poblaciones estructuradas & flujo génico ecología molecular – tp 5

Poblaciones estructuradas

& flujo génico

Ecología Molecular – TP 5

Estudio de caso:

Manejo pesquero de la langosta en el archipiélago de Wayu-Wayu

1 23

4

5

67

8

Identificación de stock (o poblaciones):

8 muestras de 40 individuos

10 loci, microsatelites

Ciclo de vida

Abrir archivo: Langosta.gtx

Paso 1: Fis en cada población

Paso 2: AFC 3D sobre poblaciones

Paso 3: Fst global y permutaciones

Paso 4: Fst por pares y permutaciones

Paso 5: Modelo de diferenciación

Paso 1: Fis en cada población

(AA) = p² + pq FIS

(Aa) = 2pq (1 – FIS)

(aa) = q² + pq FIS

¿Cómo interpretar un Fis estadísticamente significativo?

• Sistema de reproducción• Efecto Wahlund• Selección• Alelos nulos

Paso 1: Fis en cada población

Resultados

Análisis en detalle

Locus por locus

¿Conclusiones?

Con n = 200 por población

¡Era un efecto del muestreo!

Paso 2: AFC 3D sobre poblaciones

Paso 3: Fst global y permutaciones

¿Conclusión?

Paso 4: Fst por pares y permutaciones

Resultados

Paso 5: Modelo de diferenciación

Modelo n-Islas

Modelo Continente-Isla

Modelo Stepping-stone(migración paso a paso)

Modelo aislamiento por distancia

Incremento de la diferenciación genética con la distancia entre poblaciones

Distancia geograficaó

Log (Distancia)

FS

T /

(1-F

ST)

Stepping-stone model(isolation by distance)

Island model

Test de Mantel

Pendiente es inversamente proporcional a la distancia promedia de dispersionRousset 1997 Genetics 145:1219-1228

Distancia geográfica

Dis

tanc

ia g

enét

ica

Distancia geográfica

Dis

tanc

ia g

enét

ica

Distancia geográfica

Dis

tanc

ia g

enét

ica

¿Cuando estimar un flujo genético?

Paso 5: Modelo de diferenciación

Resultados

R2 = 0,6973

-0,01

-0,005

0

0,005

0,01

0,015

0,02

0,025

0,03

0,035

0,04

0,045

0 20 40 60 80 100 120

Km

Fst

R2 = 0,3848

R2 = 0,4904

-0,01

-0,005

0

0,005

0,01

0,015

0,02

0,025

0,03

0,035

0,04

0,045

0 20 40 60 80 100 120

Km

Fst

Conclusiones e interpretación

Convertir Genetix ► Arlequin

Langosta.arp

Abrir archivo: Langosta.arp

1

2

3

1

2

3

1

2

3

4

Entre todos

Los sitios

Entre sitios

Dentro de los grupos

Entre grupos

˃

˃

Patrones de migración

Históricos

Actuales

Análisis con STRUCTURE

Estudio de caso:

Manejo pesquero de la langosta en el archipiélago de Wayu-Wayu

1 23

4

5

67

8

Identificación de stock (o poblaciones):

313 individuos, 8 localidades

10 loci microsatelites

En Notepad

Abrir el archivo de entrada (langosta.str)

Nombres de los loci

Códigos de los individuos

Códigos de las localidades

Genótipo del individuo 1 en loc-1

1

3

2

2

1

2

1

1

2

1

1

2

darle al conjunto de parámetros un nombre informativo

Tamaño del burn-in

Tamaño de la cadena

Modelo “admixture”

Modelo de frecuencias

correlacionadas

3

4

1

3

2

Advertencia: vamos a hacer solamente 1 iteración para cada K en esta práctica. En análises verdaderos, por lo

menos 3 (Mejor 6 - 10)

1

2

¿Cuál es el tamaño ideal del burn-in?

1 2

Término del burn-in

100.000

Término del burn-in

10.000

Término del burn-in

500.000

¿Cuál es el tamaño ideal de las cadenas?

Eso lo evaluamos por la convergencia entre las diferentes corridas para cada K

- verificar que todas las cadenas con K=2 tienen valores no muy distintos de Ln P(D) y de los outros parámetros, lo mismo para K=3, etc

Si las cadenas para cada K llegan a valores cercanos, ok

(En contrario, hay que aumentarlas)

K Ln P(D) P (K)

1 -8569.8 2.27 E-08

2 -8552.2 0.999

3 -8568.1 1.24 E-07

4 -8980.1 1.46 E-186

5 -9145.4 2.38 E-258

6 -9095.1 1.67 E-236

7 -9623.6 <<<<<0.00000001

8 -9448.5 <<<<<0.00000001

eK=2

eK=1 + eK=2 + eK=3 + eK=4 + eK=5 + eK=6 + eK=7 + eK=8P =

K Ln P(D) P (K)

1 -8569.8 2.27 E-08

2 -8552.2 0.999

3 -8568.1 1.24 E-07

4 -8980.1 1.46 E-186

5 -9145.4 2.38 E-258

6 -9095.1 1.67 E-236

7 -9623.6 <<<<<0.00000001

8 -9448.5 <<<<<0.00000001

eK=2

eK=1 + eK=2 + eK=3 + eK=4 + eK=5 + eK=6 + eK=7 + eK=8P =

valores promedios de las X cadenas hechas para cada K

K Ln P(D) P (K)

1 -8569.8 2.27 E-08

2 -8552.2 0.999

3 -8568.1 1.24 E-07

4 -8980.1 1.46 E-186

5 -9145.4 2.38 E-258

6 -9095.1 1.67 E-236

7 -9623.6 <<<<<0.00000001

8 -9448.5 <<<<<0.00000001

eK=2

eK=1 + eK=2 + eK=3 + eK=4 + eK=5 + eK=6 + eK=7 + eK=8P =

Estudio de caso:

Manejo pesquero de la langosta en el archipiélago de Wayu-Wayu

1 23

4

5

67

8

OK, 2 poblaciones.

¿Pero cuáles son?

1

3

2

1 23

4

5

67

8

2 poblaciones que deben ser manejadas separadamente

Manejo pesquero =

Poulin, Faugeron and Veliz 2010

Journal of Fictive Science 1: 17-24

Etc...

Bar plot: sintetizando los resultados

Cada cadena, para cada K, genera un bar plot de Q

Hacemos 10 réplicas = 10 bar plots para cada K

Distruct (Rosenberg 2004)

http://rosenberglab.bioinformatics.med.umich.edu/distruct.html

CLUMPP (Jakobsson & Rosenberg 2007)

http://rosenberglab.bioinformatics.med.umich.edu/clumpp.html

Sintetizan los resultados de Q para cada conjunto de cadenas (i.e. para cada K) e generan un bar plot sumário

1 23

4

5

67

8

711

67 4 2 2 1

03

1

3

4

1012