Применение метода глубокого обучения для оценки соотношения репродуктивных режимов в частично клональной популяции

Генетическое разнообразие биологических объектов, таких как популяции, виды и сообщества, является важнейшим источником информации для понимания их структуры и функционирования. Однако многие экологические и эволюционные проблемы возникают из­за того, что наборы данных содержат относительно небольшое количество выборок, что затрудняет использование традиционных методов анализа. В связи c этим наше исследование предлагает новый подход, основанный на глубоком обучении, для решения одной из самых актуальных задач эволюционной биологии – поиска баланса между половым и бесполым размножением. Половое размножение часто приводит к нарушению выгодных комбинаций генов, которые были отобраны в процессе эволюции. С другой стороны, бесполое размножение позволяет организмам быстрее размножаться без участия самцов, эффективно поддерживая полезные генотипы. Исследование посвящено изучению закономерностей сосуществования полового и бесполого размножения в рамках одного вида. Мы разработали специальную сверточную модель нейронной сети, предназначенную для анализа динамики популяций, которые демонстрируют смешанные репродуктивные стратегии в изменяющихся условиях. Эта модель позволяет оценить долю потомков репродуктивного размножения, если эта доля остается постоянной в течение достаточного периода времени, в популяциях, состоящих из постоянного числа организмов, с использованием мультиаллельных признаков, таких как микросателлитные повторы. Результаты показали, что модель с точностью 0.99 оценивает соотношение репродуктивных режимов, эффективно справляясь с трудностями, связанными с небольшими выборками. Более того, когда размерность обучающего набора данных соответствует фактическим данным, модель быстрее достигает минимальной ошибки, что подчеркивает важность подбора структуры набора данных для точности предсказаний. Эта работа вносит значительный вклад в понимание динамики репродуктивной стратегии в эволюционной биологии, демонстрируя потенциал глубокого обучения для улучшения анализа генетических данных. Наши результаты открывают двери для будущих исследований, посвященных тонкостям генетического разнообразия и способам размножения в изменчивых экологических условиях, подчеркивая важность современных вычислительных методов в эволюционных исследованиях. 

1. Adiconis X., Borges-Rivera D., Satija R., DeLuca D.S., Busby M.A., Berlin A.M., Sivachenko A., Thompson D.A., Wysoker A., Fennell T., Gnirke A., Pochet N., Regev A., Levin J.Z. Comparative analysis of RNA sequencing methods for degraded or low-input samples. Nat Methods. 2013;10(7):623-629. doi 10.1038/nmeth.2483

2. Adrion J.R., Galloway J.G., Kern A.D. Predicting the landscape of recombination using deep learning. Mol Biol Evol. 2020;37(6):1790-1808. doi 10.1093/molbev/msaa038

3. Anders U., Korn O. Model selection in neural networks. Neural Netw. 1999;12(2):309-323. doi 10.1016/s0893-6080(98)00117-8

4. Avise J.C., Quattro J.M., Vrijenhoek R.C. Molecular clones within organismal clones. In: Hecht M.K., Wallace B., Macintyre R.J. (Eds) Evolutionary Biology. Vol. 26. Boston, MA: Springer, 1992;225246. doi 10.1007/978-1-4615-3336-8_6

5. Baer B. Sexual selection. In: Starr C. (Ed.) Encyclopedia of Social Insects. 2020. Springer, Cham. doi 10.1007/978-3-319-90306-4_104-1

6. Barton N.H., Charlesworth B. Why sex and recombination? Science. 1998;281(5385):1986-1990. doi 10.1126/science.281.5385.1986

7. Cohen I.R., Marron A. Evolution is driven by natural autoencoding: reframing species, interaction codes, cooperation and sexual reproduction. Proc Biol Sci. 2023;290(1994):20222409. doi 10.1098/rspb.2022.2409

8. Eğrioğlu E., Aladağ Ç.H., Günay S. A new model selection strategy in artificial neural networks. Appl Math Comput. 2008;195(2):591-597. doi 10.1016/j.amc.2007.05.005

9. Gutiérrez-Valencia J., Hughes P.W., Berdan E.L., Slotte T. The genomic architecture and evolutionary fates of supergenes. Genome Biol Evol. 2021;13(5):evab057. doi 10.1093/gbe/evab057

