Über den Auswahlkoeffizienten

Definition des Selektionskoeffizienten

Ein Selektionskoeffizient ist ein Fitnessunterschied zwischen zwei Genotypen (oder Haplotypen). Die beiden Genotypen seien Aund B. Lassen Sie uns relative Fitness verwenden und sagen, dass die Fitness von Aist$w_A = 1$und die Eignung von Bist$w_B = 1 - s$, Wo$s$ist der Auswahlkoeffizient. Als Konsequenz$w_A - w_B = s$.

Die Frage der Langzeitfitness steht in keinem Zusammenhang mit der Definition des Selektionskoeffizienten, da der Selektionskoeffizient als Unterschied in der Fitness definiert ist. Eine wichtige Frage ist: "Welches Fitnessmaß sollte man für eine Population verwenden, bei der sich der Selektionsdruck über Zeit und/oder Raum ändert".

Welches Fitnessmaß sollte man für eine Population verwenden, bei der sich der Selektionsdruck zeitlich und/oder räumlich ändert

Grob gesagt, wenn sich die Fitness über den Raum ändert, sollten Sie das arithmetische Mittel der Fitness verwenden, und wenn sich die Fitness über die Zeit ändert, sollten Sie das geometrische Mittel der Fitness verwenden, aber es ist nicht ganz so einfach.

Das eigentliche Interesse besteht darin, ob Fitnessen zwischen Generationen korrelieren. Mit anderen Worten, haben Individuen innerhalb einer Generation tendenziell ähnlichere Fitnesswerte als die Individuen einer anderen Generation? Wenn die Variation in der Fitness räumlich ist, sollte man eine solche Korrelation nicht erwarten. Wenn die Variation zeitlich ist, sollte man eine solche Korrelation erwarten.

In der Hoffnung, dass Sie einen Code in R lesen können, ist es wahrscheinlich am einfachsten, einen Code zu lesen, der eine Simulation durchführt, und sich die Ausgabe anzusehen. Hier ist also ein Code, der Simulationen durchführt. Der Hauptunterschied zwischen Simulationen mit räumlicher und zeitlicher Variation ist die Linie, die den Fitnesswert erhält ( runif).

set.seed(43)

temporalVariation = function(N, lowestFitness, highestFitness, nbgenerations)
{
    Ns = numeric(nbgenerations)
    Ns[1] = N
    for (generation in 2:nbgenerations)
    {
        fitnessPerIndThisGeneration = runif(1,lowestFitness, highestFitness) # All individuals have the same fitness in a specific generation   
        N = N * fitnessPerIndThisGeneration
        Ns[generation] = N
    }
    return (Ns)
}


spatialVariation  = function(N, lowestFitness, highestFitness, nbgenerations)
{
    Ns = numeric(nbgenerations)
    Ns[1] = N
    for (generation in 2:nbgenerations)
    {
        FitnessOfEachIndividual = runif(N, lowestFitness, highestFitness) # Individuals differ in fitness within a generation
        N = sum(FitnessOfEachIndividual)
        Ns[generation] = N      
    }
    return (Ns)
}


N = 1000
lowestFitness = 0.95
highestFitness = 1.08
nbgenerations = 200

spatialNs = spatialVariation(N, lowestFitness, highestFitness, nbgenerations)
temporalNs = temporalVariation(N, lowestFitness, highestFitness, nbgenerations)

plot(y= spatialNs, x=1:nbgenerations, col='blue', xlab = 'generation', ylab = 'N')
points(y= temporalNs, x=1:nbgenerations, col='red')

In blau ist die Simulation mit räumlicher Variation. In rot ist die Simulation mit zeitlicher Variation. Sie werden feststellen, dass das geometrische Mittel immer gleich oder kleiner als das arithmetische Mittel ist.

Ob die arithmetische oder die geometrische mittlere Fitness am wichtigsten ist, wird das Fortpflanzungssystem beeinflussen, das am erfolgreichsten sein wird. In diesem Zusammenhang sollten Sie Ripa et al. 2009 über Wettabsicherung