Порог ошибки (эволюция) - Википедия - Error threshold (evolution)

Эта статья нужны дополнительные цитаты для проверка. Пожалуйста помоги улучшить эту статью к добавление цитат в надежные источники. Материал, не полученный от источника, может быть оспорен и удален. Найдите источники: Эволюция «порога ошибки»  – Новости  · газеты  · книги  · ученый  · JSTOR (Апрель 2012 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

В эволюционная биология и популяционная генетика, то порог ошибки (или же критическая скорость мутации) - ограничение на количество пар оснований самовоспроизводящаяся молекула может иметь до того, как мутация уничтожит информацию в последующих поколениях молекулы. Порог ошибки имеет решающее значение для понимания «парадокса Эйгена».

Порог ошибки - это концепция в истоках жизни (абиогенез ), особенно в очень раннем возрасте, до появления ДНК. Предполагается, что первые самовоспроизводящиеся молекулы могли быть небольшими. рибозим -подобно РНК молекулы. Эти молекулы состоят из цепочек пар оснований или «цифр», и их порядок представляет собой код, который определяет, как молекула взаимодействует с окружающей средой. Всякая репликация подвержена ошибкам мутации. Во время процесса репликации каждая цифра имеет определенную вероятность быть замененной какой-либо другой цифрой, которая изменяет способ взаимодействия молекулы с окружающей средой и может увеличивать или уменьшать ее приспособленность или способность к воспроизводству в этой среде.

Фитнес-пейзаж

Это было отмечено Манфред Эйген в его статье 1971 года (Eigen 1971) говорится, что этот процесс мутации накладывает ограничение на количество цифр, которые может иметь молекула. Если молекула превышает этот критический размер, эффект мутаций становится подавляющим, и неуправляемый процесс мутации уничтожает информацию в последующих поколениях молекулы. Порог ошибки также контролируется «ландшафтом пригодности» молекул. Пейзаж фитнеса характеризуется двумя понятиями: рост (= фитнес) и расстояние (= количество мутаций). Подобные молекулы «близки» друг к другу, а молекулы, которые более приспособлены, чем другие, и с большей вероятностью воспроизводятся, «выше» в ландшафте.

Если конкретная последовательность и ее соседи имеют высокую пригодность, они образуют квазивиды и сможет поддерживать более длинные последовательности, чем подходящая последовательность с небольшим количеством подходящих соседей или менее подходящая окрестность последовательностей. Кроме того, Уилке (Wilke 2005) отмечал, что концепция порога ошибки не применима в тех частях ландшафта, где есть летальные мутации, в которых индуцированная мутация дает нулевую пригодность и запрещает молекулу воспроизводиться.

Парадокс Эйгена

Парадокс Эйгена - одна из самых сложных головоломок при изучении происхождения жизни. Считается, что концепция порога ошибки, описанная выше, ограничивает размер самовоспроизводящихся молекул, возможно, несколькими сотнями цифр, но почти вся жизнь на Земле требует гораздо более длинных молекул для кодирования своей генетической информации. В живых клетках эта проблема решается ферментами, которые восстанавливают мутации, позволяя кодирующим молекулам достигать размеров порядка миллионов пар оснований. Эти большие молекулы должны, конечно, кодировать те самые ферменты, которые их восстанавливают, и в этом заключается парадокс Эйгена, впервые сформулированный Манфред Эйген в его статье 1971 г. (Eigen 1971).^[1] Проще говоря, парадокс Эйгена сводится к следующему:

• Без ферментов коррекции ошибок максимальный размер реплицирующейся молекулы составляет около 100 пар оснований.
• Чтобы реплицирующаяся молекула кодировала ферменты исправления ошибок, она должна быть существенно больше 100 оснований.

Это курица или яйцо своего рода парадокс, с еще более трудным решением. Что было первым, большой геном или ферменты для исправления ошибок? Было предложено несколько решений этого парадокса:

• Модель стохастического корректора (Szathmáry & Maynard Smith, 1995). В этом предложенном решении ряд примитивных молекул, скажем, двух разных типов, каким-то образом связаны друг с другом, возможно, посредством капсулы или «клеточной стенки». Если их репродуктивный успех усиливается за счет, скажем, равного количества в каждой клетке, а воспроизводство происходит путем деления, при котором каждый из различных типов молекул случайным образом распределяется среди «детей», процесс отбора будет способствовать такому равному представлению в клетке. клетки, даже если одна из молекул может иметь селективное преимущество перед другой.
• Слабый порог ошибки (Kun et al., 2005). Исследования реальных рибозимов показывают, что частота мутаций может быть значительно меньше, чем ожидалось вначале - порядка 0,001 на пару оснований на репликацию. Это может обеспечить длину последовательности порядка 7-8 тысяч пар оснований, что достаточно для включения элементарных ферментов коррекции ошибок.