10. Hsiao S.J. Sources of error in molecular diagnostic analyses. In: Dasgupta A., Sepulveda J.L. (Eds) Accurate Results in the Clinical Laboratory. Elsevier, 2019;337-347. doi 10.1016/B978-0-12-8137765.00021-2

11. Janko K., Bohlen J., Lamatsch D., Flajšhans M., Epplen J.T., Ráb P., Kotlík P., Šlechtová V. The gynogenetic reproduction of diploid and triploid hybrid spined loaches (Cobitis: Teleostei), and their ability to establish successful clonal lineages – on the evolution of polyploidy in asexual vertebrates. Genetica. 2007;131(2):185-194. doi 10.1007/s10709-006-9130-5

12. Kingma D.P., Ba J. Adam: a method for stochastic optimization. arXiv. 2014. doi 10.48550/arXiv.1412.6980

13. Kircher M., Kelso J. High-throughput DNA sequencing – concepts and limitations. BioEssays. 2010;32(6):524-536. doi 10.1002/bies.200900181

14. Korfmann K., Gaggiotti O.E., Fumagalli M. Deep learning in population genetics. Genome Biol Evol. 2023;15(2):evad008. doi 10.1093/gbe/evad008

15. Levin Y., Talsania K., Tran B., Shetty J., Zhao Y., Mehta M. Optimization for sequencing and analysis of degraded FFPE-RNA samples. J Vis Exp. 2020;160:e61060. doi 10.3791/61060

16. Messer P.W. Neutral models of genetic drift and mutation. In: Kliman R.M. (Ed.) Encyclopedia of Evolutionary Biology. Academic Press, Elsevier, 2016;119-123. doi 10.1016/B978-0-12-800049-6.00031-7

17. Montinaro F., Pankratov V., Yelmen B., Pagani L., Mondal M. Revisiting the out of Africa event with a deep-learning approach. Am J Hum Genet. 2021;108(11):2037-2051. doi 10.1016/j.ajhg.2021.09.006

18. Otto S.P. Selective interference and the evolution of sex. J Hered. 2021;112(1):9-18. doi 10.1093/jhered/esaa026

19. Poroshina A., Sherbakov D. A procedure for modeling genetic diversity distortions in populations of organisms with mixed reproductive strategies. Mathematics. 2023;11(13):2985. doi 10.3390/math11132985

20. Putman A.I., Carbone I. Challenges in analysis and interpretation of microsatellite data for population genetic studies. Ecol Evol. 2014; 4(22):4399-4428. doi 10.1002/ece3.1305

21. Ratner V.A. Principles of Organization and Mechanisms of Molecular Genetic Processes. Novosibirsk: Nauka Publ., 1972 (in Russian) Rossi V., Gandolfi A., Baraldi F., Bellavere C., Menozzi P. Phylo genetic relationships of coexisting Heterocypris (Crustacea, Ostracoda) lineages with different reproductive modes from Lampedusa Island (Italy). Mol Phylogenet Evol. 2007;44(3):1273-1283. doi 10.1016/j.ympev.2007.04.013

22. Sanchez T., Cury J., Charpiat G., Jay F. Deep learning for population size history inference: design, comparison and combination with approximate Bayesian computation. Mol Ecol Resour. 2021;21(8): 2645-2660. doi 10.1111/1755-0998.13224

23. Schön I., Martens K., van Dijk P. (Eds) Lost Sex. The Evolutionary Biology of Parthenogenesis. Springer, 2009. doi 10.1007/978-90-481-2770-2

24. Schurko A.M., Neiman M., Logsdon J.M. Jr. Signs of sex: what we know and how we know it. Trends Ecol Evol. 2009;24(4):208-217. doi 10.1016/j.tree.2008.11.010

25. Tagg N., Doncaster C.P., Innes D.J. Resource competition between genetically varied and genetically uniform populations of Daph­nia pulex (Leydig): does sexual reproduction confer a short-term ecological advantage? Biol J Linn Soc. 2005;85(1):111-123. doi 10.1111/j.1095-8312.2005.00475.x

26. Thielsch A., Völker E., Kraus R.H.S., Schwenk K. Discrimination of hybrid classes using cross-species amplification of microsatellite loci: methodological challenges and solutions in Daphnia. Mol Ecol Resour. 2012;12(4):697-705. doi 10.1111/j.1755-0998.2012.03142.x

27. Zhou Z.H. Ensemble Methods: Foundations and Algorithms. CRC Press, 2025