Informacija

Razumijevanje rekombinacijskog bodovanja u obiteljskim pedigreima

Razumijevanje rekombinacijskog bodovanja u obiteljskim pedigreima


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Imam problema s razumijevanjem rekombinacije i nisam siguran koji element mi ovdje nedostaje. Ova slika je primjer iz mog udžbenika. Rodovnik pripada obitelji s autosomno dominantan bolest, tipizirana za marker s alelima A1-A6.

Dakle, sve mejoze jesu fazno poznat, što znači da znamo koja je kombinacija alela naslijeđena od svakog roditelja. Očito nas to dovodi do toga da možemo jednoznačno rezultat III1-III5 kao nerekombinantni (N) i III6 kao rekombinantni (R).

Ovo je kad sam se izgubio, ne razumijem kako je moguće nedvosmisleno ocijeniti svakog pojedinca kao N ili R. Također, ako je bolest dominantna, kako je moguće da je zahvaćen III6, jer oba alela potječu od oba nepromijenjeni I1 i II2?

EDIT: Plava boja u rodovnici znači da je osoba zahvaćena bolešću, bijela simbolizira neporažene pojedince. Vjerujem da crvene zvijezde simboliziraju da osoba nosi gen bolesti. To bi značilo da plava boja znači da ne nosite gen bolesti. Ako je to slučaj Crvena boja III2 je greška na slici.


Ns nisu nerekombinantni na genomskoj razini. Ono što znate je da oni ne pokazuju događaje rekombinacije na lokusu alela rizika jer subjekti koji nose biljeg A1 pokazuju znakove bolesti, a slično zdravi subjekti ne nose biljeg A1. Stoga se nazivaju nerekombinantnim. Povrh toga, ispitanici 3. generacije (osim III6) pokazuju kombinacije alela koje odražavaju nasljeđivanje jednog alela od svakog roditelja.

Ono što je vrlo važno je da A1 nije alel, to jest marker za alel rizika. To znači da A1 nije izravno alel, već regija DNK blizu alela koji izaziva bolest, dovoljno blizu da se većinu vremena ko-naslijeđuje s alelom bolesti.

Za III6 zapravo znate da se rekombinacija morala dogoditi jer ovaj subjekt očito nosi alel rizika (pokazuje bolest), ali ne i biljeg povezan s njim, stoga se dogodio događaj rekombinacije između markera i alela bolesti.


Analiza genetske povezanosti

Sažetak

Analiza povezivanja je dobro uspostavljena statistička metoda za mapiranje gena za nasljedna svojstva na njihove kromosomske lokacije. Oznake za cijeli genom testiraju se u rodovnicima koji odvajaju osobinu. Statistička metoda analize povezivanja kombinira ove podatke kako bi identificirala regije kromosoma koje vjerojatno sadrže gene za to svojstvo. Parametrijska analiza povezivanja koristi se za osobine s mendelovskim oblikom nasljeđivanja. LOD rezultati i rekombinacijske frakcije koriste se za testiranje lokacija gena. Analiza povezivanja bez modela koristi se za složene osobine kada model nasljeđivanja nije poznat. Analiza povezivanja može se koristiti za mapiranje gena za binarne i kvantitativne osobine.


Imunologija infekcije

Aurelie Cobat,. Erwin Schurr, u Methods in Microbiology, 2010

1 Načelo

Analiza povezivanja temeljena na modelu klasičnom metodom lod skora (Morton, 1955.) zahtijeva definiranje modela koji specificira odnos između fenotipa i čimbenika koji mogu utjecati na njegovu ekspresiju, uglavnom navodnog gena s dva alela (d, D) i drugim relevantnim čimbenici rizika, koji se često nazivaju genetski (ili fenotip/genotip) model. U kontekstu binarnog fenotipa (npr. zahvaćen/nezahvaćen, seronegativan/seropozitivan), ovaj genetski model trebao bi specificirati, osim učestalosti alela osjetljivosti označenog kao D, vektor penetracije, tj. vjerojatnost da će pojedinac biti pogođen s obzirom na genotip (dd, Dd ili DD) i specifičan skup relevantnih kovarijata kao što su dob ili intenzitet izloženosti infektivnom agensu. U kontekstu kvantitativnog fenotipa (npr. razine infekcije), potpuna specifikacija genetskog modela uključuje, osim učestalosti alela koji predisponira na visoke vrijednosti osobine označene kao D, tri genotip-specifična sredstva i varijance koje također mogu biti pod utjecajem nekih pojedinačnih kovarijata. S obzirom na genotip, pretpostavlja se da je distribucija fenotipa normalna tako da je ukupna distribucija mješavina tri normalne distribucije.

Genetski model se općenito osigurava i procjenjuje analizom segregacije koja je prvi korak za određivanje načina nasljeđivanja određenog fenotipa iz obiteljskih podataka. Cilj analize segregacije je razlikovati različite čimbenike koji uzrokuju obiteljsku sličnost, s glavnim ciljem testiranja postojanja jednog gena, nazvanog glavni gen. Glavni pojam gena ne znači da je to jedini gen uključen u ekspresiju fenotipa, već da među skupom uključenih gena postoji barem jedan gen s učinkom koji je dovoljno važan da se razlikuje od ostalih. Za binarni fenotip, ovaj se učinak može izraziti u terminima relativnih rizika, na pr. omjer vjerojatnosti da će ispitanik biti pogođen s obzirom na 'DD' genotip prema istoj vjerojatnosti s obzirom na 'dd' genotip. Za kvantitativni fenotip, ovaj učinak se mjeri udjelom fenotipske varijance objašnjene glavnim genom (također označen kao nasljednost). Elegantan način izražavanja ovog modela fenotipa/genotipa je korištenje regresivnog pristupa za binarne (Bonney, 1986.) kao i za kvantitativne (Bonney, 1984.) osobine. Detaljan pregled prednosti i nedostataka analize segregacije može se naći u Jarvik (1998.). Imajte na umu da se u studijama povezivanja izraz 'glavni gen' koristi za bilo koji gen koji leži u osnovi značajnog vrha povezivanja.

Kada postoje dokazi za glavni gen analizom segregacije, analiza povezivanja temeljena na modelu omogućuje potvrdu i lociranje ovog gena, dolje označenog kao lokus fenotipa. Analiza povezivanja temeljena na modelu testira u obiteljima da li se lokus fenotipa ko-segregira s genetskim markerima poznatog kromosomskog položaja i daje procjenu stope rekombinacije između ova dva lokusa (Ott, 1999.) (vidi okvir 2). Veza s lokusom fenotipa može se testirati marker po marker (analiza u dvije točke) ili uzimajući u obzir skup povezanih markera (analiza s više točaka). U ovoj analizi, kao iu analizi segregacije, svi zaključci za pojedinačne genotipove na lokusu fenotipa izvode se iz pojedinačnih fenotipova i specificiranog modela fenotipa/genotipa. Za kvantitativne fenotipove, vjerojatnost da pojedinac nosi genotip dd, dD ili DD na lokusu fenotipa izračunat će se iz mješavine triju normalnih distribucija opisanih gore za koje su srednje vrijednosti i varijance procijenjene analizom segregacije.

Analiza povezivanja temeljena na modelu

Načelo:

Analiza povezivanja temeljena na modelu testira u obiteljima da li se lokus osobine ko-segregira s genetskim markerima poznatog kromosomskog položaja. Metoda se temelji na procjeni jednog parametra, frakcije rekombinacije (označeno θ) između lokusa osobine i zadanog genetskog biljega. Test povezanosti je test omjera vjerojatnosti koji uspoređuje vjerojatnost pod nultom hipotezom da nema veze (θ0 = 0.5), LH0, na vjerojatnost prema alternativnoj hipotezi povezanosti (θ1 &lt 0,5), LH1. Statistika povezanosti se klasično izražava kao lod rezultat, Z(θ) = log10(LH1/LH0). Klasične kritične vrijednosti za deklariranje značajne povezanosti i za isključivanje povezanosti su lod score ≥3 (što odgovara str-vrijednost 10 –4) i lod score &lt–2, redom (Morton, 1955.).

Primjer:

Gornji rodovnik pokazuje segregaciju rijetkog autosomno dominantnog lokusa osobine (D/d, gdje je D uzročni alel) s potpunom penetracijom i izostankom fenokopija (tj. osobe koje nose genotipove Dd ili DD su zahvaćene, a osobe koje nose genotip dd su zahvaćene bez utjecaja) i informativni biljeg (1/2). Majka nije informativna za vezu. Kako je faza poznata, možemo izbrojati broj rekombinanata k (što je 1 i označeno R) izvan n = 10 mejoza. Vjerojatnost rada pedigrea je L(θ) = θ k (1 – θ) nk = θ(1 – θ) 9 . Vjerojatnost rodovnika pod nultom hipotezom je L(0,5) = (0,5) 10 . Procjena maksimalne vjerojatnosti od θ lako je izračunati kao k/n = 1/10 i lod rezultat je lod = log10(0,1(1–0,1) 9 /0,5 10 ) = 1,6. Rezultati analize povezivanja temeljene na modelu prikazani su u tablicama lod bodova gdje su lod rezultati tablično prikazani za seriju rekombinacijskih frakcija od 0 do 0,5.

Slabost:

Analiza povezivanja temeljena na modelu zahtijeva definiranje genetskog modela koji opisuje odnos između fenotipa i genotipa, tj. učestalost alela bolesti, način nasljeđivanja (dominantno, recesivno ili aditivno) i obrazac penetracija (tj. vjerojatnost da se zahvaćeni s obzirom na status genotipa) treba specificirati kako bi se zaključio genotip lokusa bolesti svih pojedinaca iz njihovog fenotipa. Ti se parametri općenito procjenjuju složenim analizama segregacije.

Snaga:

Pristup lod score-a najsnažnija je metoda povezivanja kada je pretpostavljeni genetski model pravi model. Ovaj pristup daje procjenu maksimalne vjerojatnosti genetske udaljenosti (θ) između genetskog biljega i lokusa osobine bolesti.

Popularni softver:

VEZA ( Lathrop et al., 1984.), FASTLINK (Cottingham et al., 1993.), MERLIN (Abecasis et al., 2002 )

Popis softvera za genetičku analizu dostupan je na http://linkage.rockefeller.edu/soft

Pristup lod score-a zasigurno je najmoćnija metoda povezivanja kada je pretpostavljeni genetski model (dovoljno blizak) pravom modelu. To je slučaj u situaciji monogenog nasljeđivanja gdje se može pretpostaviti jednostavan genetski model. Međutim, pogrešna specifikacija genetskog modela može dovesti do ozbiljnog gubitka snage za otkrivanje veze (i stoga do lažnog isključivanja regije koja sadrži lokus fenotipa) i pristranosti u procjeni frakcije rekombinacije (tj. genetske udaljenosti) između lokus fenotipa i lokus markera (Clerget-Darpoux et al., 1986.). Ipak, takva pogrešna specifikacija ne utječe na robusnost metode, tj. ne dovodi do lažnih zaključaka u korist povezivanja, sve dok se testira samo jedan model fenotipa/genotipa. Kada postoji određeno znanje o prevalenci bolesti koja se proučava i razini obiteljske agregacije, uobičajeni postupak za smanjenje rizika od pogrešne specifikacije je generiranje ograničenog broja realističnih genetskih modela koji će se koristiti u analizi lod rezultata. Međutim, kada se analiza provodi pod više različitih genetskih modela, potrebno je uvesti korekciju za višestruko testiranje i prilagoditi razinu značajnosti lod skora (MacLean et al., 1993.). Isti se problem javlja kada se testira nekoliko biljega, a predložene su smjernice za prilagodbu pragova lod rezultata kontekstu pretraživanja na cijelom genomu. Široko prihvaćeni pragovi su oni koje su predložili Lander i Kruglyak (1995.). Na temelju složenih analitičkih proračuna ovi su autori definirali str-vrijednosti koje bi se trebale koristiti za tvrdnju o sugestivnoj ili značajnoj povezanosti kao 1,7 × 10 –3 i 4,9 × 10 –5 (što odgovara lod rezultatu od 1,9 odnosno 3,3) (Lander i Kruglyak, 1995.). Drugi problem nastaje kada nedostaju podaci markera za neke članove obitelji. U ovom slučaju, analiza povezivanja također ovisi o frekvencijama alela markera i pogrešna specifikacija tih frekvencija može utjecati i na snagu i na robusnost metode. Ovo je važno pitanje jer znači da treba biti vrlo oprezan pri prijavljivanju sugestivne ili značajne povezanosti u kontekstu uzorka s mnogim nestalim roditeljima. Imajte na umu da su dva potonja problema (testiranje više markera i pogrešna specifikacija frekvencija alela markera) također uobičajena za metode bez modela.


Složene bolesti nastaju kao rezultat mnogih genomskih varijanti, uparene s utjecajima okoline (kao što su prehrana, san, stres i pušenje). Nazivaju se i "poligenim" bolestima - pri čemu "poli" znači mnogo, a "gensko" uključuje gene.

Koronarna arterijska bolest je složena bolest. Istraživači su pronašli oko 60 genomskih varijanti koje su češće prisutne kod osoba s koronarnom bolešću. Većina ovih varijanti raspršena je po genomu i ne skuplja se na jednom specifičnom kromosomu.


Rasprava

Rekombinacija i reasortacija roditeljskih genoma dovode do povećanja genetske varijacije. Razumijevanje mehanizama koji reguliraju brzinu rekombinacije tijekom mejoze omogućilo bi njihovu manipulaciju za povećanje ili smanjenje stope rekombinacije u skladu sa specifičnim zahtjevima opisanim u [39]. Iako su identificirani mnogi geni koji kontroliraju osnovni proces stvaranja CO, malo se zna o čimbenicima koji utječu na broj i distribuciju CO te GWRR. Prema našim saznanjima, ovaj rad je najopsežnija studija koja uspoređuje stope mejotičke rekombinacije i interferencije CO unutar jedne vrste i između genskih fondova iste vrste. Za analizu intraspecifične varijacije stopa rekombinacije i rekombinacijskih krajolika koristili smo dva panela polusrodnih obitelji kukuruza koje se sastoje od 23 populacije punih srodnika s ukupno 2233 DH linije. Roditelji dvaju panela za kukuruz Dent i Flint odabrani su da predstavljaju raznolikost prisutnu u europskoj germplazmi kukuruza. Analizirali smo DH vodove proizvedene od in vivo haploidna indukcija, koja odražava jednu žensku mejozu. Kao što se i očekivalo, prosječan broj križanja po DH liniji u našem istraživanju (15,1) bio je oko polovice broja uočenih u RIL-ovima kukuruza (28,9) [32]. Ovaj nedostatak DH linija je protutežan bržim razvojem DH populacija u usporedbi s RIL-ima i potpunom homozigotnošću DH linija, koje su besmrtni resurs. Štoviše, rad na DH populacijama nudi jedinstvenu mogućnost analiziranja interferencije CO, dok je to nemoguće u RIL-ovima jer uzastopne neovisne mejoze superponiraju CO koji nastaju tijekom svake mejoze. Dizajn naših povezanih panela polubrata koji se sastoji od velikog broja populacija omogućio je usporedbu GWRR-a, rekombinacijskog krajolika i interferencije (1) među roditeljima unutar svakog panela i (2) preko panela preko križanja središnjih linija s linijom B73.

