Генетическая структура популяций волка Северной Евразии: оценка влияния исключения из анализа родственных особей

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

По данным о полиморфизме 20 аутосомных микросателлитных локусов проведен анализ генетической структуры популяции и пространственной автокорреляции у волка, Canis lupus Linnaeus, 1758, Северной Евразии (территории Российской Федерации и Республики Казахстан). С помощью молекулярных маркеров выявлены скрытые генеалогические паттерны на различных дистанциях, наиболее сильно проявляющиеся на географических дистанциях до 150 км, но прослеживающиеся и на более широком пространственном масштабе (до 700–1600 км). Показано, что выявление и исключение родственных генотипов несущественно влияет на внутрипопуляционные оценки генетического разнообразия. Однако данная процедура рекомендуется для более адекватной оценки популяционно-генетической структуры, позволяя оптимизировать ряд статистических процедур. Полученные данные, таким образом, демонстрируют интегрирующий эффект натальной миграции, действующей против дифференцирующего влияния филопатрии. Кроме того, мы продемонстрировали, что исключение подобных особей из выборок после анализа родства может приводить к снижению генетических дистанций между выборками.

Полный текст

Доступ закрыт

Об авторах

П. А. Казимиров

Институт общей генетики им. Н.И. Вавилова Российской академии наук; Всероссийский научно-исследовательский институт охраны окружающей среды

Автор, ответственный за переписку.
Email: farenklaw@gmail.com
Россия, 119991, Москва; 117628, Москва

Ю. С. Белоконь

Институт общей генетики им. Н.И. Вавилова Российской академии наук

Email: farenklaw@gmail.com
Россия, 119991, Москва

М. М. