De la génétique des populations à l'évolution …megasun.bch.umontreal.ca/People/lartillot/trash/bcm2004_cours3c.pdf · 1 Génétique des populations : mutation, sélection, variation,

De la génétique des populations àl’évolution moléculaire

Nicolas LartillotHervé Philippe

24 janvier 2012

Nicolas Lartillot (Universite de Montréal) BCM 2004 - Évolution moléculaire 24 janvier 2012 1 / 24

1 Génétique des populations : mutation, sélection, variation, dérive

2 Évolution moléculaire


Résumé dernier courscas déterministe (population infinie)

w1 = 1, w2 = 1 + s :

q(t + 1) = q(t)w2

w, w = p(t)w1 + q(t)w2

pour s << 1 :

∆q ' sq(1− q)

cas stochastique (population finie)

q(t + 1) ∼ Binomiale(N,q(t)w2

w)

accroissement par génération du à sélection proportionnel à sfluctuations dues à dérive génétique proportionnelles à 1/Ns << 1/N : régime quasi-neutre ; s >> 1/N : régime sélectif

Génétique des populations : mutation, sélection, variation,dérive

Naissance, vie et mort de la variation"The great obsession" (Gillespie)

comprendre l’origine, le maintien, et la perte de la variationsélection et dérive : perte de variation par fixationexception : super-dominance, ou sélection fluctuantemutations : apport frais de variation nouvelle

Taux de mutation (ponctuelle) u

humain (nucléaire) : 10−8 < u < 10−7 par génération et par pairede basetaille du génome : 3.109 : plusieurs mutations par gamètemitochondrial : 10 à 100 fois plus élevé.taux de mutation à l’échelle de la population : NuHIV : u = 3.10−5, avec ∼ 1010 virions produits chaque jour



Variation et généalogie d’un haplotype

Hein, Shierup and Wiuf, 2005

haplotype : groupe d’allèles situé sur des positions voisines ettransmis comme un seul blocmitochondries : l’ensemble du génome constitue un haplotypetaux de mutation par paire de bases le long des lignages : u(1 lignage = 1 individu)


Retracer le dernier ancêtre commun

www.coalescent.dk

prob. de coalescence à la génération précédente 1/(2N)

temps moyen depuis l’ancêtre T = 2N.


Diversité augmente avec taille de population N

AACAGT ATCACG0

T

heterozygotie θ : fraction de sites polymorphesde facon équivalente (panmixie) : fraction de sites hétérozygotesT = 2N générations depuis le dernier ancêtre communfraction de sites polymorphes : θ = 2Tu = 4Nudonne une estimée de N si u est connu et π est observéeex humain : u ' 5.10−8, π ' 0.002 : N ' 10000.



Taille efficace (souvent notée Ne) 6= taille réellevariations démographiques (goulets d’étranglement)structure de populationgrande variance reproductive (ex : Ne = # mâles reproducteurs)

Intérêt du concept de taille efficacetaille efficace donne une mesure de l’importance relative deseffets stochastiques (de la dérive génétique) par rapport à lasélection.régime évolutif dépend avant tout de la taille efficace.

Différents modes adaptatifs pour différents types d’organismesbactéries ont une sélection plus efficace que les eukaryoteslevures ont une sélection plus efficace que les animauxinsectes ont une sélection plus efficace que les vertébrés


Mutations bidirectionnelles. 1 position focale neutre

the allele will get fixed? (ii) Given that the allele is luckyenough to become fixed, what is the average fixation time? Aswe show in the mathematical section of this review (equation84 with f ! 1), the fixation probability is the inverse of thepopulation size (1/N) (34) and the fixation time is on the sameorder as the polymorphism decay time, i.e., on the order of thepopulation size.

One can also ask more general questions. What is the prob-ability that a single mutant genome will ever grow into a sub-population with a given size? What is the average time spenton this growth? The results are analogous to that for fullfixation, except that the subpopulation size substitutes for thetotal population size (equations 84). As we show in the begin-ning of the sections on stochastic dynamics in the mathematicalsection of this review, this result allows us to interpret, at asemiquantitative level, all the important results on stochasticdynamics.

Transition from a monomorphic to a steady state. We alsoconsider here the accumulation of mutations starting from apurely monomorphic state, e.g., wild type (which one of thetwo does not matter, since selection is negligible). Eventually,mutants will be generated, one of them will become fixed (asdescribed), and the system will switch to pure mutant. Thenwild-type alleles will be generated, etc., and, in the long run,the population will be, statistically speaking, in dynamic steadystate in which it switches back and forth between two mono-morphic states. The system will gradually “forget” its initialstate, so that the probabilities of the two monomorphic stateswill be equal and will be close to 1/2.

