovalore della matrice G. Più esattamente, la distanza lungo ogni asse, dal centro dell'ellisse alla sua estremità è 1,96 volte uguale alla radice quadrata dell'autovalore corrispondente. L'asse dell'ellisse più lungo è particolarmente interessante perché rappresenta la dimensione nello spazio delle caratteristiche per la quale esiste la varianza genetica massima. Questa dimensione è talvolta chiamata la linea di minor resistenza. Più forte è la correlazione genetica tra i tratti, più l'ellisse è appiattita, e quindi più lunga è la linea di minor resistenza rispetto al secondo asse.

Lo studio degli autovettori e degli autovalori della matrice G con i metodi di " eigenanalysis " , o analisi delle componenti principali (PCA) è utile perché quando il numero di linee misurate aumenta - quindi la dimensione della matrice - è sempre più difficile interpretare i pattern di covarianza semplicemente utilizzando la matrice G. L'autoanalisi facilita lo studio qualitativo e la determinazione statistica del potenziale evolutivo o della base genetica di una serie di linee.

L'influenza della matrice G sulla traiettoria evolutiva

La matrice G gioca un ruolo cruciale nella teoria dell'evoluzione dei tratti poligenici. Diversi studi ritengono che rappresenti un vincolo evolutivo, che influenzerebbe la traiettoria evolutiva in concerto con il paesaggio adattivo . Infatti, quando la covarianza tra certi tratti è diversa da zero, l'evoluzione della media fenotipica prende una direzione che spesso non è quella favorita dalla selezione.

La genetica quantitativa fornisce mezzi per prevedere l'evoluzione di sequenze di tratti dalla conoscenza della selezione direzionale e dal grado di somiglianza tra gli individui nella popolazione studiata. Questa relazione è data dalla " equazione del selezionatore" e può essere estesa a diversi tratti attraverso l'equazione di Lande (1979) chiamata equazione del selezionatore multivariata . Questa equazione è una variante dell'equazione dell'allevatore estesa a diverse variabili. Questa è l'equazione di punta della genetica quantitativa multivariata.

È descritto come segue:

${\ displaystyle \ Delta {\ bar {z}} = GP ^ {- 1} S}$

Δz è il vettore che rappresenta la variazione della media fenotipica per ogni carattere. G rappresenta la matrice di varianza-covarianza genetica additiva. P rappresenta la matrice di varianza-covarianza fenotipica, misurata per una data popolazione tenendo conto dei contributi genetici e ambientali. S è il vettore di covarianza tra i tratti e il valore selettivo , che descrive l'azione di selezione sull'evoluzione della media fenotipica. Possiamo anche chiedere:

${\ displaystyle \ beta = P ^ {- 1} S}$

con β il gradiente di selezione, il vettore contenente i coefficienti di regressione parziale del valore selettivo per ogni tratto.

Questa equazione è stata utilizzata negli studi teorici per esplorare le traiettorie evolutive, in particolare studiando i vincoli sulla direzione della traiettoria evolutiva. La matrice G vincola la velocità e la direzione dell'adattamento. Se la matrice G è stabile, potrebbe essere utilizzata per prevedere il potenziale evolutivo di una popolazione o per ricostruire la forma di selezione che ha portato alla divergenza genetica all'interno delle popolazioni e, successivamente, tra le specie.

L'ipotesi che la matrice G agisca come vincolo evolutivo su larga scala temporale risulterebbe nel fatto che una forte correlazione genetica tra i tratti in una specie ancestrale genererebbe una forte correlazione tra la media fenotipica di questi tratti nei discendenti dell'ancestrale specie. Al contrario, una correlazione genetica quasi nulla in una specie ancestrale non limiterebbe le possibilità di evoluzione per i discendenti.

Nessun consenso empirico è ancora emerso sull'importanza della matrice G come vincolo evolutivo.

Evoluzione teorica della matrice G

Lo studio della matrice G è progredito molto negli ultimi anni. Fino ad ora, l'interesse per la stima della matrice G si è concentrato sullo studio della sua evoluzione, piuttosto che utilizzarla come strumento per studiare l'evoluzione fenotipica. In effetti, la comprensione del mantenimento della variazione adattativa per i tratti è una questione cruciale nella biologia evolutiva . Inoltre, questi studi riflettono la preoccupazione della validità degli sfruttamenti teorici della matrice G per prevedere l'evoluzione fenotipica: l'equazione del breeder multivariato può essere sfruttata solo se la matrice G è stabile, o se la sua evoluzione è prevedibile e lenta. Tuttavia, ci sono chiaramente casi in cui le matrici G o alcuni dei loro elementi sono diversi tra alcune popolazioni, il che contraddice l'assunzione della costanza della matrice G.