Kao preduvjet za naš pristup, konstruirali smo genetske karte visoke gustoće za veliki broj populacija. Duljine genetičke karte 23 populacije varirale su od 1.180 cM do 1.893 cM sa prosjekom od 1.508 cM, što je u rasponu uočenom u drugim genetskim kartama kukuruza visoke gustoće [32, 33]. Zbog IBD regija u nekim našim populacijama, uočene su praznine u genetskim kartama. Međutim, budući da je većina tih praznina bila u pericentromernim regijama, gdje su stope rekombinacije niske, većina njih nije bila veća od 15 cM, a najekstremniji jaz (53,7 cM) bio je na kromosomu 7 u CFF13. Za 76 markera pronašli smo kromosomske dodjele različite od njihove napomene u B73 AGPv2. Osigurali smo genetske koordinate za 118 markera na kojima nije bilo dostupnog zapisa. Ovi rezultati mogu pomoći u poboljšanju budućih sklopova genoma B73. Osim toga, pronađene su genetske karte za nekoliko kromosomskih regija nekolinearne sa sekvencom B73, kao što je prethodno otkriveno u dvije druge populacije kukuruza [33]. Ova odstupanja mogu biti posljedica pogrešnog sklapanja genoma B73 ili zbog nedostatka specifičnosti lokusa za neke SNP markere koji bi spadali u duplicirane genomske regije. Ne može se isključiti hipoteza o strukturnim preuređenjima između nekih roditeljskih linija i B73. Međutim, s obzirom na dizajn eksperimenta, mogućnost da oba roditelja križa unutar jedne od ploča polubrata dijele strukturnu varijaciju koja nije odsutna kod oba roditelja drugog križa u istoj ploči vrlo je ograničena.

Intraspecifična varijacija brzine rekombinacije

Prosječni GWRR u našim populacijama bio je 0,73 cM/Mbp, što je u istom rasponu kao što se može izračunati iz drugih karata kukuruza [30]. Ova vrijednost je oko 5 puta niža od in A. thaliana (3,6 cM/Mb) [40] koji ima 20 puta manji genom od kukuruza, što odražava dobro poznatu negativnu korelaciju brzine rekombinacije s veličinom genoma među vrstama [41]. Pronašli smo jasne razlike između stopa rekombinacije na cijelom kromosomu, pri čemu kromosom 4 ima najnižu prosječnu vrijednost (0,60 cM/Mbp), a kromosom 9 najvišu (0,88 cM/Mb). Također smo uočili negativnu korelaciju između brzine rekombinacije i fizičke duljine kromosoma (r = 0.66, P vrijednost 0,003), slično onome što se javlja kod ljudi, miša i štakora [19]. Takve korelacije upućuju na to da mehanizmi koji reguliraju stvaranje CO u tim organizmima imaju tendenciju poticati određenu razinu homeostaze u broju CO po mejozi i po kromosomu. Za vrlo kratke kromosome, obvezni CO osigurava da postoji barem jedan CO za svaki bivalent. U ovoj studiji uočili smo jasne intraspecifične varijacije za GWRR. Slične razine varijacije za GWRR uočene su u oba skupa nakon što je uklonjen učinak središnje linije.

Izračun GWRR pretpostavlja konstantnu veličinu genoma u kukuruzu. Razlike u veličini genoma zabilježene su u kukuruzu, s umjerenim linijama kukuruza imale su do 10% manje genome u odnosu na B73 i te su razlike bile u korelaciji s brojem ponavljanja kvržica [42]. Veličine genoma za linije u našoj studiji su nepoznate, međutim, do 60% razlika u duljini mape (1.180 do 1.893 cM) u našoj studiji je mnogo veća od nedavno prijavljenih razlika u veličini genoma [42]. Stoga se može pretpostaviti da genetski čimbenici koji utječu na GWRR izvan mogućih varijacija veličine genoma imaju snažnu ulogu u našem biljnom materijalu. Razlike u učestalosti rekombinacije između inbred linija kukuruza opisane su na temelju mapa genetskih veza i korištenjem citoloških metoda za otkrivanje rekombinacijskih nodula i izračunavanje stopa CO [3, 43]. Trans-djelujući QTL koji utječe na GWRR identificirani su u A. thaliana, kukuruz, miš i pšenica [44]. U goveda je mapirano nekoliko QTL za muški GWRR [45].Za dva QTL, pretpostavljene uzročne varijante otkrivene su u genima REC8 (član obitelji kleisin proteina 'strukturnog održavanja kromosoma'), i RNF212, navodni homolog kvasca ZIP3 gen, koji je uključen u mejotičku rekombinaciju. RNF212 također je poznato da je povezano s rekombinacijom u cijelom genomu kod ljudi [46]. Naši nalazi o različitim GWRR između pojedinih linija kukuruza otvaraju put razvoju specifičnih križanja za identifikaciju genetskih čimbenika koji utječu na GWRR QTL mapiranjem [47]. S obzirom na napredak u genotipizaciji visoke propusnosti i sekvenciranju genoma, takav QTL može biti početna točka za fino mapiranje i naknadno kloniranje gena koji određuju GWRR u biljkama. Karakteriziranje strukturnih i funkcionalnih varijacija takvih gena promicalo bi naše razumijevanje molekularnih mehanizama koji reguliraju mejotičku rekombinaciju u biljkama i bilo bi vrlo vrijedan alat za oplemenjivače biljaka i genetičare.

Rekombinacijski krajolici u kukuruzu

Ne samo GWRR nego i krajolici rekombinacije duž kromosoma vrlo su varijabilni u našim populacijama. Promatrali smo karakteristične oblike krivulja Marey mape za svaki od 10 kukuruznih kromosoma. Ukupni profili rekombinacije za svaki kromosom obično slijede gustoću gena [34], ali to ne objašnjava lokalne razlike u stopi rekombinacije između populacija. Strukturne varijacije između roditeljskih linija mogu biti jedan od mehanizama koji utječe na stope lokalne rekombinacije, kao što je prikazano za klaster retrotranspozona od 26 kb koji je smanjio stopu lokalne rekombinacije oko bz1 lokus za faktor dva [48]. Za istu genomsku regiju pokazalo se da struktura haplotipa, definirana prisutnošću helitrona i retrotranspozona, snažno utječe na pojavu događaja rekombinacije u heterozigotnim biljkama [49]. Opsežna strukturna varijacija u genomu kukuruza može se vidjeti već na razini kariotipa, gdje su zabilježene velike varijacije [50], ali još više na razini sekvencije, gdje su uočene velike varijacije za sadržaj ponavljajućih elemenata, prisutnost-odsutnost ili varijante broja primjeraka [42, 51, 52]. Takve strukturne varijacije mogu utjecati na uparivanje homologa i rekombinaciju [53], iako se obrnute regije također mogu normalno upariti u pahitenu [54]. Osim niske stope rekombinacije u heterokromatskim pericentromernim i NOR regijama i općeg povećanja stopa rekombinacije prema telomerima, uočili smo pregibe u krivuljama naše Marey mape u regijama gdje su heterokromatske kvržice mapirane u kukuruzu. To je slučaj, na primjer, na kromosomu 4L u svim populacijama, ali samo u nekim populacijama na kromosomu 1L, što sugerira da u našim linijama mogu postojati varijacije u regijama kvržica. Iako su opisane 34 različite regije kvržica kod kukuruza i njegovog divljeg progenitornog teosintea, većina linija kukuruza sadrži manje od 12 takvih kvržica, za koje se osim toga primjećuju polimorfizmi između linija [38, 55]. Zbog nedostatka podataka o pozicijama kvržica u našim roditeljskim linijama, nismo mogli pobliže ispitati utjecaj polimorfizma gumba na oblik rekombinacijskih krajolika za pojedine kromosome. Budući da se kvržice često nalaze u genskim područjima i potiskuju lokalnu rekombinaciju [38], vjerojatno je da su neke razlike u oblicima rekombinacijskog krajolika uzrokovane polimorfizmom gumba. Također izvan navodnih regija kvržica, uočili smo mnoge značajne lokalne razlike u parnoj usporedbi profila rekombinacije između populacija i za kromosome 2, 4, 5 i 6 između združenih populacija Dent i Flint. Nismo pronašli značajnu korelaciju između roditeljske genetske sličnosti utvrđene SNP markerima i stope rekombinacije, što je rezultat potkrijepljen nedavnom studijom u A. thaliana[40]. Stoga moraju postojati čimbenici koji utječu na lokalne stope rekombinacije osim gustoće gena i sličnosti na razini DNK. Međutim, mora se naglasiti da za karakterizaciju utjecaja genomskih značajki kao što je raznolikost nukleotida na lokalnu stopu rekombinacije, skala od 10 Mbp može biti previše gruba, pa bi mogla biti potrebna mnogo veća rezolucija na ljestvici kilobaze, kao što je nedavno prikazano u modelu biljka Medicago truncatula[56]. Osim toga, roditeljska raznolikost procijenjena uglavnom genskim SNP-ovima niza MaizeSNP50 možda neće dobro odražavati strukturne razlike koje mogu imati veliki utjecaj na lokalne stope rekombinacije [49]. Naša je studija identificirala genomske regije s velikim razlikama u lokalnim stopama rekombinacije između inbred linija. Ovo je važna osnova za buduća istraživanja za identificiranje žarišta rekombinacije i proučavanje utjecaja strukturnih varijacija i raznolikosti genoma u definiranim križanjima i genomskim regijama u kukuruzu.

Crossover interferencija

Prethodno je pokazano da se interferencija javlja u kukuruzu [17], na temelju broja i položaja kasnih rekombinacijskih nodula. Taj je rad otkrio da u kukuruzu djeluju dva puta, jedan ometa (P1), a drugi (P2) doprinosi udjelu str crossovera koji ne ometaju. U ovoj smo studiji također u većini slučajeva pronašli vrijednosti od str značajno različit od nule, s prosječnim vrijednostima 0,1. Ovaj zaključak je kompatibilan s prethodnim procjenama koje su iznosile prosječnu vrijednost od 0,15 [17]. Populacije gdje smo pronašli str = 0 (CFF04, CFF06, CFF13) uglavnom može odražavati nisku snagu zbog ograničene veličine populacije: ovdje pojedinačne populacije imaju između 50 i 134 DH linije, dok je u [17] skup podataka imao više od 200 pahitenskih sinaptonemskih kompleksa ( SC), svaki od njih daje oko četiri puta više snage za analizu od jedne DH linije. Treba, međutim, primijetiti da su naši statistički testovi bili vrlo konzervativni zbog Bonferronijeve korekcije. Ipak, otkrili smo da CFF02 ima udio str neinterferirajućih (P2) križanja značajno veća od gotovo svih ostalih populacija kada se uzmu u obzir svi skupljeni kromosomi. Prema našim saznanjima, razlike u značajkama interferencije između različitih genotipova iste vrste do sada nisu pokazane. Vrijednosti od str između 0 i 0,2 za različite kromosome zabilježeno je u A. thaliana[11], te između 0 i 0,21 u ljudi [57]. Na temelju usporedbi između žarišta MLH1 i kasnih rekombinacijskih nodula, str vrijednosti oko 0,3 pronađene su u rajčici [14]. S obzirom na intenzitet nu interferencije u interferirajućem putu P1, naši su rezultati pokazali vrijednosti u rasponu između 2,5 i 8 za sve skupljene kromosome, što je slično rasponu od 4 do 10 koji je prethodno pronađen u kukuruzu [17]. U Arabidopsis, nu bio u rasponu od 10 do 21 [11], dok je nu procijenjeno je da je u rasponu od 6,9 do 7,9 u rajčici [14]. Konačno, na temelju 23 populacije punog brata, pronašli smo značajnu negativnu korelaciju između skupljenih kromosoma nu i stopa rekombinacije u cijelom genomu. Ovaj rezultat je u skladu s hipotezom da interferencija može biti jedan od mehanizama na djelu za regulaciju razine mejotičke rekombinacije, pristranost popravka DSB-a prema ne-CO, a ne CO. U usporedbi s vrlo značajnim razlikama pronađenim za GWRR u našoj studiji, varijacije za smetnje CO ovdje su otkrivene s mnogo manjom statističkom snagom. U budućim radovima s većom populacijom, pružajući manje intervale pouzdanosti, ali korištenjem istog polubratnog dizajna trebalo bi biti moguće procijeniti učinke samih roditelja osnivača na parametre interferencije uklanjanjem učinaka središnjih linija, kao što smo to učinili za GWRR. Slično kao i za GWRR, ovo bi također trebalo omogućiti identifikaciju i lokalizaciju genetskih čimbenika koji utječu na parametre interferencije.

Utjecaj varijacije u stopama rekombinacije na genetske studije i primijenjene programe uzgoja

Pokrivanje cijelog genoma pomoću gustih genetskih mapa povećava šansu za otkrivanje asocijacija markera i osobina, kako u analizama povezivanja tako i u mapiranju asocijacija. Izgradnja genetskih karata visoke gustoće sada je izvediva za mnoge vrste usjeva na vrlo isplativ način, bilo pomoću nizova genotipizacije SNP-a ili putem pristupa genotipizacije po sekvenciranju [33, 58]. Za preciznu procjenu učinaka QTL-a u studijama asocijacija na cijelom genomu i visoku preciznost predviđanja vrijednosti uzgoja u cijelom genomu, preduvjet je da markeri označe ili uzročne alele ili da moraju biti u visokoj neravnoteži veza s QTL-om od interesa [24, 59]. Faza povezivanja između markera i povoljnih QTL alela ključna je za predviđanje vrijednosti uzgoja među pasminama ili genskim fondovima [60]. Događaji rekombinacije mogu invertirati faze povezivanja markera i QTL alela između nepovezanih skupova i tako dovesti do smanjene točnosti u predviđanju vrijednosti uzgoja i učinaka markera. U kontekstu genomskog predviđanja ili studija povezanosti na razini genoma, razumijevanje krajolika rekombinacije unutar vrste je od posebnog interesa, budući da regije s visokim stopama rekombinacije zahtijevaju veću gustoću markera. Osim toga, detaljna genomska i lokalna slika stopa rekombinacije dopušta odgovarajuće dimenzioniranje projekata kloniranja temeljenih na karti, strategije odabira uz pomoć markera za specifične osobine i programe križanja u slučajevima kada je potrebno prekinuti nepovoljnu vezu između osobina. Rekombinacija je ključni čimbenik koji određuje uspjeh s introgresijom nove varijabilnosti iz udaljenih biljnih genetskih resursa ili loše prilagođenog materijala, budući da je introgresija novih alela ili osobina kao što su geni otpornosti u rekurentnoj selekciji često popraćena neželjenim otporom povezivanja. Ovi učinci otpora povezivanja mogu biti drastični ako se regije od interesa nalaze u (peri)centromernim regijama siromašnim rekombinacijom. Odabir elitnih linija s visokim GWRR-om kao ponavljajućih roditelja unatrag može pomoći u ubrzavanju procesa introgresije. Konačno, identificiranje genotipova koji nose alele za veću stopu rekombinacije može voditi odabir adekvatnih roditelja za optimizaciju broja generacija potrebnih u shemama uzgoja. Promjenjivost u snazi ​​interferencije također može biti od interesa u programima uzgoja jer se vjeruje da interferencija mehanički utječe na stope rekombinacije. Baš kao i za odabir linija s većom ili nižom stopom rekombinacije [61], trebalo bi biti izvedivo razviti linije kukuruza s različitim razinama interferencije CO ili udjelom P2 CO.


RootsTech Connect 2021: sveobuhvatan popis DNK sesija

Pitao sam se koliko je točno DNK sesija bilo na RootsTechu ove godine i koje su najpopularnije.

Nažalost, nismo mogli lako vidjeti popis svih sesija, pa sam napravio svoju. Htio sam biti siguran da sam uključio svaku sesiju, uključujući savjete i trikove i sesije dobavljača koji su možda dostupni samo u njihovim kabinama. Pregledao sam svaki jelovnik i grupu i samo pronalazio sve više i više zakopanih DNK blaga na različitim mjestima.

Dijelim ovu škrinju s blagom s vama u nastavku. Usput, ovo je potrajalo cijeli dan, jer sam naveo izravnu vezu na YouTubeu I koliko je pregleda svaka sesija danas skupila.

Produžena prodaja

Prodajne cijene Family Tree DNA RootsTech uključujući nadogradnje su još uvijek dostupne – ovdje.

  • FamilyTreeDNA autosomni Family Finder testis sada samo 49 USD.Kliknite ovdje za kupnju pomoću koda kupona RTCTFF. nudi napredno otključavanje alata za samo 9 USD nakon besplatnog prijenosa do 7. ožujka. Kliknite ovdje da se prijavite, prenesite svoju DNK datoteku ako ste testirali negdje drugdje, a zatim otključajte pomoću koda RTCAU10.

MyHeritage je također proširio svoje RootsTech ponude.

  • MyHeritage se odrekao naknade za otključavanje od 29 USD ako prenesete svoj DNK komplet od drugog dobavljača između sada i 7. ožujka. Možete besplatno prenijeti ovdje. Sve napredne alate dobit ćete besplatno.
  • MyHeritage DNK komplet je u prodaji za 79 dolara, ovdje.

Ni Ancestry ni 23andMe nisu imali izložbene akcije, ali možete kupiti po njihovim redovnim cijenama.

Svi ozbiljni genealozi htjet će testirati kod sva 4 glavna dobavljača ili ih prenijeti i testirati njihovu Y DNK i mitohondrijsku DNK na FamilyTreeDNA.

RootsTech sesije

Kao što znate, RootsTech je ove godine snimao za TED format govora. Približno 20-minutne sesije. Kad je sve bilo rečeno i učinjeno, bilo je pet kategorija sesija:

  • Kurirane sesije su približno 20-minutne prezentacije u stilu koje je kurirao RootsTech, što znači da su govornici morali poslati. Ljudi čije su sesije prihvaćene poticali su se da razdvoje duže sesije u niz od dvije ili tri sesije od 20 minuta.
  • Videozapisi s kabina dobavljača mogli bi se učitati u njihove virtualne čizme bez kustosa od strane RootsTecha, ali kustoski videozapisi njihovih zaposlenika također se mogu učitati u kabine dobavljača.
  • Sjednice Centra za učenje DNK održavale su se na poziv, a osigurali su ih volonteri. Traju uglavnom između 10-20 minuta.
  • Savjete i trikove također izrađuju volonteri i traju od 1 do 15 minuta. Može ih sponzorirati tvrtka, au nekim slučajevima manji dobavljači i pružatelji usluga koriste ih kako bi skrenuli pozornost na svoje proizvode i usluge.
  • Jednosatne sesije obično su napredne i teme se ne mogu lako razdvojiti u niz.

Pogledajte ovaj nevjerojatan popis od 129 DNK ili DNK sesija koje možete besplatno gledati iduću godinu. Obavezno označite ovaj članak kako biste se lakše mogli vratiti.

Imajte na umu da sam počeo sastavljati ovaj popis za sebe i skratio sam neke nazive sesija. Onda sam shvatio da ako meni ovo treba, treba i tebi.

10 najgledanijih sesija

Nisam znao trebam li ove sesije navesti po imenu govornika ili po broju pregleda, pa radim pomalo i jedno i drugo.

10 najgledanijih sesija od danas su:

Zvučnik/Prodavač Naslov sjednice Tip Veza Pogledi
Libby Copeland Kako je kućno DNK testiranje redefiniralo obiteljsku povijest Kurirana sesija https://youtu.be/LsOEuvEcI4A 13,554
Nicole Dyer Organizirajte svoje DNK podudaranja u dijagram Savjeti i trikovi https://youtu.be/UugdM8ATTVo 6175
Roberta Estes DNK triangulacija: što, zašto i kako 1 sat https://youtu.be/nIb1zpNQspY 6106
Tim Janzen Praćenje linija predaka u 1700-ima pomoću DNK 1. dio Kurirana sesija https://youtu.be/bB7VJeCR6Bs 5866
Amy Williams Rekonstrukcija predaka: zašto, kako, alati Kurirana sesija https://youtu.be/0D6lAIyY_Nk 5637
Drew Smith Prije testiranja Osnove 1. dio Kurirana sesija https://youtu.be/wKhMRLpefDI 5079
Nicole Dyer Kako protumačiti DNK Cluster Chart Savjeti i trikovi https://youtu.be/FI4DaWGX8bQ 4982
Nicole Dyer Kako procijeniti hipotezu ThruLines Savjeti i trikovi https://youtu.be/ao2K6wBip7w 4823
Kimberly Brown Zašto ne podudaram svoje šibice Centar za učenje DNK https://youtu.be/A8k31nRzKpc 4593
Rhett Dabling, Diahan Southard Razumijevanje rezultata DNK etničke pripadnosti Kurirana sesija https://youtu.be/oEt7iQBPfyM 4287

Libby Copeland mora biti apsolutno oduševljena. Primijetio sam da je njezina sesija predstavljena tijekom vikenda na vrlo istaknutom mjestu na web stranici RootsTech.

Sjednice po govorniku

Popis u nastavku uključuje sesije engleskog jezika po govornicima. Ispričavam se što ne mogu razaznati koje se sesije koje nisu na engleskom govore o DNK.

Nemojte dopustiti da vas manji broj pregleda obeshrabri. Već sam pogledala nekoliko ovih i super su. Pretpostavljam da sesije poznatijih govornika ili one čije su sesije navedene u vrhunskim nekretninama imaju više pregleda, ali ono što vam treba možda čeka samo vas u nekoj drugoj sesiji. Ne morate birati i svi su tu za vas na jednom mjestu.

Zvučnik/Prodavač Naslov sjednice Tip Veza Pogledi
Alison Wilde SCREEN metoda: Sustav bilježenja podudaranja DNK koji stvarno pomaže Centar za učenje DNK https://youtu.be/WaNnh_v1rwE 791
Amber Brown Genealog na zahtjev: pomoć koja vam je potrebna uz proračun koji si možete priuštiti Kurirana sesija https://youtu.be/9KjlD6GxiYs 256
Ammon Knaupp Obrazac genetskog nasljeđivanja Centar za učenje DNK https://youtu.be/Opr7-uUad3o 824
Amy Williams Rekonstrukcija predaka: zašto, kako, alati Kurirana sesija https://youtu.be/0D6lAIyY_Nk 5637
Amy Williams Rekonstrukcija roditeljske DNK i analiza srodnika u HAPI-DNA, 1. dio Kurirana sesija https://youtu.be/MZ9L6uPkKbo 1021
Amy Williams Rekonstrukcija roditeljske DNK i analiza srodnika u HAPI-DNA, 2. dio Kurirana sesija https://youtu.be/jZBVVvJmnaU 536
Podrijetlo DNK se podudara Kurirana sesija https://youtu.be/uk8EKXLQYzs 743
Podrijetlo ThruLines Kurirana sesija https://youtu.be/RAwimOgNgUE 1240
Podrijetlo DNK zajednice predaka: donosite nova otkrića u istraživanje obiteljske povijesti Kurirana sesija https://youtu.be/depeGW7QUzU 422
Andre Kearns Pomaganje Afroamerikancima u traganju za ropskim precima pomoću DNK Kurirana sesija https://youtu.be/mlnSU5UM-nQ 2211
Barb Groth Pronašao sam te: metode za pronalaženje skrivenih članova obitelji Kurirana sesija https://youtu.be/J93hxOe_KC8 1285
Beth Taylor Osnove DNK i genealogije Centar za učenje DNK https://youtu.be/-LKgkIqFhL4 967
Beth Taylor Što da radim sa šibicama rođaka? Centar za učenje DNK https://youtu.be/LyGT9B6Mh00 1349
Beth Taylor Korištenje DNK za pronalaženje nepoznate rodbine Centar za učenje DNK https://youtu.be/WGJ8IfuTETY 2166
David Ouimette Usvojen sam – Kako mogu koristiti DNK da pronađem svoje roditelje? Kurirana sesija https://youtu.be/-jpKgKMLg_M 365
Debbie Kennett Tajne i iznenađenja: otkrivanje misterija obiteljske povijesti putem DNK Kurirana sesija https://youtu.be/nDnrIWKmIuA 2899
Debbie Kennett Genetska genealogija susreće CSI Kurirana sesija https://youtu.be/sc-Y-RtpEAw 589
Diahan Southard Što je Centimorgan Savjeti i trikovi https://youtu.be/uQcfhPU5QhI 2923
Diahan Southard Korištenje Zajedničkog cM projekta Centar za učenje DNK https://youtu.be/b66zfgnzL0U 3172
Diahan Southard Razumijevanje rezultata etničke pripadnosti Centar za učenje DNK https://youtu.be/8nCMrf-yJq0 1587
Diahan Southard Problemi sa zajedničkim Centimorganima Centar za učenje DNK https://youtu.be/k7j-1yWwGcY 2494
Diahan Southard 4 Sljedeća koraka za Vaš DNK Kurirana sesija https://youtu.be/poRyCaTXvNg 3378
Diahan Southard Odgovori na vaša DNK pitanja Kurirana sesija https://youtu.be/uUlZh_VYt7k 3454
Diahan Southard Možete napraviti DNK – Možemo vam pomoći Savjeti i trikovi https://youtu.be/V5VwNzcVGNM 763
Diahan Southard Što je DNK podudarnost? Savjeti i trikovi https://youtu.be/Yt_GeffWhC0 314
Diahan Southard Diahanovi savjeti za podudaranje DNK Savjeti i trikovi https://youtu.be/WokgGVRjwvk 3348
Diahan Southard Diahanovi savjeti za Y DNK Savjeti i trikovi https://youtu.be/QyH69tk-Yiw 620
Diahan Southard Diahanovi savjeti o testiranju mtDNA Savjeti i trikovi https://youtu.be/6d-FNY1gcmw 2142
Diahan Southard Diahanovi savjeti o rezultatima etničke pripadnosti Savjeti i trikovi https://youtu.be/nZFj3zCucXA 1597
Diahan Southard Diahanovi savjeti o tome koji DNK test poduzeti Savjeti i trikovi https://youtu.be/t𔃂R8H8q0U 2043
Diahan Southard Diahanovi savjeti o tome kada vaše utakmice ne odgovaraju Savjeti i trikovi https://youtu.be/LgHtM3nS60o 3009
Diahan Southard Tri sljedeća koraka: Korištenje poznatih šibica Savjeti i trikovi https://youtu.be/z1SVq8ME42A 118
Diahan Southard Tri sljedeća koraka: MRCA/DNK i papirni trag Savjeti i trikovi https://youtu.be/JB0cVyk-Y4Q 80
Diahan Southard Tri sljedeća koraka: Počnite s poznatim podudarnostima Savjeti i trikovi https://youtu.be/BSNhaQCNtAo 68
Diahan Southard Tri sljedeća koraka: Dodatni alati Savjeti i trikovi https://youtu.be/PqNPBLQSBGY 140
Diahan Southard Tri sljedeća koraka: ThruLines porijekla Savjeti i trikovi https://youtu.be/KWayyAO8p_c 335
Diahan Southard Tri sljedeća koraka: MyHeritage teorija relativnosti Savjeti i trikovi https://youtu.be/Et2TVholbAE 80
Diahan Southard Tri sljedeća koraka: koga testirati Savjeti i trikovi https://youtu.be/GyWOO1XDh6M 111
Diahan Southard Tri sljedeća koraka: genetika protiv genealogije Savjeti i trikovi https://youtu.be/Vf0DC5eW_vA 294
Diahan Southard Tri sljedeća koraka: Centimorgan definicija Savjeti i trikovi https://youtu.be/nQF935V08AQ 201
Diahan Southard Tri sljedeća koraka: Zajedničke utakmice Savjeti i trikovi https://youtu.be/AYcR_pB6xgA 233
Diahan Southard Tri sljedeća koraka: studija slučaja – Pronalaženje MRCA Savjeti i trikovi https://youtu.be/YnlA9goeF7w 256
Diahan Southard Tri sljedeća koraka: Zašto koristiti DNK Savjeti i trikovi https://youtu.be/v-o4nhPn8ww 266
Diahan Southard Tri sljedeća koraka: Pronalaženje poznatih podudaranja Savjeti i trikovi https://youtu.be/n3N9CnAPr18 688
Diana Elder Korištenje DNK procjena etničke pripadnosti u vašem istraživanju Savjeti i trikovi https://youtu.be/aJgUK3TJqtA 1659
Diane Elder Korištenje DNK u projektu istraživanja klijenata za rješavanje obiteljske misterije 1 sat https://youtu.be/ysGYV6SXxR8 1261
Donna Rutherford DNK i doseljenici Taranakija, Novi Zeland Kurirana sesija https://youtu.be/HQxFwie4774 214
Drew Smith Prije testiranja Osnove 1. dio Kurirana sesija https://youtu.be/wKhMRLpefDI 5079
Drew Smith Prije testiranja Osnove 2. dio Kurirana sesija https://youtu.be/Dopx04UHDpo 2769
Drew Smith Prije testiranja Osnove 3. dio Kurirana sesija https://youtu.be/XRd2IdtA-Ng 2360
Elena Fowler Whakawhanaungatanga koristeći DNK – It’s Complicated (Māori baština) Kurirana sesija https://youtu.be/6XTPMzVnUd8 470
Elena Fowler Whakawhanaungatanga Korištenje DNK – FamilyTreeDNA (maorsko naslijeđe) Kurirana sesija https://youtu.be/fM85tt5ad3A 269
Elena Fowler Whakawhanaungatanga korištenjem DNK – podrijetla (maorsko naslijeđe) Kurirana sesija https://youtu.be/-byO6FOfaH0 191
Esmee Mortimer-Taylor Živi DNK: Anathea prsten – Njezina priča Savjeti i trikovi https://youtu.be/MTE4UFKyLRs 189
Esmee Mortimer-Taylor Živa DNK: Akademija Coretta Scott King – Otkriveni rezultati DNK Savjeti i trikovi https://youtu.be/CK1EYcuhqmc 82
Fonte Felipe Etnički filtri i podudaranja DNK: put prema pronalaženju svoje loze Kurirana sesija https://youtu.be/mt2Rv2lpj7o 553
FTDNA – Janine Cloud Big Y: Što je to? Zašto mi to treba? Kurirana sesija https://youtu.be/jiDcjWk4cVI 2013
FTDNA – Sherman McRae Korištenje DNK za pronalaženje predaka izgubljenih u ropstvu Kurirana sesija https://youtu.be/i3VKwpmttBI 738
Jerome Spears Neuhvatljivi daleki afrički rođaci: Koristeći DNK, oni se mogu pronaći Kurirana sesija https://youtu.be/fAr-Z78f_SM 335
Karen Stanbary Isključenje umjesto donošenje: DNK i GPS na djelu 1 sat https://youtu.be/-WLhIHlSyLE 548
Katherine Borges DNK i društva loza Savjeti i trikovi https://youtu.be/TBYGyLHHAOI 451
Kimberly Brown Zašto ne podudaram svoje šibice Centar za učenje DNK https://youtu.be/A8k31nRzKpc 4593
Kitty Munson Cooper Osnove istraživanja nepoznatog porijekla korištenjem DNK 1. dio Kurirana sesija https://youtu.be/2f3c7fJ74Ig 2931
Kitty Munson Cooper Osnove istraživanja nepoznatog porijekla pomoću DNK, 2. dio Kurirana sesija https://youtu.be/G7h-LJPCywA 1222
Lauren Vasiljev Pronalaženje rođaka kroz DNK Kurirana sesija https://youtu.be/UN7WocQzq78 1979
Lauren Vasylyev, Camille Andrus Pronalaženje predaka putem DNK Kurirana sesija https://youtu.be/4rbYrRICzrQ 3919
Leah Larkin Razmrsivanje endogamije 1. dio Kurirana sesija https://youtu.be/0jtVghokdbg 2291
Leah Larkin Rasplet endogamije, 2. dio Kurirana sesija https://youtu.be/-rXLIZ0Ol-A 1441
Liba Casson-Budell Svjetlost židovskog rodoslovlja Kurirana sesija https://youtu.be/pHyVz94024Y 162
Libby Copeland Kako je kućno DNK testiranje redefiniralo obiteljsku povijest Kurirana sesija https://youtu.be/LsOEuvEcI4A 13,554
Linda Farrell Započnite istraživanje u Južnoj Africi Kurirana sesija https://youtu.be/So7y9_PBRKc 339
Živi DNK Kako napraviti bris živog DNK Savjeti i trikovi https://youtu.be/QkbxhqCw7Mo 50
Lynn Broderick Etička razmatranja korištenjem DNK rezultata Kurirana sesija https://youtu.be/WMcRiDxPy2k 249
Mags Gaulden Važnost i prednosti Y DNA testiranja Centar za učenje DNK https://youtu.be/MVIiv0H7imI 1032
Maurice Gleeson Korištenje Y-DNK za istraživanje vašeg prezimena Kurirana sesija https://youtu.be/Ir4NeFH_aJs 1140
Melanie McComb Georgetown Memory Project: Preserving the Stories of the GU272 Kurirana sesija https://youtu.be/Fv0gHzTHwPk 320
Michael Kennedy Što možete učiniti sa svojim DNK testom? Centar za učenje DNK https://youtu.be/rKOjvkqYBAM 616
Michelle Leonard Razumijevanje podudaranja DNK X-kromosoma Kurirana sesija https://youtu.be/n784kt-Xnqg 775
Moje nasljedstvo Kako analizirati podudaranja DNK na MH Kurirana sesija https://youtu.be/gHRvyQYrNds 1192
Moje nasljedstvo DNK – Pregled Kurirana sesija https://youtu.be/AIRGjEOg_xo 389
Moje nasljedstvo Napredni DNK alati Kurirana sesija https://youtu.be/xfZUAjI5G_I 762
Moje nasljedstvo Kako započeti s podudaranjem DNK Savjeti i trikovi https://youtu.be/rU_dq1vt6z4 1901
Moje nasljedstvo Kako filtrirati i sortirati DNK podudaranja Savjeti i trikovi https://youtu.be/aJ7dRwMTt90 1008
Nicole Dyer Kako protumačiti DNK Cluster Chart Savjeti i trikovi https://youtu.be/FI4DaWGX8bQ 4982
Nicole Dyer Kako procijeniti hipotezu ThruLines Savjeti i trikovi https://youtu.be/ao2K6wBip7w 4823
Nicole Dyer Organizirajte svoje DNK podudaranja u dijagram Savjeti i trikovi https://youtu.be/UugdM8ATTVo 6175
Nicole Dyer Istraživanja u južnim državama Kurirana sesija https://youtu.be/Pouw_yPrVSg 871
Olivia Fordiani Razumijevanje osnovne genetske genealogije Centar za učenje DNK https://youtu.be/-kbGOFiwH2s 810
Pamela Bailey Traže se informacije: ponovno okupljanje američke obitelji razdvojene ropstvom Savjeti i trikovi https://youtu.be/DPCJ4K8_PZw 105
Patricia Coleman Početak rada s DNA Painterom Centar za učenje DNK https://youtu.be/Yh_Bzj6Atck 1775
Patricia Coleman Dodavanje MyHeritage podataka u DNA Painter Centar za učenje DNK https://youtu.be/rP9yoCGjkLc 458
Patricia Coleman Dodavanje 23andMe podataka u DNA Painter Centar za učenje DNK https://youtu.be/pJBAwe6s0z0 365
Penny Walters Miješanje DNK s papirnim tragom Centar za učenje DNK https://youtu.be/PP4SjdKuiLQ 2693
Penny Walters Suradnja s DNK podudarnostima kada ste udomljeni Centar za učenje DNK https://youtu.be/9ioeCS22HlQ 1222
Penny Walters Razlike u etničkoj pripadnosti između mojih 6 djece Centar za učenje DNK https://youtu.be/RsrXLcXRNfs 400
Penny Walters Razlike u DNK rezultatima između mojih 6 djece Centar za učenje DNK https://youtu.be/drnzW3FXScI 815
Penny Walters Etičke dileme u DNK testiranju Centar za učenje DNK https://youtu.be/PRPoc0nB4Cs 437
Penny Walters Usvajanje – Pozadinski kontekst Kurirana sesija https://youtu.be/qC1_Ln8WCNg 1054
Penny Walters Usvajanje – Korištenje DNK testiranja za izgradnju biološkog obiteljskog stabla Kurirana sesija https://youtu.be/zwJ5QofaGTE 941
Penny Walters Usvajanje – Etičke dileme i različite posljedice traženja bio obitelji Kurirana sesija https://youtu.be/ZLcHHTSfCIE 576
Penny Walters Želim svoju mumiju: Drevni i moderni Egipat Kurirana sesija https://youtu.be/_HRO50RtzFk 311
Rebecca Whitman Koford BCG: Kratki obilazak BCG web stranice korak po korak Savjeti i trikovi https://youtu.be/YpV9bKG6sXk 317
Renate Yarborough Sanders DNK razumijevanje osnova Centar za učenje DNK https://youtu.be/bX_flUQkBEA 2713
Renate Yarborough Sanders Testirati ili ne testirati Centar za učenje DNK https://youtu.be/58-qzvN4InU 1048
Rhett Dabling Pronalaženje domovine predaka putem DNK Kurirana sesija https://youtu.be/k9zixg4uL1I 505
Rhett Dabling, Diahan Southard Razumijevanje rezultata DNK etničke pripadnosti Kurirana sesija https://youtu.be/oEt7iQBPfyM 4287
Richard Price Pronalaženje biološke obitelji Savjeti i trikovi https://youtu.be/L9C-SGVRZLM 101
Robert Kehrer Hoće li dijeliti moj DNK (pristanak, pravila, itd.) Centar za učenje DNK https://youtu.be/SUo-jpTaR1M 480
Robert Kehrer Što je Centimorgan? Centar za učenje DNK https://youtu.be/dopniLw8Fho 1194
Roberta Estes DNK triangulacija: što, zašto i kako 1 sat https://youtu.be/nIb1zpNQspY 6106
Roberta Estes Majčini preci Centar za učenje DNK https://youtu.be/uUh6WrVjUdQ 3074
Robin Olsen Wirthlin Kako mi DNK može pomoći da pronađem svoje pretke? Kurirana sesija https://youtu.be/ZINiyKsw0io 1331
Robin Olsen Wirthlin DNA Tools Bell Curve Savjeti i trikovi https://youtu.be/SYorGgzY8VQ 1207
Robin Olsen Wirthlin Stabla procesa DNK vode vas u korištenju DNK u istraživanju obiteljske povijesti Savjeti i trikovi https://youtu.be/vMOQA3dAm4k 1708
Shannon Combs-Bennett Osnove DNK postale su lake Centar za učenje DNK https://youtu.be/4JcLJ66b0l4 1560
Shannon Combs-Bennett Zidovi od DNK opeke Centar za učenje DNK https://youtu.be/vtFkT_PSHV0 450
Shannon Combs-Bennett Osnove genetske genealogije 1. dio Kurirana sesija https://youtu.be/xEMbirtlBZo 2263
Shannon Combs-Bennett Osnove genetske genealogije 2. dio Kurirana sesija https://youtu.be/zWMPja1haHg 1424
Steven Micheleti, Joanna Mountain Genetske posljedice transatlantske trgovine robljem 1. dio Kurirana sesija https://youtu.be/xP90WuJpD9Q 2284
Steven Micheleti, Joanna Mountain Genetske posljedice transatlantske trgovine robljem, 2. dio Kurirana sesija https://youtu.be/McMNDs5sDaY 742
Thom Reed Kako nas povezivanje s precima može upotpuniti? Kurirana sesija https://youtu.be/gCxr6W-tkoY 392
Tim Janzen Praćenje linija predaka u 1700-ima pomoću DNK 1. dio Kurirana sesija https://youtu.be/bB7VJeCR6Bs 5866
Tim Janzen Praćenje linija predaka u 1700-ima pomoću DNK 2. dio Kurirana sesija https://youtu.be/scOtMyFULGI 3008
Ugo Perego Prednosti i ograničenja genetskog testiranja obiteljske povijesti Centar za učenje DNK https://youtu.be/XkBK1y-LVaE 480
Ugo Perego Osobno genetsko putovanje Centar za učenje DNK https://youtu.be/Lv9CSU50xCc 844
Ugo Perego Otkrivanje porijekla Indijanaca putem DNK Kurirana sesija https://youtu.be/L1cs748ctx0 884
Ugo Perego Mitohondrijska DNK: Naša obiteljska povijest naslijeđena s majke Kurirana sesija https://youtu.be/Z5bPTUzewKU 599
Živio Laliberte Uvod u Y DNK Centar za učenje DNK https://youtu.be/rURyECV5j6U 752
Yetunde Moronke Abiola 6% Nigerijaca: Tragom mog nestalog nigerijskog pretka Kurirana sesija https://youtu.be/YNQt60xKgyg 494

Dobivam mali doprinos kada kliknete na neke od poveznica na dobavljače u mojim člancima. Ovo NE povećava cijenu koju plaćate, ali mi pomaže da svjetla budu upaljena i ovaj informativni blog besplatan za sve. Molimo kliknite na poveznice u člancima ili do dobavljača u nastavku ako kupujete proizvode ili DNK testiranje.


Odgovori Radni list za analizu pedigrea Odgovori / Radni list genetske karte Odgovor | Radni listovi za ispis i .

Odgovori Radni list za analizu pedigrea Odgovori / Radni list genetske karte Odgovor | Radni listovi za ispis i . . Apsolutno najprikladnija tema uistinu može pojednostaviti vaš život jer maksimizira izazovna rješenja, sofisticirane stilove zajedno s. Izrada teme radnog lista uistinu vam može pomoći u uštedi vremena. Pokazat će kako se napraviti točan dijagram rodovnika. Brzina programa općenito je bila važna potrošačima, ali u ovo radno vrijeme postaje nešto što se ne samo želi, već i očekuje. D se ne može isključiti. Pedigrees pregledni članak pedigrees khan academy. Koji članovi gornje obitelji imaju Huntingtonovu bolest? Uz radni list učenici mogu lakše razumjeti predmet općenito. Korištenje radnih listova znači olakšati učenicima da mogu odgovoriti na pitanja o temama koje su naučili. Analiza podataka spektra i ocjene vjerojatnosti 6 8 statistika.

Ako je čist, ima normalno zgrušavanje krvi. Analiza i dizajn mikroelektroničkog kruga Donald. Ako je potamnjeno, ima hemofiliju Radni list za analizu rodovnika iz radnog lista rodovnika odgovori, izvor:

Ključ za odgovor na radni list s ljudskim rodovnicima - kidsworksheetfun s kidsworksheetfun.com Radni list s rodovnikom biologija, radni list s osnovama rodovnika, radni list dijagrama rodovnika, radni list dijagrama rodovnika s odgovorima, rodovnik 33 najbolje genetičke slike na pinterestu iz odgovora na radni list rodovnika , izvor: Brzina programa je općenito važna potrošača, ali u ovo radno vrijeme postaje nešto što se ne samo želi, već i očekuje. Radni list za analizu rodovnika odgovara na pitanje kako napraviti analizu rodovnika. Izrada radnog lista rodovnika odgovori, radni list rodovnika krvne grupe, radni list rodovnika s ključem odgovora, radni list rodovnika anemija srpastih stanica. Ovaj kviz i odgovarajući radni list mogu vam pomoći u procjeni. Neki od radnih listova u nastavku su radni listovi s rodovnicima s ključem za odgovore, koji istražuju komponente rodovnika:, analiziraju jednostavne rodovnice i tumače ljudski rodovnik s nekoliko zanimljivih pitanja s odgovorima. Ključ za radni list rodovnika i ii 1 2 1 2 4 5 3 = Huntingtonova bolest 6 7 8 iii 1 2 3 4 5 1. Odgovor na radni list o rodovnici ključne aktivnosti za djecu u biologiji kroz odgovore na radni list za analizu rodovnika. Radni list za analizu rodovnika odgovara na dio emisije.

Poremećaj uzrokuje nedostatak pigmenta u koži i kosi zbog čega albino izgleda vrlo blijedo sa bijelom kosom i blijedom odgovorom na ključ za radni list koji gleda na rodovnike u obiteljima s albinizmom.

Radni list za analizu rodovnika iz odgovora na radni list o rodovnici, izvor: .4 tumačenje dijagrama rodovnika radi u maloj grupi ili samostalno. Ako je potamnjeno ima hemofiliju Radni list za analizu rodovnika odgovara na pitanje kako napraviti analizu rodovnika. Korištenje radnih listova znači olakšati učenicima da mogu odgovoriti na pitanja o temama koje su naučili. Neki od radnih listova u nastavku su radni listovi s rodovnicima s ključem za odgovore, koji istražuju komponente rodovnika:, analiziraju jednostavne rodovnice i tumače ljudski rodovnik s nekoliko zanimljivih pitanja s odgovorima. Radni list o rodovnici biologija, radni list s osnovama rodovnika, radni list dijagrama rodovnika, radni list dijagrama rodovnika s odgovorima, rodovnica 33 najbolje genetičke slike na pinterestu iz odgovora na radni list rodovnika , izvor: Uz radni list učenici mogu lakše razumjeti predmetnu temu općenito. U analizi rodovnika uvijek je važno pokušati odvojiti ekološke uzroke od genetskih. Kako se tehnologije ubrzavaju, naša je kultura postala jedinstvena u kojoj očekujemo trenutno zadovoljstvo. Koliko ima mužjaka?

U rodovniku kvadrat predstavlja mužjaka. .radni list odgovori dio a najnoviji je način gledanja na definiranje sreće u svim aspektima našeg života, uključujući osobni život i odnose na poslu. Ako je čist, ima normalno zgrušavanje krvi. Biologija 1 vježba test ključ za odgovore twitpic 1 5 radni list ključevi odgovora studijalib net home učenjaci zadaci zadaci eseji najbolje prilagođene usluge pisanja kahoot svjetska povijest kratki kratki 1 odgovor ključ trka za bogatstvom bilješke o geografiji obrazac 3 besplatno preuzimanje kcse revizija. Neki od radnih listova za ovaj koncept su rad s rodovnikom s ključem odgovora, radni ključ odgovora na genetiku ljudskog rodovnika, ključ odgovora na rad s rodovnikom pdf, rad s rodovničkim kartama, rad s rodovnikom razreda imena, problemi i odgovori uvježbavanja rodovnika, vježbanje rodovnika.Analiza rodovnika genetska povijest obitelji i njezini poremećaji. Izrada teme radnog lista uistinu vam može pomoći u uštedi vremena.

8 najboljih slika razbijanja vašeg radnog lista genetskog koda. s www.worksheeto.com Rodovnik je karta predaka osobe koja se koristi za analiziranje nasljeđivanja određenih vlakova, posebno bolesti. Koliko ima mužjaka? Ako je čist, imao je normalno zgrušavanje krvi. U rodovniku kvadrat predstavlja mužjaka. Ako je čist, ima normalno zgrušavanje krvi. Paulikova web stranica, možete preuzeti obrazac za prijavu za ielts, listove s odgovorima, teme i veze na njihove odgovore, opis rezultata benda kako biste razumjeli test kao što možda već znate. D se ne može isključiti.

.radni list odgovori dio a najnoviji je način gledanja na definiranje sreće u svim aspektima našeg života, uključujući osobni život i odnose na poslu.

Analiza podataka spektra i ocjene vjerojatnosti 6 8 statistika. .radni list odgovori dio a najnoviji je način gledanja na definiranje sreće u svim aspektima našeg života, uključujući osobni život i odnose na poslu. Mnogi motivatori imaju zabludu o materijalu koji pružaju prilikom susreta s publikom. Uz radni list učenici mogu lakše razumjeti predmet općenito. Ako je potamnjeno ima hemofiliju Musa 14. svibnja 2018. radni listovi bez komentara. Ako je potamnjeno ima hemofiliju Rodovnik je karta predaka osobe koja se koristi za analiziranje nasljeđivanja određenih vlakova posebno bolesti. U rodovniku kvadrat predstavlja mužjaka. Ključni odgovor na radni list genetike rodovnik radni list s rodovnikom genetika ključ odgovora i tablice rodovnika radni listovi ključ odgovora neke su glavne stvari koje ćemo vam predstaviti na temelju naslova galerije. Ključ za radni list genetike rodovnika radni list genetike rodovnik ključ odgovora i tablice rodovnika radni listovi ključ odgovora su neke glavne stvari koje ćemo izraditi radni list s rodovnicom pdf odgovori kviz radni list rodovnik. Ključ za radni list rodovnika i ii 1 2 1 2 4 5 3 = Huntingtonova bolest 6 7 8 iii 1 2 3 4 5 1. To je recesivna osobina jer generacija ii nema bolest, a generacije i i ii je imaju.

Pedigrees pregledni članak pedigrees khan academy. 84 radni list s rodovnikom genetike odgovori louboutinsoldes org. To je recesivna osobina jer generacija ii nema bolest, a generacije i ii je imaju. Identificirajte genotipove sljedećih osoba koristeći gore navedeni rodovnik. Ako je čist, ima normalno zgrušavanje krvi. 32 ključ za odgovor na radni list rodovnika. Korištenje radnih listova znači olakšati učenicima da mogu odgovoriti na pitanja o temama koje su naučili. Analiza rodovnika genetska povijest obitelji i njezini poremećaji. Analiza i dizajn mikroelektroničkog kruga Donald.

Izrada radnog lista s rodovnikom Odgovori . s ecdn.teacherspayteachers.com Identificirajte genotipove sljedećih pojedinaca koristeći gore navedeni rodovnik. Analiza podataka spektra i ocjene vjerojatnosti 6 8 statistika. Radni list s rodovnicima odgovori na ključne aktivnosti za djecu iz biologije kroz odgovore na radni list za analizu rodovnika. Mnogi motivatori imaju pogrešnu predodžbu o materijalu koji pružaju prilikom susreta s publikom. Korištenje radnih listova znači olakšati učenicima da mogu odgovoriti na pitanja o temama koje su naučili. Naša digitalna knjižnica sprema na više mjesta, omogućujući vam da dobijete. Ako je zamračen ima hemofiliju

Ključni odgovor na radni list genetike rodovnik radni list s rodovnikom genetika ključ odgovora i tablice rodovnika radni listovi ključ odgovora neke su glavne stvari koje ćemo vam predstaviti na temelju naslova galerije.

Ako je čist, ima normalno zgrušavanje krvi. Ključni odgovor na radni list genetike rodovnik radni list s rodovnikom genetika ključ odgovora i tablice rodovnika radni listovi ključ odgovora neke su glavne stvari koje ćemo vam predstaviti na temelju naslova galerije. Analiza rodovnika genetska povijest obitelji i njezini poremećaji. Rodovnici, radni list s autosomnim rodovnicima, radni list za zabavu i ispis, analiza pedigrea, radni list s rodovnicima, radni list za zabavu i ispis, dijagram rodovnika mendelijska genetika. Uz radni list učenici mogu lakše razumjeti predmet općenito. Ako je potamnjeno, ima hemofiliju. U analizi rodovnika uvijek je važno pokušati odvojiti ekološke uzroke od genetskih. C je također teoretski moguć, ali nije potrebno pozivati ​​se na tu mogućnost kao uzrok. Rodovni mužjak heterozigot pokazuje osobinu. Radni list s rodovnicom s ključem odgovora 11 najboljih slika. U rodovniku kvadrat predstavlja mužjaka. Koliko ima mužjaka?

Tipična rodovnica za obitelj koja nosi radni list za analizu rodovnika odgovor na ključne rodovnice rodovnice sestara ameba prije 3 godine 9.

Ključ za radni list genetike rodovnika radni list genetike rodovnik ključ odgovora i tablice rodovnika radni listovi ključ odgovora su neke glavne stvari koje ćemo izraditi radni list s rodovnicom pdf odgovori kviz radni list rodovnik.

Ključ za radni list rodovnika i ii 1 2 1 2 4 5 3 = Huntingtonova bolest 6 7 8 iii 1 2 3 4 5 1.

Ako je čist, ima normalno zgrušavanje krvi.

Pokazat će kako se napraviti točan dijagram rodovnika.

Radni list za analizu rodovnika odgovara na pitanje kako napraviti analizu rodovnika.

Neki od radnih listova za ovaj koncept su rad s rodovnikom s ključem odgovora, radni ključ odgovora na genetiku ljudskog rodovnika, ključ odgovora na rad s rodovnikom pdf, rad s rodovničkim kartama, rad s rodovnikom razreda imena, problemi i odgovori uvježbavanja rodovnika, vježbanje rodovnika.

· radni list s rodovnikom genetike ključ odgovora ili radni list s rodovnikom genetike.

Ključ za radni list rodovnika i ii 1 2 1 2 4 5 3 = Huntingtonova bolest 6 7 8 iii 1 2 3 4 5 1.

84 radni list s rodovnikom genetike odgovori louboutinsoldes org.

Odgovori na radnom listu za analizu rodovnika kao derivat velikih ideja odgovaraju na pitanja.

Ovaj kviz i odgovarajući radni list mogu vam pomoći u procjeni.

Neki od radnih listova za ovaj koncept su rad s rodovnikom s ključem odgovora, radni ključ odgovora na genetiku ljudskog rodovnika, ključ za odgovore na rodovnički rad pdf, rad s rodovničkim kartama, rad s rodovnikom razreda imena, dijagram pedigrea.

Ako je čist, imao je normalno zgrušavanje krvi.

Radni list za analizu rodovnika odgovara na dio emisije.

Paulikova web stranica, možete preuzeti obrazac za prijavu za ielts, listove s odgovorima, teme i veze na njihove odgovore, opis rezultata benda kako biste razumjeli test kao što možda već znate.

Pokazat će kako se napraviti točan dijagram rodovnika.

.4 tumačenje dijagrama rodovnika raditi u maloj skupini ili samostalno.

Radni list s rodovnicom s ključem odgovora 11 najboljih slika.

Ako je čist, imao je normalno zgrušavanje krvi.

Paulikova web stranica, možete preuzeti obrazac za prijavu za ielts, listove s odgovorima, teme i veze na njihove odgovore, opis rezultata benda kako biste razumjeli test kao što možda već znate.

Rodovnici, radni list s autosomnim rodovnicima, radni list za zabavu i ispis, analiza pedigrea, radni list s rodovnicima, radni list za zabavu i ispis, dijagram rodovnika mendelijska genetika.

Ovaj kviz i odgovarajući radni list mogu vam pomoći u procjeni.

Ključ za radni list genetike rodovnika radni list genetike rodovnik ključ odgovora i tablice rodovnika radni listovi ključ odgovora su neke glavne stvari koje ćemo izraditi radni list s rodovnicom pdf odgovori kviz radni list rodovnik.

Ako je zamračen ima hemofiliju

C je također teoretski moguć, ali nije potrebno pozivati ​​se na tu mogućnost kao uzrok.

Biologija 1 vježba test ključ za odgovore twitpic 1 5 radni list ključevi odgovora studijalib net home učenjaci zadaci zadaci eseji najbolje prilagođene usluge pisanja kahoot svjetska povijest kratki kratki 1 odgovor ključ trka za bogatstvom bilješke o geografiji obrazac 3 besplatno preuzimanje kcse revizija.

Odgovori na radnom listu za analizu rodovnika kao derivat velikih ideja odgovaraju na pitanja.


Rezultati

ReLERNN: Točna metoda za procjenu krajolika rekombinacije u cijelom genomu

Razvili smo ReLERNN, novu metodu dubokog učenja za točno predviđanje stope rekombinacije na razini cijelog genoma po bazi od samo četiri kromosoma. Ukratko, ReLERNN pruža end-to-end inferencijalni cjevovod za procjenu rekombinacijske karte iz uzorka populacije: uzima kao ulaz ili datoteku varijantnog formata poziva (VCF) ili, u slučaju ReLERNN za podatke Pool-seq, vektor frekvencija alela i genomskih koordinata. ReLERNN zatim koristi program koalescentne simulacije, msprime (Kelleher et al. 2016.), za simulaciju skupova podataka za obuku, provjeru valjanosti i testiranja ili pod konstantnom veličinom populacije ili za pretpostavljenu povijest veličine populacije. Važno je da su ove simulacije parametrizirane kako bi odgovarale distribuciji Wattersonovog procjenitelja, θW, izračunato iz empirijskih uzoraka. ReLERNN trenira specifičnu vrstu RNN-a, poznatu kao zatvorena rekurentna jedinica (GRU Cho et al. 2014.), da predvidi stopu rekombinacije po bazi za ove simulacije, koristeći samo sirovu matricu genotipa i vektor genomskih koordinata za svaku simulaciju primjer (slika 1 i dodatne slike S1 i S2, Dodatni materijal online). Zatim koristi ovu uvježbanu mrežu za procjenu stope rekombinacije u cijelom genomu po bazi za empirijske uzorke koristeći pristup kliznog prozora. ReLERNN može izborno procijeniti 95% CI oko svakog predviđanja pomoću parametarskog pristupa pokretanja i koristi predviđanja generirana tijekom pokretanja kako bi ispravio inherentne pristranosti u procesu obuke (pogledajte dodatnu sliku materijala i metoda S3, Dodatni materijal na mreži).

Crtić koji prikazuje tipičan tijek rada koristeći četiri ReLERNN-ova modula (zasjenjena polja) za (A) pojedinačno sekvencirani genomi ili (B) skupljene sekvence. ReLERNN može opcionalno (isprekidane crte) koristiti izlaz iz stairwayplot, SMC++ i MSMC za simulaciju pod demografskom poviješću s msprimeom. Umetci za obuku pokazuju korištene mrežne arhitekture, s GRU umetkom u (B) koji prikazuje zatvorene veze unutar svake skrivene jedinice. Ovdje, r, z, ht, i h t ˜ su vrata za poništavanje, vrata ažuriranja, aktivacija i aktivacija kandidata (Cho et al. 2014.). Matrica genotipa kodira alele kao referentne (−1), alternativne (1) ili podstavljene/nedostajuće podatke (0 nije prikazano). Pozicije varijanti kodirane su duž pravog broja realnog broja (0–1).

Crtić koji prikazuje tipičan tijek rada koji koristi četiri ReLERNN-ova modula (zasjenjena polja) za (A) pojedinačno sekvencirani genomi ili (B) skupljene sekvence. ReLERNN može opcionalno (isprekidane crte) koristiti izlaz iz stairwayplot, SMC++ i MSMC za simulaciju pod demografskom poviješću s msprimeom. Umetci za obuku pokazuju korištene mrežne arhitekture, s GRU umetkom u (B) koji prikazuje zatvorene veze unutar svake skrivene jedinice. Ovdje, r, z, ht, i h t ˜ su vrata za poništavanje, vrata ažuriranja, aktivacija i aktivacija kandidata (Cho et al. 2014.). Matrica genotipa kodira alele kao referentne (−1), alternativne (1) ili podstavljene/nedostajuće podatke (0 nije prikazano). Pozicije varijanti kodirane su duž pravog broja (0–1).

Ključna značajka ReLERNN-ove mrežne arhitekture je dvosmjerni GRU sloj (slika 1 i dodatna slika S1, Dodatni materijal na mreži), koji nam omogućuje modeliranje poravnanja genomskih sekvenci kao vremenske serije. Iako mreže za prosljeđivanje koriste kao ulaz cijeli blok podataka za svaki primjer, rekurentni slojevi razbijaju svako poravnanje genotipa u vremenske korake koji odgovaraju diskretnim genomskim koordinatama i ponavljaju se kroz vremenske korake uzastopno. U svakom vremenskom koraku, GRU-ovi moduliraju protok informacija, koristeći vrata za resetiranje i ažuriranje koja kontroliraju kako se aktivacija ažurira (Cho i sur. 2014 Chung et al. 2014). Ovaj proces omogućuje algoritmu gradijentnog spuštanja, poznatom kao propagacija unatrag kroz vrijeme, da dijeli parametre kroz vremenske korake, kao i da donosi zaključke na temelju redoslijeda SNP-ova – to jest, da ima prostorno pamćenje alelnih asocijacija duž kromosoma. Dvosmjerni atribut sloja GRU jednostavno znači da je svaki primjer dupliciran i obrnut, tako da se podaci o sekvenci analiziraju iz oba smjera i zatim spajaju spajanjem. Predstavljamo generalizirani GRU za analizu podataka o genomskom slijedu, zajedno s detaljnijim pregledom parametara arhitekture mreže koje koristi ReLERNN na dodatnoj slici S1, Dodatni materijal na mreži.

Izvedba na simuliranim kromosomima

Da bismo procijenili našu metodu, izveli smo koalescentne simulacije koristeći msprime (Kelleher et al. 2016.), generirajući uzorke cijelih kromosoma koristeći genetičku kartu finog razmjera procijenjenu iz križanja D. melanogaster (Comeron i sur. 2012.). Zatim smo upotrijebili ReLERNN za procjenu krajolika rekombinacije za ove simulirane primjere. ReLERNN je u stanju predvidjeti krajolik stopa rekombinacije po bazi s visokim stupnjem točnosti u širokom rasponu realnih vrijednosti parametara, pretpostavki i veličina uzoraka (⁠ R 2 ≥ 0,82 ⁠ srednja apsolutna pogreška [MAE] ≤ 1,28 × 10 − 8). Važno je da je točnost ReLERNN-a samo skromno smanjena kada se uspoređuju predviđanja na temelju 20 uzoraka (⁠R 2 = 0,93⁠ MAE = 3,72 × 10 − 9⁠ ​​sl. 2A) s predviđanjima koja se temelje na četiri uzorka (⁠0.8R2 = 6,66 × 10 − 9 ⁠ dodatna slika S4 , Dodatni materijal online). Također pokazujemo da ReLERNN djeluje jednako dobro na faznim i nefaznim genotipovima (W = 68.5 P = 0,17 Mann–Whitney U dodatni test sl. S5 , Dodatni materijal na mreži), što sugerira da bi se svaki učinak računske pogreške faziranja mogao ublažiti tretiranjem ulaza kao nefaziranih varijanti.

(A) Predviđanja brzine rekombinacije za simuliranu Drosophila kromosom (crna linija) koristeći ReLERNN za pojedinačno sekvencirane genome (crvena linija). Rekombinacijski krajolik je simuliran za n = 20 kromosoma pod konstantnom veličinom populacije koristeći msprime (Kelleher et al. 2016.), sa stopama križanja po bazi uzetim iz D. melanogaster kromosom 2L (Comeron i sur. 2012.). Sive vrpce predstavljaju 95% CI. R 2 je prikazan za opći linearni model predviđenih stopa na stvarnim brzinama, a srednja apsolutna pogreška izračunata je za sve prozore od 100 kb. (B) Distribucija sirove pogreške (⁠ r predviđeno − r istinito ⁠ ) korištenjem ReLERNN-a za Pool-seq podatke. Bazeni simulirani iz istog rekombinacijskog krajolika kao gore, s n = 20 i (C) n = 50 kromosoma u rasponu simuliranih dubina čitanja (⁠ 0,5 × do 5 × Inf predstavlja beskonačnu simuliranu dubinu sekvenciranja). Prikazana su i predviđanja ispravljena bootstrapom (crveno) i predviđanja koja nisu ispravljena (NBSC bijela).

(A) Predviđanja brzine rekombinacije za simuliranu Drosophila kromosom (crna linija) koristeći ReLERNN za pojedinačno sekvencirane genome (crvena linija). Rekombinacijski krajolik je simuliran za n = 20 kromosoma pod konstantnom veličinom populacije koristeći msprime (Kelleher et al. 2016.), sa stopama križanja po bazi uzetim iz D. melanogaster kromosom 2L (Comeron i sur. 2012.). Sive vrpce predstavljaju 95% CI. R 2 je prikazan za opći linearni model predviđenih stopa na stvarnim brzinama, a srednja apsolutna pogreška izračunata je za sve prozore od 100 kb. (B) Distribucija sirove pogreške (⁠ r predviđeno − r istinito ⁠ ) korištenjem ReLERNN-a za Pool-seq podatke. Bazeni simulirani iz istog rekombinacijskog krajolika kao gore, s n = 20 i (C) n = 50 kromosoma u rasponu simuliranih dubina čitanja (⁠ 0,5 × do 5 × Inf predstavlja beskonačnu simuliranu dubinu sekvenciranja). Prikazana su i predviđanja ispravljena bootstrapom (crveno) i predviđanja koja nisu ispravljena (NBSC bijela).

Budući da je ReLERNN pokazao izuzetno dobar učinak na nefaziranim genotipovima, nagađali smo da bi mogao prikupiti ključne informacije o stopama rekombinacije samo iz vektora frekvencija alela. Stoga smo odlučili proširiti ReLERNN na rad s podacima Pool-seq, gdje su jedini ulazi vektor frekvencija alela i njihove odgovarajuće genomske koordinate. Iznenađujuće, ReLERNN pokazuje skromnu točnost na simuliranim podacima Pool-seq, unatoč simuliranim dubinama uzorka i čitanja kao n = 50 i pokrivenost = 50 × ( ⁠ R 2 = 0,54 ⁠ MAE = 1,59 × 10 − 8 ⁠ dodatna slika S6 , Dodatni materijal online). Povećanje dubine čitanja na nominalnih 5×, dubine uzorka (npr. n = 50 i pokrivenost = 250 × ⁠ ) proizvela je znatno veću točnost ( ⁠ R 2 = 0,69 ⁠ MAE = 1,20 × 10 − 8 ⁠ dodatna slika S7 , Dodatni materijal na mreži). Kao opći trend, pokazujemo da se pogreška predviđanja smanjuje povećanjem broja kromosoma uzorkovanih u grupi (tj. povećanjem razlučivosti frekvencije alela) i povećanjem dubine sekvenciranja (tj. smanjenjem pogreške uzorkovanja) (slika 2B). Iako trenutno postoji softver za procjenu LD u podacima Pool-seq (Feder et al. 2012), prema našim saznanjima, ReLERNN je prvi softver koji izravno procjenjuje stope rekombinacije koristeći te podatke.

Iako ReLERNN zadržava točnost pri malim veličinama uzorka, pokazuje nešto veću osjetljivost i na pretpostavljenu prosječnu stopu mutacije u cijelom genomu, μ ¯ ⁠ , i pretpostavljenu maksimalnu vrijednost za rekombinaciju, ρmax. Da bismo procijenili stupanj osjetljivosti na ove pretpostavke, pokrenuli smo ReLERNN na simuliranim kromosomima uz pretpostavku da je μ ¯ i 50% veći i 50% manji od simulirane stope mutacije, μpravi. U oba scenarija, ReLERNN predviđa stope prelaska koje su u visokoj korelaciji s pravim stopama (⁠ R2 > 0,91⁠). Međutim, u oba scenarija, MAE je napuhan, ali još uvijek skroman, a apsolutne stope rekombinacije nedovoljno su predviđene ( ⁠ R 2 = 0,91 ⁠ MAE = 1,23 × 10 − 8 ⁠ dodatna slika S8 , Dodatni materijal na mreži) i malo prepredviđene ( ⁠ R 2 = 0,94 ⁠ MAE = 1,28 × 10 − 8 ⁠ dodatna slika S9 , Dodatni materijal online) kada se pretpostavi da je μ ¯ manji ili veći od μpravi, odnosno. Štoviše, podcjenjivanje ρmax uzrokuje da ReLERNN podcjenjuje stope rekombinacije otprilike proporcionalne veličini podcjenjivanja (dodatne slike S10 i S11, Dodatni materijal na mreži), dok precjenjivanje ρmax uzrokuje samo mali gubitak u točnosti (⁠ R 2 = 0,90 ⁠ MAE = 4,07 × 10 − 9 ⁠ dodatna slika S12, Dodatni materijal online). Zajedno, ovi rezultati sugeriraju da ReLERNN zapravo uči informacije o omjeru križanja i mutacija, i iako je ReLERNN vrlo robustan za pogrešne pretpostavke kada predviđa relativne stope rekombinacije unutar genoma, mora se biti oprezan kada se uspoređuju apsolutne stope između organizama s velikim razlike u procjenama stope mutacija po bazi ili za vrste.Jedno dodatno ograničenje za ReLERNN je njegova nesposobnost da u potpunosti razriješi žarišta uske stope rekombinacije (ovdje definirane kao ≤ 10 -kb genomske regije s r ≥ 50 × prosjek za cijeli genom). Simulirali smo žarišne točke različitih duljina [dužina ∈ < 2 kb, 4 kb, 6 kb, 8 kb, 10 kb >, r background = 2,5 e − 9, r hotspot = 1,25 e − 7] i otkrili da su pogreške na žarišnim točkama negativne u korelaciji s duljinom žarišne točke (dodatna slika S13, Dodatni materijal na mreži), što sugerira da signal za križanja na žarišnim točkama preplavljuje pozadinska stopa unutar žarišnog prozora, posebno za vrlo uske žarišne točke u odnosu na žarišni prozor. Ovo ograničenje moglo bi biti od posebne važnosti kada se pokušava razriješiti žarišne točke u ljudskim podacima, gdje su duljine često između 1 i 2 kb (Jeffreys et al. 2001. Jeffreys i May 2004.).

ReLERNN je povoljan u usporedbi s konkurentskim metodama, posebno za male veličine uzorka i pod pogrešnim specifikacijama modela

Za procjenu točnosti ReLERNN-a u odnosu na postojeće metode, uzeli smo komparativni pristup, pri čemu smo napravili predviđanja na istom skupu simuliranih testnih kromosoma koristeći metode koje se uvelike razlikuju u svojim pristupima. Konkretno, odlučili smo usporediti ReLERNN s dvije vrste metoda strojnog učenja — metodom pojačane regresije, FastEPRR (Gao i sur. 2016.) i CNN-om nedavno opisanim u Flagel i sur. (2019.)—i LDhat (McVean et al. 2002.) i LDhelmet (Chan et al. 2012.), dvije široko citirane metode približne vjerojatnosti. Neovisno smo simulirali 10 5 kromosoma koristeći msprime (Kelleher et al. 2016.) [parametri: veličina uzorka ∈ < 4, 8, 16, 32, 64 >, brzina rekombinacije = U (0,0, 6,25 e, mu 8) stopa = U ( 1,875 e − 8 , 3,125 e − 8 ) , duljina = 3 e 5 ]. Polovica njih simulirana je u skladu s demografskom ravnotežom, a polovica je simulirana prema realističnom demografskom modelu (na temelju širenja europskih ljudi izvan Afrike vidi Materijali i metode). Pokazali smo da ReLERNN nadmašuje sve druge metode, pokazujući značajno smanjenu apsolutnu pogrešku (⁠ | r predviđeno − r istinito | ⁠) i prema demografskom modelu i prema ravnotežnim pretpostavkama (⁠ T ≤ − 31 ⁠ P < 10 − 16 ⁠ Wel 's post dva uzorka t-testovi za sve usporedbe dopunske smokve. S14 i S15, Dodatni materijal online). ReLERNN je također pokazao manje pristranosti od metoda zasnovanih na vjerojatnosti u rasponu veličina uzoraka (slika 3), iako su se sve metode općenito dobro pokazale na najvećoj testiranoj veličini uzorka (n = 64).

(A) Distribucija sirove pogreške (⁠ r predviđeno − r istinito ⁠) za svaku metodu na 5000 simuliranih kromosoma (1000 za FastEPRR). Nezavisne simulacije provedene su prema modelu proširenja veličine populacije ili (B) demografska ravnoteža. Uzorkovani kromosomi ukazuju na broj neovisnih sekvenci koje su uzorkovane iz svake msprime (Kelleher et al. 2016) koalescentne simulacije. LDhelmet se nije mogao koristiti s n = 64 kromosoma i FastEPRR se nije mogao koristiti s n = 4.

(A) Distribucija sirove pogreške (⁠ r predviđeno − r istinito ⁠ ) za svaku metodu na 5000 simuliranih kromosoma (1000 za FastEPRR). Nezavisne simulacije provedene su prema modelu proširenja veličine populacije ili (B) demografska ravnoteža. Uzorkovani kromosomi ukazuju na broj neovisnih sekvenci koje su uzorkovane iz svake msprime (Kelleher et al. 2016) koalescentne simulacije. LDhelmet se nije mogao koristiti s n = 64 kromosoma i FastEPRR se nije mogao koristiti s n = 4.

Također smo nastojali procijeniti robusnost ReLERNN-a na pogrešnu specifikaciju demografskog modela, gdje se različiti generativni modeli koriste za simulaciju skupova obuke i testova - na primjer, obuka o pretpostavkama demografske ravnoteže kada su testni podaci generirani uskim grlom populacije. Metode otporne na ovu vrstu pogrešne specifikacije su ključne, budući da je prava demografska povijest uzorka često nepoznata, a metode koje se koriste za zaključivanje povijesti veličine populacije mogu se ne slagati ili biti nepouzdane (vidi dodatnu sliku S21, Dodatni materijal na mreži). Štoviše, promjene veličine populacije mijenjaju krajolik LD u cijelom genomu (Slatkin 1994 Rogers 2014) i stoga imaju potencijal smanjiti točnost ili proizvesti pristrane procjene stope rekombinacije.

U tu svrhu, obučili smo ReLERNN na primjerima generiranim u ravnoteži i napravili predviđanja na 5000 kromosoma generiranih gore navedenim ljudskim demografskim modelom (i također proveli recipročni eksperiment sl. 4). Usporedili smo ReLERNN s CNN-om, LDhat-om i LDhelmetom, pri čemu su sve metode na sličan način pogrešno specificirane (vidi Materijali i metode). Otkrili smo da ReLERNN nadmašuje ove metode u gotovo svim uvjetima, pokazujući znatno nižu apsolutnu pogrešku u oba smjera pogrešne specifikacije demografskog modela (⁠ T ≤ − 26 ⁠ P WTT < 10 − 16 za sve usporedbe, s izuzetkom usporedbe s LD kacigom koja koristi 16 kromosoma dopunske slike S16 i S17, Dodatni materijal online). Pokazali smo da je pogreška koja se izravno pripisuje pogrešnoj specifikaciji modela (koju nazivamo marginalnom pogreškom, vidi materijale i metode) povremeno veća u ReLERNN u odnosu na druge metode, iako je ReLERNN pokazao najmanju apsolutnu pogrešku među metodama. Kao najbolji primjer za to, otkrili smo da predviđanja iz LDhelmeta uopće nisu utjecala na naš režim pogrešne specifikacije, ali su ta predviđanja u prosjeku još uvijek bila manje točna od onih koje je napravio pogrešno specificirani ReLERNN. Zanimljivo je da je marginalna pogreška znatno veća kada je ReLERNN obučen na simulacijama ravnoteže i testiran na demografskim simulacijama nego pod recipročnom pogrešnom specifikacijom (T = 26,3 P WTT < 10 − 16 ⁠ dopunska sl. S18, Dodatni materijal online). Iako je to istina, važno je napomenuti da srednja granična pogreška za ReLERNN, u oba smjera pogrešne specifikacije i u svim veličinama uzorka, nikada nije prelazila 3,90 × 10 − 9⁠, što sugerira da su dodatne informacije prikupljene iz informativnog demografskog modela ograničene .

(A) Distribucija sirove pogreške (⁠ r predviđeno − r istinito ⁠) za svaku metodu na 5000 simuliranih kromosoma nakon pogrešne specifikacije modela. Za CNN i ReLERNN, predviđanja su napravljena treningom na simulacijama ravnoteže dok se testiraju sekvence simulirane prema modelu proširenja veličine populacije ili (B) obuka o demografskim simulacijama uz testiranje sekvenci simuliranih u ravnoteži. Za LDhat i LDhelmet, tablice pretraživanja generirane su korištenjem vrijednosti parametara koje su procijenjene iz simulacija u kojima je model pogrešno specificiran na isti način kao što je gore opisano za CNN i ReLERNN. Uzorkovani kromosomi ukazuju na broj neovisnih sekvenci koje su uzorkovane iz svake msprime (Kelleher et al. 2016) koalescentne simulacije. LDhelmet se nije mogao koristiti s n = 64 kromosoma i demografski model se nije mogao namjerno pogrešno odrediti pomoću FastEPRR.

(A) Distribucija sirove pogreške (⁠ r predviđeno − r istinito ⁠) za svaku metodu na 5000 simuliranih kromosoma nakon pogrešne specifikacije modela. Za CNN i ReLERNN, predviđanja su napravljena treniranjem na simulacijama ravnoteže dok su testirane sekvence simulirane prema modelu proširenja veličine populacije ili (B) obuka o demografskim simulacijama uz testiranje sekvenci simuliranih u ravnoteži. Za LDhat i LDhelmet, tablice pretraživanja generirane su korištenjem vrijednosti parametara koje su procijenjene iz simulacija u kojima je model pogrešno specificiran na isti način kao što je gore opisano za CNN i ReLERNN. Uzorkovani kromosomi ukazuju na broj neovisnih sekvenci koje su uzorkovane iz svake msprime (Kelleher et al. 2016) koalescentne simulacije. LDhelmet se nije mogao koristiti s n = 64 kromosoma i demografski model se nije mogao namjerno pogrešno odrediti pomoću FastEPRR.

Osim pogrešne specifikacije modela, razlike u omjeru događaja pretvorbe homolognih gena i križanja također mogu utjecati na zaključak o stopama rekombinacije, budući da putovi konverzije razgrađuju LD unutar okvira predviđanja (Przeworski i Wall 2001, Gay et al. 2007). Tretirali smo učinak pretvorbe gena kao još jedan oblik pogrešne specifikacije modela, obučavanjem na primjerima kojima je nedostajala konverzija gena i testiranjem na primjerima koji su uključivali konverziju gena. Kako ReLERNN koristi msprime za sve simulacije treninga, a msprime trenutno ne može simulirati pretvorbu gena, generirali smo sve simulacije testnih skupova s ​​ms (Hudson 2002). Otkrili smo da je uključivanje pretvorbe gena u naše simulacije pristrano u našim predviđanjima, što je rezultiralo precijenom stvarne stope rekombinacije (dodatna slika S19, Dodatni materijal na mreži). Štoviše, veličina ove pristranosti porasla je s omjerom događaja konverzije gena i križanja, r GC r CO⁠ . Kao što se očekivalo, također smo primijetili sličan obrazac pristranosti za LD kacigu, iako je veličina pristranosti za LD kaciga bila manja od one koju je pokazao ReLERNN za r GC r CO > 2 (T > 4,37 P WTT < 1,32 × 10 − 5 ⁠ dopunska sl. S19, Dodatni materijal online). Budući da pogreške u pozivima genotipa mogu oponašati konverziju gena – na primjer, heterozigotni uzorak koji se naziva homozigot – filtriranje SNP poziva niske kvalitete, bilo uklanjanjem pojedinačnog genotipa ili maskiranjem mjesta, ima potencijal za ublažavanje pristranosti uzrokovane konverzijom gena . Međutim, genotipovi koji nedostaju i nedostupna mjesta imaju potencijal uvesti vlastite predrasude, naglašavajući područje u kojem metode dubokog učenja mogu imati jedinstvenu prednost u odnosu na tradicionalne alate.

ReLERNN zadržava visoku točnost na simuliranim skupovima genomskih podataka niske kvalitete

Alati za duboko učenje imaju potencijal da izvedu iznimno dobre rezultate na skupovima genomskih podataka loše kvalitete, kao što su oni s referentnim genomima niske kvalitete ili niske složenosti, u režimima uzorkovanja gdje su pojedinačni uzorci na prvom mjestu ili gdje su baza i mapiranje ocjene kvalitete su sumnjive. To je dijelom zato što se takvi atributi genomske kvalitete mogu lako ugraditi tijekom treninga, a metode dubokog učenja mogu se generalizirati unatoč tim ograničenjima. Kako bismo odgovorili na potencijal da ReLERNN posluži kao prednost za istraživače koji rade s podacima niske kvalitete – na primjer, onima koji proučavaju nemodelne organizme – simulirali smo 1-Mb kromosome pod randomiziranim krajolikom rekombinacije fine skale, a zatim maskirali rastuće frakcije oba genotipovi i mjesta. Zatim smo trenirali ReLERNN s genotipovima koji nedostaju i nedostupnošću genoma i generirali predviđanja na simuliranim kromosomima.

Pokazali smo da ReLERNN pokazuje visoku točnost i nisku pristranost na skupovima podataka s nedostajućim genotipovima, čak i kada se udio podataka koji nedostaju povećava na polovicu svih genotipova (slika 5). Štoviše, otkrili smo da je ReLERNN imao smanjenu pristranost i značajno nižu apsolutnu pogrešku od LDhelmeta pri 50% nedostajućih genotipova za oba n = 4 i n = 20 ( ⁠ T ≤ − 2,8 ⁠ PWTT < 0,007 za obje usporedbe). Ovdje definiramo genotipove koji nedostaju kao bilo koji poziv genotipa postavljen na "." u VCF, iako bi se u teoriji također mogao primijeniti jednostavan prag kvalitete za identifikaciju genotipova koji nedostaju. Osim toga, testirali smo ReLERNN na sve većim razinama nedostupnosti genoma (do 75% svih mjesta nedostupnih), simulirajući scenarij u kojem se velika većina mjesta ne može točno mapirati – na primjer, u genomskim regijama niske složenosti ili za svojte bez reference skupštine. Ovdje se nedostupnost genoma odnosi na bilo koje mjesto koje se preklapa s prozorom u maski pristupačnosti, pri čemu se cijeli niz genotipova na ovom mjestu odbacuje. Ponovno, ReLERNN je pokazao smanjenu pristranost u pogreškama na svim razinama pristupačnosti genoma u odnosu na LDhelmet (dodatna slika S20, Dodatni materijal na mreži). Međutim, razine apsolutne pogreške nisu se značajno razlikovale između metoda nakon ispravljanja za više testova (⁠ T ≤ − 2,1 ⁠ P WTT ≥ 0,043 za sve usporedbe). Zajedno, ovi rezultati sugeriraju da ReLERNN može biti od posebnog interesa za istraživače koji proučavaju nemodelne organizme ili za one koji nemaju pristup visokokvalitetnim referentnim sklopovima.

(A) Distribucija sirove pogreške (⁠ r predviđeno − r istinito ⁠) za LDhelmet i ReLERNN kada su predstavljeni s različitim razinama nedostajućih genotipova za simulacije sa n = 4 i (B) n = 20 kromosoma. (C) Predviđanja fine skale koje je generirao ReLERNN za krajolik rekombinacije od 1 Mb (siva linija) simuliran s različitim razinama nedostajućih genotipova, za n = 4 i (D) n = 20 kromosoma.

(A) Distribucija sirove pogreške (⁠ r predviđeno − r istinito ⁠) za LDhelmet i ReLERNN kada su predstavljeni s različitim razinama nedostajućih genotipova za simulacije sa n = 4 i (B) n = 20 kromosoma. (C) Predviđanja fine skale koje je generirao ReLERNN za krajolik rekombinacije od 1 Mb (siva linija) simuliran s različitim razinama nedostajućih genotipova, za n = 4 i (D) n = 20 kromosoma.

Rekombinacijski krajolici su uglavnom sukladni među populacijama Afrike D. melanogaster

Koristeći našu metodu, okarakterizirali smo rekombinacijski krajolik u cijelom genomu triju afričkih populacija D. melanogaster (uzorkovano iz Kameruna, Ruande i Zambije). Svaka populacija izvedena je iz sekvenciranja deset haploidnih embrija (detaljno u Pool i sur. 2012, Lack i sur. 2015), stoga ovi podaci predstavljaju izvrsnu priliku za iskorištavanje visoke točnosti ReLERNN-a na malim veličinama uzoraka. Duljine genomskih prozora koje je odabrao ReLERNN bile su otprilike dosljedne među populacijama i kretale su se od 38 kb za kromosome 2R, 3L i 3R u Zambiji, do 51 kb za kromosom X u Kamerunu. Pokazali smo da su krajolici fine rekombinacije u visokoj korelaciji između sve tri populacije D. melanogaster (prosječni Spearmanov ρ = 0,76 ⁠ P < 10 − 16 ⁠ 100-kb za cijeli genom, Spearmanov ρ = 0,76 ⁠ 100 kb, slika 6). Prosječni parni koeficijent determinacije za cijeli genom između populacija bio je nešto niži, R 2 = 0,63 ( ⁠ P < 10 − 16 ⁠ 100-kb prozori), što sugerira da mogu postojati važne razlike specifične za populaciju u finim pokretačima alela udruga. Ove razlike također mogu doprinijeti razlikama unutar kromosoma u stopi rekombinacije između populacija. Doista, procjenjujemo da su srednje stope rekombinacije značajno različite među populacijama za sve kromosome s izuzetkom kromosoma 3L (⁠ P ≤ 3,78 × 10 − 4 ⁠ jednosmjerna analiza varijance). Post hoc usporedbe parova sugeriraju da je ova razlika uglavnom uzrokovana povišenom stopom rekombinacije u Zambiji, identificiranom na svim kromosomima (⁠P ≤ 8,21 × 10 − 4⁠ Tukeyjevi HSD testovi) osim za 3L (⁠ P HSD ≥ ≥ 0). ReLERNN predviđa stopu rekombinacije u simuliranim testnim skupovima s visokim stupnjem točnosti za sve tri populacije (⁠ R 2 ≥ 0,93 ⁠ P < 10 − 16 ⁠ dodatna slika. S23, Dodatni materijal na mreži), sugerirajući da imamo dovoljno snage za razlučivanje fine razlike u stopama rekombinacije po bazi u cijelom genomu.