In the probability density language, this process can be de-scribed as shown in Fig. 10a. The initial peak of the probabilitydensity is very narrow and is localized at the zero mutantfrequency. As time goes on, a tail of the probability densityspreads into the interval between 0 and 100% mutants (equa-tions 85 and 86) and a new peak at 100% mutants appears,reflecting a chance of early fixation of a mutant genome. Thefirst peak decays and the second peak grows, until they becomeequal in the steady state (Fig. 4) (equation 87). In the gassystem analogy (see “Experiments on evolution and observableparameters” above), all water is initially condensed on the leftwall and then evaporates. The vapors diffuse into the containerand condense again on the right wall (analogous to what hap-pens in a freezer over time). The system reaches equilibriumwhen the amount of condensate on both walls is the same andthere remains some gas in between.

In addition to the language of probability density, it is usefulto visualize transition to the steady state directly, as a typicalrandom process. If the probability density is analogous to thedensity of gas, the random dependence of the mutant fre-quency on time corresponds to the random trajectory of aseparate gas particle. A representative Monte Carlo simulationof the equilibration process, together with the relevant time-scales, is shown in Fig. 10b. The steady-state process looks likea telegraph signal between the two uniform states. The peaksin the mutant and wild-type frequencies correspond to alleleswhich were generated by mutations and started new subcolo-nies but failed to become fixed.

Two, widely different timescales appear in both the repre-sentative random process and the evolution of the probabilitydensity. The typical waiting time for a switch from pure wild

type to pure mutant or back is within an order of magnitude ofthe inverse mutation rate 1/". This corresponds to the time inwhich the probability density becomes symmetric between thewild type and mutant (Fig. 4) (equations 86 and 87). The actualtime spent on a successful switch is much shorter, within anorder of magnitude of the population size N. This correspondsto the time in which the tail of probability density is formedbetween 0 and 100% (equation 85). The two timescales can bederived either rigorously, from the evolution equation (equa-tions 4 to 6), or approximately, from the gene fixation problem(equation 84). Both approaches are used in the mathematicalsection of this review. They agree with each other and with thesimulation in Fig. 10b.

The total probability of a polymorphic state (the frequencyof segregating sites in genome) is, at any time, much less than1 and on the order, roughly, of "N. This agrees with the resultwe obtained directly for the steady state (see above). Interest-ingly, this value is reached on a timescale of approximately Ngenerations, i.e., much sooner than the two probabilities ofmonomorphic states equilibrate.

Divergence of populations which have been separated andthe time correlation function. The longer timescale, 1/", also

FIG. 10. Time dependence of the mutant frequency in the driftregime on a long timescale. (a) Change in the probability density intime (equations 85 to 87). Sharp peaks at f ! 0 and 1 correspond to themonomorphic states; their probabilities are shown by the relative peakheights (arbitrary units). (b) One Monte Carlo run is shown for Ns ##1 and the initial condition f0 ! 0. Parameters are shown in the figure.

VOL. 65, 2001 FROM STOCHASTIC TO DETERMINISTIC EVOLUTION 163

at U

NIV

DE

MO

NT

RE

AL o

n M

arc

h 1

7, 2

010

mm

br.a

sm

.org

Dow

nlo

aded fro

m

simulation (4Nu << 1)

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.5

1.0

1.5

2.0

q

4Nu=2

4Nu=0.1

spectre de fréquences

p(q) ∝ q4Nu−1(1− q)4Nu−1

4Nu << 1 : position neutre presque toujours quasi-fixée


Mutations bidirectionnelles asymétriques. 1 positionfocale neutre

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.5

1.0

1.5

2.0

q

Exemple : transitions C→ T beaucoup plus fréquentes que T→ CEffet causé par déamination spontanée des methyl-cytosines.



Mutations délétères récurrentesmutants délétères (s < 0, N|s| >> 1) présents à la fréquence qapport frais de mutants délétères : Nu par générationélimination sélective des mutants délétères : Nq|s| par générationà l’équilibre : Nu = Nq|s|

q =u|s|

Attention(Nu << 1) allèles très délétères toujours raresmais un allèle rare n’est pas forcément délétère.ex : humain, la plupart des allèles rares sont neutres (pourquoi ?)plus généralement : polymorphisme intra-spécifique peu informatifsur la force de la sélectiondifférences entre espèces beaucoup plus informatives à ce sujet


Évolution moléculaire

Évolution à l’échelle interspécifique

!"#$%&' ()*+,-.' /0-1"#2"#' 3*+%-' 4#50+-'

(' (' 6' 6' 6'

('78'6'

Divergence versus polymorphismeMutation, ségrégation, fixation, substitution



Mutation, ségrégation, fixation, substitution

Kimura 1982Taux de substitution (r )

r = 2Nupfix = upfix

pfix (0)

N : taille (efficace) de la populationu : taux de mutation par individu par génération2Nu : taux de mutation total (population) par générationpfix : probabilité moyenne de fixation (toutes mutations proposées)rappel : pfix (0) = 1/2N.



Rappel : probabilité relative de fixation

!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

!!!!!!!!!!!!!!!!!!!

!!!!!!!!!!!!!

!!!!!!!!!!

!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

−6 −4 −2 0 2 4 6

01

23

45

6

S

P

régime quasi-neutre

sélection positive

sélection purificatrice

4Ns

!

Pfix (s)Pfix (0)

probabilité de fixation (relativement à un allèle neutre) d’un mutant de fitness wm = ws(1 + s) initialement présent à une copie

s < 0 : pfix (s)/pfix (0) < 1s = 0 : pfix (s)/pfix (0) = 1s > 0 : pfix (s)/pfix (0) > 1



Cas 1 : locus entièrement neutre

rappel formule générale

r = 2Nupfix = upfix

pfix (0)

en ce locus, toutes les mutations sont neutresdonc pfix = pfix (0)

r = u


Cas 2 : Sélection purificatrice en tout-ou-rien

rappel formule générale

r = 2Nupfix = upfix

pfix (0)

parmi les substitutions non synonymes dans une séquence protéiqueune fraction f0 sont effectivement neutres : pfix = pfix (0).le reste (fraction 1− f0) est fortement délétère : pfix = 0.donc pfix = f0pfix (0) + (1− f0) ∗ 0 = f0pfix (0)

r = uf0

protéines plus conservées sont plus contrainte (f0 plus petit)


La théorie neutraliste de l’évolution (Kimura, 1982)

Thèse fondamentaleessentiellement le contenu des cas 1 et 2 ci-dessusl’essentiel de la sélection est purificatricevariation (intra- et inter-spécifique) observée est essentiellementneutresélection positive joue un rôle marginal dans la variation observée



Horloge moléculaire (et ses limites)

Kimura 1982, after Pauling and Zuckerkandl 1962


Violations de l’hypothèse de l’horloge moléculaire

Possibles causeseffet temps degénération

time

effets métaboliquesselection sur lalongévité

(Lanfear et al, 2010)

=⇒

TREESHREWLEMUR

HUMANFLYINGLEMUR

RABBITPIKA

SCIURIDRAT

MOUSECAVIOMORPH

MOLESHREWHEDGEHOG

LLAMAPIG

HIPPOWHALE

DELPHINOIDCOW

TAPIRRHINO

HORSEPHYLLOSTOMID

FLYINGFOXPANGOLIN

DOGCAT

ARMADILLOSLOTH

ANTEATERSIRENIAN

HYRAXELEPHANT

MACROSCELIDESELEPHANTULUS

TENRECIDGOLDENMOLE

AARDVARK

0.1 subs per site

Nicolas Lartillot (Universite de Montréal) BIN6009 10/05/2009 1 / 1concatenation de 13 gènes nucléaires, 38 placentaires

ne contredit pas la théorie neutralistesuggère juste que taux de mutation par génération varie

Non-synonyme versus synonyme (Ka/Ks ou dN/dS)

Principesubstitution synonymes sont (quasi-) neutresdonc taux de substitution synonyme : Ks = u.taux de substitution non synonyme : Ka = uf0.donc, Ka/Ks = f0

plus généralement : Ka/Ks ' pfix/pfix (0)

Ka/Ks < 1 : pfix < pfix (0) (sélection purificatrice)Ka/Ks > 1 : pfix > pfix (0) (sélection positive)Ka/Ks = 1 : par ex. pseudogènes.

Attentionen pratique, mélange de sélection purificatrice et positivesélection sur positions synonymes (usage des codons, épissage)


Cas 3 : Modèle quasi-neutre(Ohta, 1972, Kimura, 1979)

unfit

fit

coding sequence

1/N2

1/N1

●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●

0e+00 2e−04 4e−04 6e−04 8e−04 1e−03

5010

015

0

s

γγ

s1=5/N1

s2=5/N2

N1 > N2

si N diminue, sélection moins efficace (dérive génétique plusimportante)plus de mutations faiblement délétères peuvent se fixerdonc Ka/Ks augmente lorsque N diminue


Corrélation avec taille de la populationPrédiction

N diminue quand la masse augmenteKa/Ks augmente lorsque N diminuedonc Ka/Ks augmente lorsque la masse augmente

Vérification expérimentale

(Popadin et al, 2007, Ohta and Kimura 1971)


Conclusions

mutation et dérive peuvent en principe expliquer une bonne partiede la variation observée entre espèces et à l’intérieur de chaqueespèce.n’implique pas que la sélection positive n’existe pas, mais justequ’il n’est pas nécessaire de l’invoquer systématiquement pourexpliquer n’importe quelle variation observée (ce qui était lereflexe avant Kimura)Ka/Ks ou dN/dS : outil utile (mais délicat) pour déterminer lerégime sélectif d’une protéine.les génomes, les séquences génétiques, sont le résultat d’unéquilibre mutation-sélection-dérive, dans lequel tout n’est doncpas nécessairement adaptatif.


Documents

De la génétique des populations à l'évolution …megasun.bch.umontreal.ca/People/lartillot/trash/bcm2004_cours3c.pdf · 1 Génétique des populations : mutation, sélection, variation,