Простая математическая модель

Рассмотрим трехзначную молекулу [A, B, C], где A, B и C могут принимать значения 0 и 1. Таких последовательностей восемь ([000], [001], [010], [011] , [100], [101], [110] и [111]). Допустим, молекула [000] является наиболее подходящей; при каждой репликации он производит в среднем ${ displaystyle a}$ копии, где ${ displaystyle a> 1}$. Эта молекула называется «мастер-последовательностью». Остальные семь последовательностей менее подходят; каждый из них создает только 1 копию на репликацию. Репликация каждой из трех цифр выполняется со скоростью мутации μ. Другими словами, при каждом воспроизведении цифры последовательности существует вероятность ${ displaystyle mu}$ что это будет ошибочным; 0 будет заменен на 1 или наоборот. Давайте проигнорируем двойные мутации и гибель молекул (популяция будет расти бесконечно) и разделим восемь молекул на три класса в зависимости от их Расстояние Хэмминга из основной последовательности:

Hamming расстояние	Последовательность (и)
0	[000]
1	[001] [010] [100]
2	[110] [101] [011]
3	[111]

Обратите внимание, что количество последовательностей для расстояния d это просто биномиальный коэффициент ${ displaystyle { tbinom {L} {d}}}$ для L = 3, и что каждая последовательность может быть визуализирована как вершина L = 3-мерного куба, причем каждое ребро куба задает путь мутации, в котором расстояние изменения Хэмминга равно нулю или ± 1. Можно видеть, что, например, одна треть мутаций молекул [001] будет производить [000] молекул, в то время как другие две трети будут производить молекулы класса 2 [011] и [101]. Теперь мы можем написать выражение для дочерних популяций ${ displaystyle n '_ {я}}$ класса я с точки зрения родительского населения ${ displaystyle n_ {j}}$.

${ displaystyle n '_ {i} = sum _ {j = 0} ^ {3} w_ {ij} n_ {j}}$

где матрица 'ш’, Который включает естественный отбор и мутации, согласно квазивидовая модель, дан кем-то:

${ displaystyle mathbf {w} = { begin {bmatrix} a cdot Q & 3a cdot mu & 0 & 0 mu & Q & 2 mu & 0 0 & 2 mu & Q & mu 0 & 0 & 3 mu & Q end {bmatrix }}}$

куда ${ Displaystyle Q = (1- му) ^ {L}}$ это вероятность того, что вся молекула будет успешно воспроизведена. В собственные векторы из ш матрица даст значения равновесной численности населения для каждого класса. Например, если частота мутаций μ равна нулю, у нас будет Q = 1, а равновесные концентрации будут ${ displaystyle [n_ {0}, n_ {1}, n_ {2}, n_ {3}] = [1,0,0,0]}$. Мастер-последовательность, будучи сильнейшим, останется в живых. Если у нас есть точность репликации Q = 0,95 и генетическое преимущество a = 1,05, то равновесные концентрации будут примерно ${ displaystyle [0.33,0.38,0.24,0.06]}$. Видно, что основная последовательность не так доминирует; тем не менее, последовательности с малым расстоянием Хэмминга составляют большинство. Если точность воспроизведения Q приближается к 0, то равновесные концентрации будут примерно равны ${ displaystyle [0,125,0,375,0,375,0,125]}$. Это совокупность с равным количеством каждой из 8 последовательностей. (Если бы у нас была совершенно равная популяция всех последовательностей, у нас была бы популяция [1,3,3,1] / 8.)

Если мы теперь перейдем к случаю, когда количество пар оснований велико, скажем L = 100, мы получим поведение, напоминающее фаза перехода. На графике ниже слева показан ряд равновесных концентраций, разделенных на биномиальный коэффициент. ${ displaystyle { tbinom {100} {k}}}$. (Это умножение покажет совокупность для отдельной последовательности на этом расстоянии и даст плоскую линию для равного распределения.) Селективное преимущество основной последовательности установлено на a = 1.05. По горизонтальной оси отложено расстояние Хэмминга. d . Различные кривые относятся к разной общей скорости мутаций. ${ displaystyle (1-Q)}$. Видно, что при низких значениях общей частоты мутаций популяция состоит из квазивиды собрались по соседству с мастер-секвенцией. Выше общей скорости мутаций примерно 1-Q = 0,05 распределение быстро распространяется, чтобы заполнить все последовательности одинаково. На графике ниже справа показана фракционная популяция основной последовательности как функция общей скорости мутаций. Снова видно, что ниже критической скорости мутации примерно 1-Q = 0,05 основная последовательность содержит большую часть популяции, а выше этой скорости она содержит только примерно ${ displaystyle 2 ^ {- L} приблизительно 10 ^ {- 30}}$ от общей численности населения.

Численность населения как функция расстояния Хэмминга d и частота мутаций (1-Q). Горизонтальная ось d - расстояние Хэмминга молекулярных последовательностей от основной последовательности. Вертикальная ось представляет собой логарифм численности населения для любой последовательности на этом расстоянии, деленный на общую численность населения (таким образом, деление п_d по биномиальному коэффициенту). Общее количество цифр в последовательности L = 100, а основная последовательность имеет избирательное преимущество a = 1,05.

Население основной последовательности как доля от общей популяции (п) как функция общей скорости мутаций (1-Q). Общее количество цифр в последовательности L = 100, а основная последовательность имеет избирательное преимущество a = 1,05. Видно, что «фазовый переход» происходит примерно при 1-Q = 0,05.

Видно резкий переход при значении 1-Q чуть больше 0,05. При частоте мутаций выше этого значения популяция основной последовательности падает практически до нуля. Выше этого значения он доминирует.

В пределе как L приближается к бесконечности, система действительно имеет фазовый переход при критическом значении Q: ${ displaystyle Q_ {c} = 1 / a.}$. Можно представить себе общую скорость мутаций (1-Q) как своего рода «температуру», которая «плавит» верность молекулярных последовательностей выше критической «температуры» ${ displaystyle 1-Q_ {c}}$. Для точной репликации информация должна быть «заморожена» в геноме.

Смотрите также

• Ошибка катастрофа
• Вихрь угасания
• Генетическая энтропия
• Генетическая эрозия
• Трещотка Мюллера

Рекомендации

• Эйген, М. (1971). «Самоорганизация вещества и эволюция биологических макромолекул». Naturwissenschaften. 58 (10): 465–523. Bibcode:1971NW ..... 58..465E. Дои:10.1007 / BF00623322. PMID  4942363. S2CID  38296619.
• «Теория квазивидов в контексте популяционной генетики - Клаус О. Вилке» (PDF). Получено 12 октября, 2005.
• Кампос, П. Р. А .; Фонтанари, Дж. Ф. (1999). «Масштабирование конечного размера порогового перехода ошибки в конечных популяциях» (PDF). J. Phys. A: Математика. Gen. 32: L1 – L7. arXiv:cond-mat / 9809209. Bibcode:1999JPhA ... 32L ... 1С. Дои:10.1088/0305-4470/32/1/001. S2CID  16500591.
• Холмс, Эдвард С. (2005). «На то, чтобы быть правильного размера». Природа Генетика. 37 (9): 923–924. Дои:10.1038 / ng0905-923. ЧВК  7097767. PMID  16132047.
• Эёрс Сатмари; Джон Мейнард Смит (1995). «Основные эволюционные переходы». Природа. 374 (6519): 227–232. Bibcode:1995Натура 374..227С. Дои:10.1038 / 374227a0. PMID  7885442. S2CID  4315120.
• Луис Вильярреал; Гюнтер Витцани (2013). «Переосмысление теории квазивидов: от наиболее приспособленных к совместным консорциумам». Всемирный журнал биологической химии. 4 (4): 79–90. Дои:10.4331 / wjbc.v4.i4.79. ЧВК  3856310. PMID  24340131.
• Адам Кун; Мауро Сантос; Эёрс Сатмари (2005). «Настоящие рибозимы предполагают более низкий порог ошибки». Природа Генетика. 37 (9): 1008–1011. Дои:10,1038 / ng1621. PMID  16127452. S2CID  30582475.