COMPARACIÓN DE MODELOS BAYESIANOS EN EL ANÁLISIS DE POBLACIONES MEDIANTE GENOTIPOS MULTILOCUS Axel Villalobos Cortés, Amparo Martínez3, José Vega-Pla4, Juan Vicente. Delgado3 Ph.D Investigador Instituto de Investigación Agropecuaria, Panamá. 3 Ph.D Investigador Departamento de Genética. Universidad de Córdoba. E. España. 4 Ph.D Investigador Laboratorio de Investigación de las Fuerzas Armadas. Córdoba. España   ANTECEDENTES EL mejoramiento de las técnicas de análisis de marcadores moleculares combinadas con las nuevas herramientas estadísticas como la geoestadística, la máxima verosimilitud y las estimaciones Bayesianas, además de contar con ordenadores más veloces y con mayor capacidad, ha surgido un campo novedoso, la genética paisajista, que es la combinación de la genética de poblaciones y la ecología paisajista. Se define como ecología paisajista, al estudio de la interacción entre patrones espaciales y los procesos ecológicos. La genética paisajista tiene como objetivo proveer información acerca de la interacción entre el paisaje natural y los procesos microevolucionarios, tales como flujo genético, erosión genética y selección. El objetivo de este trabajo fue evaluar dos programas bioinformáticos basados en modelos Bayesianos en el análisis de poblaciones mediante genotipos multilocus. Figura 2. Comparación genética de los miembros de la población total cuando K=28, mediante programa STRUCTURE (STR) y TESS, Pritchard et al. (2000) y Francois et al. (2009) graficado mediante el programa DISTRUCT Rosenberg (2004). MATERIALES Y MÉTODOS Se evaluaron 1011 individuos de 33 poblaciones bovinas y analizadas mediante 27 marcadores microsatélites, suponiendo que estas pertenecen a un número desconocido de grupos diferentes genéticamente denominados K. Se utilizaron dos programas bioinformáticos para este fin: Se seleccionó la versión 2.2.3 del programa STRUCTURE, para identificar la estructura de las K poblaciones utilizadas y al mismo tiempo calcular las proporciones de mezcla de los individuos dentro de cada población. Se realizaron diferentes cálculos independientes de K, desde K=2 hasta K=33 para estimar el valor óptimo de probabilidad. También se utilizó el programa Tess que aplica igualmente un modelo Bayesiano con algoritmos de agrupamiento utilizados en estudios genéticos de población donde se incluyó la distribución geográfica mediante coordenadas. Los archivos resultantes de ambos programas, STRUCTURE y TESS se procesaron en el programa CLUMPP para estimar el valor G con el Coeficiente de Similaridad Simétrica (SSC) de alineamiento entre ambas matrices Q(structure) vs Q(tess) y posteriormente se graficaron en el programa DISTRUCT. RESULTADOS Una vez obtenidos los resultados del análisis con ambos modelos de agrupación se observó que presentaron un valor óptimo de K=28, por lo que se podría inferir que tienen el mismo poder de discriminación en lo que respecta al cálculo de las K poblaciones. Sin embargo al calcular el valor de similitud de alineamiento ente ambas matrices Q (structure) vs Q (tess), se observó un valor de 0,5053 con lo cual se observan diferencias en el patrón de distribución interna de las poblaciones estudiadas entre ambos modelos. Las incongruencias observadas por el modelo espacial, podría deberse a los supuestos planteados por (Guillot et al, 2005) en que asume que existen dependencias de espacio entre individuos, y el conjunto de individuos muestreados es visto como la representación de una o varias poblaciones panmícticas separadas por fronteras geográficas a lo largo del espacio. El modelo que plantea Pritchard (2000) en STRUCTURE tiene un mejor comportamiento cuando se comparan poblaciones con índices de diferenciación genética iguales o mayores a 0.05 (Latch et al., 2006; Chen et al., 2007), situación que ocurre entre la mayoría de las razas bovinas bajo el presente estudio. CONCLUSIONES Se concluye que el modelo de asignación espacial (TESS) mostró resultados parcialmente congruentes con el modelo de agrupación geográfica (STRUCTURE), debido probablemente a que las poblaciones no obedecen al principio de panmixia. Figura 1. Análisis de datos de genotipos multilocus utilizando método de agrupamiento espacial (TESS) y probabilístico (STRUCTURE). BIBLIOGRAFÍA Francois, O., S. Ancelet, and G. Guillot. 2006. Bayesian Clustering Using Hidden Markov Random Fields in Spatial Population Genetics. Genetics 174:805-816 Pritchard, J.K., M. Stephens, and P. Donnelly. 2000, Inference of Population Structure Using Multilocus Genotype Data. Genetics 155:945-959. Rosenberg, N.A., S. Mahajan, S. Ramachandran, C. Zhao, J.K. Pritchard, and M.W. Feldman. 2005. Clines, Clusters, and the Effect of Study Design on the Inference of Human Population Structure. PLoS Genet 1:e70,