Per comprendere l'evoluzione della matrice G, gli studi tentano di prevederne il comportamento nei confronti delle diverse forze esercitate su di essa. Considerazioni teoriche fanno emergere le principali ipotesi sull'impatto delle forze evolutive:

Effetti della selezione: La selezione , soprattutto stabilizzante, “rosicchia” la nuvola di punti modellata dalla matrice G ad ogni generazione. L'effetto immediato di questa selezione si osserva alla scala di una generazione e tende a diminuire le dimensioni della nuvola modificandone eventualmente la forma e l'orientamento. Gli effetti maggiori causati dalla selezione dovrebbero verificarsi dove la curvatura del paesaggio adattivo è maggiore, perché è qui che la concentrazione di valori quantitativi è maggiore.

Effetti della deriva genetica: in una popolazione finita, ad ogni nuova generazione la dimensione dell'ellisse dovrebbe in media diminuire senza modificarne la forma o l'orientamento. In risposta alla deriva genetica , la matrice G evolve teoricamente da una generazione all'altra pur rimanendo proporzionale alla matrice originale.

Effetti dei cambiamenti: i cambiamenti sono la forza opposta che contrasta gli effetti della riduzione dello spessore dell'ellisse causati dalla selezione e dalla deriva genetica. Le mutazioni tendono ad aumentare le dimensioni dell'ellisse.

Effetti delle migrazioni: uno studio di Guillaume e Whitlock (2007) cerca di identificare gli effetti della migrazione e postula che l'effetto delle migrazioni dipenda dalla forza e dalla direzione del movimento del paesaggio adattivo. Infatti, se una popolazione isolata su un'isola è esposta a forti migrazioni di popolazioni da un habitat più ampio con un altro picco adattativo, queste migrazioni influenzeranno l'evoluzione e la stabilità della matrice G. stabilizzare la matrice G se il movimento del picco adattativo durante la differenziazione dell'habitat principale dell'isola segue la direzione selettiva di minor resistenza. In queste condizioni la migrazione porta all'assottigliamento dell'ellisse modellata dalla matrice G. Viceversa, la migrazione può destabilizzare anche la matrice G se il movimento del picco è perpendicolare alla linea di minor resistenza. In questo caso, l'ellisse è soggetta ad ispessimento e rotazione.

In sintesi, si può immaginare l'ellisse G in equilibrio oscillante stocasticamente in dimensione e forma come risultato delle forze esercitate dalla selezione, deriva genetica e mutazioni.

È importante considerare le diverse scale di evoluzione della matrice G. Da un lato, sulla scala di una generazione, la matrice G oscilla in risposta alle forze esercitate su di essa, anche dopo che ha raggiunto l'equilibrio per effetto di queste forze. Su una scala temporale più lunga, la matrice G potrebbe evolversi in risposta a un cambiamento nel regime di selezione, cioè un nuovo paesaggio adattivo, e raggiungere un nuovo stato di equilibrio. Su una scala temporale ancora più ampia, è probabile che si evolva la matrice M, ovvero la matrice che descrive gli effetti di nuove mutazioni sulle varianze e covarianze, influenzando così anche l'evoluzione della matrice. G, che tenderebbe ad un compromesso tra le paesaggio adattivo e matrice M. Numerosi studi suggeriscono che l'evoluzione della matrice G sia lenta, il che ne garantirebbe l'utilizzo nella predizione della traiettoria evolutiva.

Approcci finalizzati allo studio dell'evoluzione della matrice G.

Approcci analitici

Lo studio analitico dell'evoluzione della matrice G: Gli studi analitici non sono stati finora conclusivi per mostrare l'impatto delle varie forze evolutive sulla matrice G. La caratterizzazione della matrice-G soggetta a Il regime statico di selezione, la mutazione e la ricombinazione sono state ottenute solo con combinazioni di ipotesi che semplificano il modello.

Approcci empirici

Gli approcci empirici utilizzati per studiare l'evoluzione della matrice G consistono nel confronto delle matrici ottenute sia da campioni naturali, sia da trattamenti sperimentali.

