Poblaciones estructuradas

Presentación del tema: "Poblaciones estructuradas"— Transcripción de la presentación:

1 Poblaciones estructuradas
Ecología Molecular – TP 5 Poblaciones estructuradas & flujo génico

2 Manejo pesquero de la langosta en el archipiélago de Wayu-Wayu
Estudio de caso: Manejo pesquero de la langosta en el archipiélago de Wayu-Wayu 3 4 2 1 5 6 7 Identificación de stock (o poblaciones): 8 muestras de 40 individuos 10 loci, microsatelites 8

3 Ciclo de vida

4 Abrir archivo: Langosta.gtx

5 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

6 (AA) = p² + pq FIS (Aa) = 2pq (1 – FIS) (aa) = q² + pq FIS
Paso 1: Fis en cada población (AA) = p² + pq FIS (Aa) = 2pq (1 – FIS) (aa) = q² + pq FIS

7 ¿Cómo interpretar un Fis estadísticamente significativo?
Sistema de reproducción Efecto Wahlund Selección Alelos nulos

8 Paso 1: Fis en cada población

9 Resultados Análisis en detalle Locus por locus ¿Conclusiones?

10 Con n = 200 por población ¡Era un efecto del muestreo!

11 Paso 2: AFC 3D sobre poblaciones

12

13 Paso 3: Fst global y permutaciones

14 ¿Conclusión?

15 Paso 4: Fst por pares y permutaciones

16 Resultados

17

18 Paso 5: Modelo de diferenciación
Modelo n-Islas Modelo Continente-Isla Modelo Stepping-stone (migración paso a paso) Modelo aislamiento por distancia

19 Incremento de la diferenciación genética con la distancia entre poblaciones
Distancia geografica ó Log (Distancia) FST / (1-FST) Pendiente es inversamente proporcional a la distancia promedia de dispersion Rousset 1997 Genetics 145: Stepping-stone model (isolation by distance) Island model Test de Mantel

20 ¿Cuando estimar un flujo genético?
Distancia geográfica Distancia genética ¿Cuando estimar un flujo genético? Distancia geográfica Distancia genética Distancia geográfica Distancia genética

21 Paso 5: Modelo de diferenciación

22 Resultados

23

24

25 Conclusiones e interpretación

26

27 Convertir Genetix ► Arlequin
Langosta.arp

28 Abrir archivo: Langosta.arp

29

30 1 2 3

31 1 2 3

32

33 4 1 3 2

34

35 Entre todos Los sitios ˃ ˃ Entre sitios Dentro de los grupos Entre grupos

36

37

38

39 Patrones de migración Históricos Actuales

40 Análisis con STRUCTURE

41 Manejo pesquero de la langosta en el archipiélago de Wayu-Wayu
Estudio de caso: Manejo pesquero de la langosta en el archipiélago de Wayu-Wayu 3 4 2 1 5 6 7 Identificación de stock (o poblaciones): 313 individuos, 8 localidades 10 loci microsatelites 8

42 Abrir el archivo de entrada (langosta.str)
Genótipo del individuo 1 en loc-1 Códigos de los individuos En Notepad Nombres de los loci Códigos de las localidades

43

44 1 2 3

45 1 2

46 1 2

47 1 2

48

49 1

50

51

52

53 Modelo de frecuencias correlacionadas
1 darle al conjunto de parámetros un nombre informativo Tamaño del burn-in Tamaño de la cadena Modelo “admixture” Modelo de frecuencias correlacionadas 3 4 2

54 1 2 3

55 1 2 Advertencia: vamos a hacer solamente 1 iteración para cada K en esta práctica. En análises verdaderos, por lo menos 3 (Mejor )

56

57

58 ¿Cuál es el tamaño ideal del burn-in?
1 2

59 Término del burn-in 10.000 Término del burn-in

60 ¿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)

61

62 <<<<<0.00000001
eK=2 P = eK=1 + eK=2 + eK=3 + eK=4 + eK=5 + eK=6 + eK=7 + eK=8 K Ln P(D) P (K) 1 2.27 E-08 2 0.999 3 1.24 E-07 4 1.46 E-186 5 2.38 E-258 6 1.67 E-236 7 <<<<< 8

63 <<<<<0.00000001
eK=2 P = eK=1 + eK=2 + eK=3 + eK=4 + eK=5 + eK=6 + eK=7 + eK=8 K Ln P(D) P (K) 1 2.27 E-08 2 0.999 3 1.24 E-07 4 1.46 E-186 5 2.38 E-258 6 1.67 E-236 7 <<<<< 8 valores promedios de las X cadenas hechas para cada K

64 <<<<<0.00000001
eK=2 P = eK=1 + eK=2 + eK=3 + eK=4 + eK=5 + eK=6 + eK=7 + eK=8 K Ln P(D) P (K) 1 2.27 E-08 2 0.999 3 1.24 E-07 4 1.46 E-186 5 2.38 E-258 6 1.67 E-236 7 <<<<< 8

65 Manejo pesquero de la langosta en el archipiélago de Wayu-Wayu
Estudio de caso: Manejo pesquero de la langosta en el archipiélago de Wayu-Wayu 3 4 2 1 5 6 7 OK, 2 poblaciones. ¿Pero cuáles son? 8

66 2 3 1

67

68

69

70 Manejo pesquero = 2 poblaciones que deben ser manejadas separadamente
3 4 2 1 5 6 7 2 poblaciones que deben ser manejadas separadamente 8

71 Poulin, Faugeron and Veliz 2010
Journal of Fictive Science 1: 17-24

72

73

74

75 Etc...

76 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) CLUMPP (Jakobsson & Rosenberg 2007) Sintetizan los resultados de Q para cada conjunto de cadenas (i.e. para cada K) e generan un bar plot sumário

77

78

79

80

81

82

83

84 7 6 7 4 11 2 2 1 3 4 2 1 10 5 12 4 6 7 3 1 3 8