Network analysis of genetic relatedness using population dynamic simulations
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2782459Utgivelsesdato
2020Metadata
Vis full innførselSamlinger
- Institutt for biologi [2612]
Beskrivelse
Full text not available
Sammendrag
Et viktig element når det gjelder å forstå økoevolusjonær dynamikk i populasjoner er genetisk slektskap.Det har nylig blitt utviklet nye metoder som innebærer å analysere slektskapsmatrisen ved hjelp av nettverksanalyse.Her bruker jeg en stokastisk populasjonsmodell, for å simulere populasjoner med ulik populasjonsstørrelse og paringssystem, for å se hvordan disse faktorene påvirker gjennomsnittlig slektskap og variansen i slektskapet i en populasjon.Jeg utforsker også hvordan sentralitetskonseptet fra nettverskanalyse kan hjelpe med å forstå den genetiske strukturen til en populasjon ved å se på fire sentralitestmål: "strength", "closeness", "betweenness" og "eigenvector centrality".
Mine funn viser forskjeller i både gjennomsnittlig slektskap og varians i slektskapet, hovedsakelig drevet av mellom-individ varians (som var størst ved store populasjoner med polygyni) og innenfor-individ varians (som var størst ved lav populasjonstørrelse).
Tolkning av sentralitetsmålene i et genetisk netverk kan være svært avhengig av hvilken terskel-verdi som benyttes. I fullstendige genetiske nettverk, uten en terskelverdi, er alle sentralitetsmålene bortsett fra "betweenness" svært korrelert med både gjennomsnittlig slektskap og variansen i slektskapet. Ettersom distribusjonen av "betweenness" er svært forskjøvet mot 0 i et fullstendig genetisk nettverk, er det et mer nyttig mål å bruke etter at en terskelverdi har blitt brukt.
En eventuell terskelverdi må velges med omhu.Den optimale terskelen er avhengig av flere faktorer, blant annet spørsmålet stilt, samt egenskapene til populasjonen og arten som studeres. An important element to understand eco-evolutionary dynamics in populations is genetic relatedness.Recently new methods, applying network analysis to the pairwise relatedness matrix, have emerged.Here I use stochastic population models to simulate populations, varying population size and mating system, to examine how these factors may affect mean relatedness and variance in relatedness of a population.I also explore how the network analysis concept of centrality may help in understanding the genetic structure of a population by looking at four centrality measures: strength, closeness, betweenness and eigenvector centrality.
My findings suggest a difference in both mean relatedness and variance in relatedness primarily driven by the among-individual variance (which was highest at a high population size with polygyny), and within-individual variance (which was highest at low population sizes).
Interpretation of centrality measures can be highly dependent on the threshold value of a genetic network.In a complete genetic network, which has not had a threshold applied to it, all centralities except betweenness are highly correlated with both mean relatedness and variance of relatedness.As the distribution of betweenness is highly skewed towards zeros in a full genetic network, it is more useful to apply this to a network after applying a threshold.
If a threshold is to be applied, care needs to be taken in selecting it.The optimal threshold depends on several factors, including the question asked, as well as the characteristics of the population and species studied.