(A) Krajolici rekombinacije u cijelom genomu za Drosophila melanogaster populacije iz Kameruna (crne linije), Ruande (ljubičaste linije) i Zambije (narančaste linije). Sivi okviri označavaju granice inverzije za koje se predviđa da će se segregirati u ovim uzorcima (Corbett-Detig i Hartl 2012 Pool et al. 2012). Crveni trokuti označavaju gornjih 1% globalnih izvanrednih prozora za stopu rekombinacije. Plavi, ljubičasti i narančasti trokuti označavaju gornjih 1% prozora za stopu rekombinacije specifičnih za populaciju, a boja trokuta označava populaciju izvana (vidi Materijali i metode). (B) Stope rekombinacije po kromosomu za svaku populaciju. Spearmanova ρ i R 2 prikazane su kao srednja vrijednost parova procjena između populacija za svaki kromosom. **P < 0,01 i ***P < 0,001 temelje se na Tukeyjevim HSD testovima za sve usporedbe u paru.

(A) Krajolici rekombinacije u cijelom genomu za Drosophila melanogaster populacije iz Kameruna (crne linije), Ruande (ljubičaste linije) i Zambije (narančaste linije). Sivi okviri označavaju granice inverzije za koje se predviđa da će se segregirati u ovim uzorcima (Corbett-Detig i Hartl 2012 Pool et al. 2012). Crveni trokuti označavaju gornjih 1% globalnih izvanrednih prozora za stopu rekombinacije. Plavi, ljubičasti i narančasti trokuti označavaju gornjih 1% prozora za stopu rekombinacije specifičnih za populaciju, a boja trokuta označava populaciju izvana (vidi Materijali i metode). (B) Stope rekombinacije po kromosomu za svaku populaciju. Spearmanova ρ i R 2 prikazane su kao srednja vrijednost parova procjena između populacija za svaki kromosom. **P < 0,01 i ***P < 0,001 temelje se na Tukeyjevim HSD testovima za sve usporedbe u paru.

Kada uspoređujemo naše procjene stope rekombinacije s onima dobivenim iz eksperimentalnih križanja Sjeverne Amerike D. melanogaster (objavljeno u Comeron et al. 2012.), nalazimo da su koeficijenti determinacije prosječni za sve tri populacije bili R2 = 0,46, 0,70, 0,47, 0,08, 0,73 za kromosome 2L, 2R, 3L, 3R, redom Dodatna slika S24 , Dodatni materijal online 1-Mb prozori). Ovi rezultati se razlikuju od onih koje su primijetili Chan i sur. (2012.), koji je usporedio 22 D. melanogaster uzorkovano iz iste populacije Ruande s mapom FlyBase i pronađeno je R2 = 0,55, 0,63, 0,45, 0,42, 0,41 za iste kromosome. Manje razlike koje smo uočili između metoda za kromosome 2L, 2R, 3L i X kromosom vjerojatno se mogu pripisati činjenici da uspoređujemo procjene iz dvije različite metode, koristeći različite afričke muhe, s različitom eksperimentalno izvedenom kartom. Međutim, manje je vjerojatno da se veće razlike pronađene između metoda za kromosom 3R mogu pripisati metodološkim razlikama. Najvažnije, afrički D. melanogaster poznato je da sadrži velike polimorfne inverzije često na značajnim frekvencijama (Lemeunier i Aulard 1992 Aulard et al. 2002). Na primjer, inverzija U (3R)K segregira u našoj kamerunskoj populaciji na str = 0,9. Ove razlike u frekvencijama inverzije potencijalno doprinose iznimno slaboj korelaciji uočenoj našom metodom za kromosom 3R.

Važan uzrok populacijski specifičnih razlika u rekombinacijskim krajolicima mogu biti populacijsko specifične razlike u učestalosti kromosomskih inverzija, budući da se očekuje da će rekombinacija biti snažno potisnuta između standardnog i inverzijskog rasporeda. Kako bismo testirali učinak inverzijskih inverzijskih inverzijskih zaključaka koje je napravio ReLERNN, ponovno smo uzorkovali haploidne genome iz Zambije kako bismo stvorili umjetne uzorke populacije s kozmopolitskom inverzijom U (2L)t segregiranje na različitim frekvencijama, p ∈ < 0,0 , 0,2 , 0,6 , 1,0 >⁠ . u Zambiji, U (2L)t nastao nedavno (Corbett-Detig i Hartl 2012) i odvaja se na str = 0,22 (Lack et al. 2015.), što sugerira da rekombinacija unutar inverzijskih prijelomnih točaka može biti snažno potisnuta u osoba s obrnutim rasporedom u odnosu na one sa standardnim rasporedom. Iz tih razloga predviđamo da bi se pretpostavljena stopa rekombinacije trebala smanjiti jer je niskofrekventni obrnuti raspored sve više zastupljen u skupu uzorkovanih kromosoma (tj. kako više uzoraka sadrži invertirane rasporede visoke LD). Kao što je i predviđeno, pronašli smo snažan učinak učestalosti uzorka U (2L)t o procijenjenim stopama rekombinacije za kromosom 2L u Zambiji (dodatna slika S27, Dodatni materijal online), pokazujući da je ReLERNN osjetljiv na učestalost nedavnih inverzija.

Za daljnje istraživanje populacijsko-specifičnih razlika u rekombinacijskim krajolicima, uzeli smo pristup statističkih izvanrednih vrijednosti, pri čemu definiramo dvije vrste odstupanja stope rekombinacije - globalne odstupanja i populacijske specifične odlike (vidi Materijali i metode). Globalne outliers karakteriziraju prozori s iznimno velikim odstupanjima u stopama rekombinacije između sve tri populacije (slika 6. crveni trokuti), dok su populacijski specifični odstupnici oni prozori u kojima se stopa rekombinacije u jednoj populaciji snažno razlikuje od stopa u druge dvije populacije (sl. 6 trokuta u boji populacije). Otkrivamo da su populacijski specifični odstupnici, ali ne i globalni, značajno obogaćeni unutar inverzija (P = 0,005 test randomizacije sl. 6 sivih kutija). Štoviše, ovo obogaćivanje ostaje značajno pri proširenju granica inverzije do 250 kb (⁠ P rand ≤ 0,004 ⁠). Međutim, proširenje granica inverzije preko 250 kb ili ograničavanje preklapanja na prozore koji okružuju samo prijelomne točke (250 kb, 500 kb, 1 Mb, 2 Mb) nagriza ovaj obrazac (⁠ P rand ≥ 0,055 za sve usporedbe), što sugerira da uloga inverzija u stvaranju populacijski specifičnih razlika u stopama rekombinacije složena je, barem za ove populacije.

Odabir je još jedan važan čimbenik koji može zbuniti zaključak o stopama rekombinacije. Na primjer, selektivni zahvati generiraju lokalizirane uzorke visokog LD-a s obje strane mjesta sweep (Kim i Nielsen 2004, Schrider i sur. 2015), tako da regije koje prate selektivne sweeps mogu oponašati regije smanjene rekombinacije. Očekuje se da će selektivni pregledi specifični za populaciju doprinijeti razlikama specifičnim za populaciju u procjenama stope rekombinacije. Koristili smo diploS/HIC (Kern i Schrider 2018) kako bismo identificirali tvrde i meke selektivne poteze u našim afričkim D. melanogaster populacije, a mi smo testirali višak odstupanja stope rekombinacije koji se preklapaju s prozorima klasificiranim kao sweeps. Ukupno, diploS/HIC je klasificirao 27,4%, 28,1% i 26,8% svih genomskih udovica kao selektivne pretrage (bilo "tvrde" ili "meke") za Kamerun, Ruandu i Zambiju, respektivno, kada se gleda 5-kb prozori koji se ne preklapaju. Povezane stope lažnog otkrivanja (FDR) za pozivanje pregleda u ovim populacijama bile su značajne: 33,9%, 33,1% i 34,7%, respektivno (dodatna slika S26, Dodatni materijal na mreži). Kao što se očekivalo, prozori klasificirani kao sweeps imali su značajno niže stope rekombinacije u odnosu na neutralne prozore u sve tri populacije (⁠ P WTT ≤ 10 − 16 za sve usporedbe dopunske slike. S25, Dodatni materijal online). Međutim, otkrili smo da ni globalni ni populacijski specifični odstupnici nisu obogaćeni za selektivne preglede (⁠ P rand ≥ 0,246 za obje usporedbe), što sugerira da, kada se tretiraju kao klasa, odstupnici stope rekombinacije nisu vjerojatno vođeni sweepovima u tim populacijama . Kada su tretirani odvojeno (tj. testovi neovisne permutacije za svaki prozor granične vrijednosti brzine rekombinacije), identificirali smo sedam outliers obogaćenih za sweeps na pragu P ≤ 0,05, što odgovara očekivanom FDR od 77%. Međutim, s obzirom na naš FDR za pozivanje sweepa u tim populacijama, naša mjera obogaćivanja u preklapanju s odstupnicima stope rekombinacije vjerojatno će biti konzervativna. Dva od ovih izvanrednih prozora mogu predstavljati potencijalne istinske pozitivne strane, a outlier u Kamerunu sadrži pet od šest prozora od 5 kb koji se ne preklapaju klasificirani kao "teški" pregledi, drugi iz Ruande ima 10 od 12 prozora klasificiranih kao "teški" pregledi (Prand = 0,0 za obje usporedbe). Ova dva granična prozora brzine rekombinacije potencijalno su zrela za buduća istraživanja o selektivnim potezima u tim populacijama i sugeriraju da u barem nekim slučajevima odabir doprinosi uočenim razlikama u procjenama stopa rekombinacije između Drosophila populacije.


Rezultati

Kako bi se simulirali realistični podaci o rodovnici, SNP-ovi su odabrani iz HapMapa koji se protežu na 100 mb s obje strane labavo povezanog para web-mjesta. Ukupno postoji 40 SNP-ova, s 20 čvrsto povezanih SNP-ova na svakoj strani jake rekombinacijske točke prekida θ = 0,25. Haplotipovi za ove SNP-ove odabrani su nasumično iz HapMapa. Podaci o rodovniku haplotipa i genotipa simulirani su za svako dijete jednoličnim odabirom jednog od roditeljskih alela za prvi lokus, a sljedeći lokusi odabrani su na istom roditeljskom haplotipu s vjerojatnošću θ j za svaki lokus j. Nasljeđivanje je simulirano za 500 simulacijskih replika.

Simulacija je dala potpuno utipkane rodovnike. Za svaki rodovnik uklonili smo podatke o genotipu i haplotipu za sve veći broj netipiziranih jedinki. Za svaki slučaj određenog broja netipiziranih pojedinaca izračunate su dvije vrijednosti na temelju procijenjenog broja rekombinacija između središnjeg para lokusa: točnosti haplotipa i genotipa. Točnost je izračunata kao funkcija l1 udaljenost između determinističkog broja rekombinacija i izračunate distribucije. Točnije, točnost je bila 2 - Σi≥0|x i- a i |, gdje x i bila je procijenjena vjerojatnost za i rekombinacije i a i bio je deterministički pokazatelj da li ih je bilo i rekombinacije u podacima simuliranim na rodovnici.

U svim slučajevima uočili smo trend gdje je najbolja točnost dobivena s podacima o haplotipu gdje su svi u rodovniku bili haplotipizirani. Na primjer, pedigre od pet pojedinaca s dva polubrata i sestara prikazan je na slici 3. S tri osnivača netipizirana, podaci o haplotipu dali su sličnu točnost kao i podaci o genotipu. Zamislite rodovnik od tri generacije koji ima dva roditelja, njihovo dvoje djece, tazbinu i unuka za ukupno šest osoba, od kojih su tri osnivača. Ovaj pedigre ima sličan trend u točnosti kako se povećava broj netipiziranih osnivača, slika 4. Kako se povećava broj netipiziranih pojedinaca, čini se da se točnost procjena genotipa i haplotipa približava.

Predviđanje rekombinacija za polubraću i sestre. Ovo je prosječna točnost za predviđanja iz rodovnika s dva polubraća i sestara i tri roditelja. Provedeno je pet stotina simulacijskih replika, a prosječna točnost procjena iz podataka o haplotipu superiornija je od onih iz podataka o genotipu. Međutim, kako se broj netipiziranih osnivača povećava, u oba slučaja, točnost procjena iz podataka o haplotipu opada u odnosu na točnost podataka iz genotipa. Čini se da se točnosti procjena genotipa i haplotipa približavaju.

Predviđanje rekombinacija za tri generacije. Ova slika prikazuje rezultate točnosti iz rodovnika od šest pojedinaca, tri generacije. Ponovno je izvedeno petsto simulacijskih replika, a prosječna točnost procjena iz podataka o haplotipu superiornija je od onih iz podataka o genotipu. Još jednom, kako se broj netipiziranih osnivača povećava, točnost procjena iz podataka o haplotipu pada u odnosu na točnost podataka o genotipu. Čini se da se točnosti procjena genotipa i haplotipa približavaju.


Elektronički dopunski materijal

13062_2011_277_MOESM1_ESM.PDF

Dodatna datoteka 1: Genski lokusi identificirani kao pod intragenskom homolognom rekombinacijom korištenjem 4 metode supstitucijske analize rekombinacije (p-vrijednost < 0,05). (PDF 129 KB)

Dodatna datoteka 2: lokusi gena pod pozitivnom selekcijom zaključeni na temelju ukupnog testa (Test 1). (PDF 104 KB)

Dodatna datoteka 3: Genski lokusi pod pozitivnom selekcijom na temelju testa specifičnog za mjesto grane (Test 2). (PDF 112 KB)

13062_2011_277_MOESM4_ESM.PDF

Dodatna datoteka 4: Događaji među kladama koje zaključuje ClonalFrame grupirani prema zahvaćenoj kladi i kladi porijekla. (PDF 98 KB)



Komentari:

  1. Eugen

    Ova je tema jednostavno neusporediva :), zanima me.

  2. Ansleigh

    Vi ste u krivu. Siguran sam.

  3. Zolozil

    Bravo, your thinking is very good

  4. Guzshura

    Ovaj je odgovor, bez obzira na to

  5. Magahet

    U njemu nešto je. Earlier I thought differently, I thank for the help in this question.

  6. Talmaran

    Bilo je i sa mnom. Unesite ćemo razgovarati o ovom pitanju.



Napišite poruku