Il confronto di matrici ottenute da popolazioni naturali ha il vantaggio di riflettere le configurazioni ottenute in condizioni naturali. Sebbene la cronologia della selezione e la dimensione della popolazione siano spesso sconosciute, questi campioni sono rappresentativi del mondo reale. Tuttavia, uno svantaggio degli studi condotti da campioni naturali è che spesso solo due o tre matrici sono accessibili per il confronto, perché è difficile raccogliere abbastanza campioni di famiglie per stimare G.

Sul lato sperimentale, le matrici G vengono confrontate dopo che le sottopopolazioni sono state esposte a diversi mutageni e quindi lasciate andare alla deriva o crescere. Questo approccio consente di conoscere la natura del trattamento. Tuttavia, alcune forze naturali che potrebbero agire sulla stabilità degli autovettori possono essere assenti.

Le matrici G ottenute grazie a questi esperimenti hanno spesso mostrato aspetti strutturali conservati. In particolare, gli autovettori delle matrici sono spesso preservati. Nonostante questo forte segnale di stabilità attraverso numerosi confronti, alcuni studi hanno anche dimostrato che la selezione, soprattutto quella associata alla radiazione adattativa e alla radiazione evolutiva , può dare luogo a matrici G diverse, ma su scala temporale breve.

Approcci di simulazione

Sebbene le simulazioni al computer dell'evoluzione delle matrici G non risolvano tutti i problemi riguardanti i confronti empirici e la loro interpretazione, forniscono ulteriori informazioni per lo studio della stabilità e dell'evoluzione delle matrici G. Possono in particolare consentire di comprendere le forze responsabili per la stabilità degli autovettori negli studi comparativi, nonché per le pulsazioni irregolari della matrice G che possono verificarsi sperimentalmente in assenza di selezione.

Al fine di generare più facilmente risultati utilizzabili, questi studi si concentrano generalmente sull'evoluzione di due tratti influenzati da 10-100 loci pleiotropici. Nonostante queste limitazioni, questi programmi consentono di simulare i processi di mutazione, selezione, regolazione della popolazione e trasmissione di tratti in popolazioni che contano tra centinaia e migliaia di individui su centinaia di generazioni. Questi programmi sono progettati in modo che i valori dei parametri presi in considerazione coincidano con la teoria analitica, consentendo così di verificare i risultati attesi e di variarli realisticamente al fine di simulare le diverse forze evolutive, la dimensione delle popolazioni , eccetera.

Questi studi confermano i risultati ottenuti con le previsioni teoriche sull'evoluzione della media fenotipica. Suggeriscono che la stabilità della matrice G può essere ottenuta solo in determinate condizioni come una popolazione di grandi dimensioni e modelli di selezione correlati forti e persistenti coordinati con modelli di mutazione pleiotropica.

Una sfida importante nello studio della matrice G sarebbe capire come si evolverebbe in sistemi con una struttura genetica più realistica, compresi i fenomeni di dominanza ed epistasi .

Metodi di confronto con matrici G.

Esistono diversi test statistici per confrontare le matrici G tra diverse popolazioni o tra specie. Esistono quattro tipi principali di metodi statistici per confrontare le matrici G: confronto elemento per elemento, correlazione tra matrici, stimatore di somiglianza massima e confronto gerarchico di Flury.

I primi tre metodi sono più vecchi e molto criticati. Infatti, si basano su un'ipotesi statistica nulla, il che rende complicata l'interpretazione dei risultati. Il test di correlazione tra matrici verifica l'ipotesi nulla di non somiglianza tra matrici, mentre il confronto elemento per elemento o lo stimatore di massima similarità verifica l'ipotesi nulla di uguaglianza tra le matrici o di una parte dei loro elementi.

Il confronto elemento per elemento consiste nel testare separatamente ogni elemento delle matrici. Tuttavia, questo metodo pone un problema perché gli elementi della matrice non sono indipendenti l'uno dall'altro e alla fine sono necessari troppi test per rendere la potenza statistica sufficientemente forte e i risultati sfruttabili. Tuttavia, questo metodo può essere utile come metodo di data mining per determinare dove si trovano le differenze maggiori.

Il test di correlazione della matrice è il più utilizzato, sebbene alcuni documenti ne mettano in dubbio la validità statistica. Uno degli svantaggi di questo approccio è che non consente di distinguere alcune delle ipotesi che sono alla base di questi studi, come ad esempio le forze evolutive (selezione, deriva, mutazioni) responsabili della divergenza tra matrici.

Lo stimatore della massima somiglianza è molto popolare nelle analisi genetiche quantitative in generale. Questo metodo consente di stimare quali parti della matrice differiscono e di quanto, spesso mediante analisi separate delle sotto-matrici. Questo test consente di mettere in discussione la somiglianza tra le matrici, ma non consente di distinguere l'uguaglianza, la proporzionalità e altre differenze tra le matrici.

Il confronto gerarchico di Flury si basa sull'analisi di componenti principali comuni . Si basa su diversi presupposti statistici e stabilisce una gerarchia di somiglianza tra le matrici. Partendo dalla sommità della piramide, ci sono quattro criteri di classificazione.

Le matrici possono essere identiche.
Possono essere proporzionali: condividono le stesse componenti principali ma i loro autovalori differiscono per una costante di proporzionalità.
Possono avere una componente principale in comune, ma non tutte.
Possono avere strutture non correlate.

Questo metodo si basa sull'analisi dei componenti principali comuni (CPCA), che riassume tutte le variazioni del set di dati originali in un numero inferiore di vettori. L'analisi delle componenti principali si basa sull'argomento che prevede che il cambiamento evolutivo influenzi la dimensione degli autovalori corrispondenti alle componenti principali. Se un autovalore è zero, non ci sarà variazione genetica nella direzione associata all'autovettore corrispondente, e quindi nessun cambiamento evolutivo. Un autovalore molto grande indica tratti altamente correlati, e quindi la selezione sarà fortemente influenzata dalla direzione associata.

Riferimenti

Quando una variabile può essere espressa numericamente, si dice quantitativa (o misurabile). In questo caso, può essere discontinuo o continuo. È discontinuo se prende solo valori isolati tra loro. Si dice che una variabile discontinua che assume solo valori interi sia discreta (esempio: numero di figli in una famiglia). Si dice continuo quando può assumere tutti i valori di un intervallo finito o infinito (esempio: dimensione di una pianta di mais).
VERRIER E., BRABANT P., GALLAIS A., 2001. Fatti e concetti di base nella genetica quantitativa. Dispensa INA Paris-Grignon, 134 p.
Nell'ambiente professionale dell'allevamento, animale o vegetale, parliamo anche di prestazioni.
Diogo Melo , Arthur Porto , James M. Cheverud e Gabriel Marroig , " Modularità: geni, sviluppo ed evoluzione ", Revisione annuale di ecologia, evoluzione e sistematica , vol. 47,2016, p. 463-486 ( ISSN 1543-592X , PMID 28966564 , PMCID PMC5617135 , DOI 10.1146 / annurev-ecolsys-121415-032409 , letto online , accesso 26 novembre 2017 )
Mattieu Bégin e Derek A. Roff , " Dalla microevoluzione alla macroevoluzione attraverso la variazione genetica quantitativa: prove positive dai grilli di campagna ", Evolution; Giornale internazionale di evoluzione organica , vol. 58, n o 10,ottobre 2004, p. 2287-2304 ( ISSN 0014-3820 , PMID 15562691 , letto online , accesso 26 novembre 2017 )
Scott J. Steppan , Patrick C. Phillips e David Houle , " Genetica quantitativa comparativa: evoluzione della matrice G ", Trends in Ecology & Evolution , vol. 17, n o 7,1 ° luglio 2002, p. 320–327 ( DOI 10.1016 / S0169-5347 (02) 02505-3 , letto online , accesso 26 novembre 2017 )
Stevan J. Arnold , Reinhard Bürger , Paul A. Hohenlohe e Beverley C. Ajie , " Capire l'evoluzione e la stabilità della matrice G ", Evolution; rivista internazionale di evoluzione organica , vol. 62, n o 10,ottobre 2008, p. 2451–2461 ( ISSN 0014-3820 , PMID 18973631 , PMCID PMC3229175 , DOI 10.1111 / j.1558-5646.2008.00472.x , letto online , accesso 26 novembre 2017 )
Katrina McGuigan , “ Studiare l'evoluzione fenotipica utilizzando genetica quantitativa multivariata ”, Ecologia molecolare , vol. 15, n o 4,Aprile 2006, p. 883–896 ( ISSN 0962-1083 , PMID 16599954 , DOI 10.1111 / j.1365-294X.2006.02809.x , letto online , accesso 26 novembre 2017 )
D. Roff , “ L'evoluzione della matrice G: selezione o deriva? », Eredità , vol. 84 (Pt 2),Febbraio 2000, p. 135-142 ( ISSN 0018-067X , PMID 10762382 , letto online , accesso 26 novembre 2017 )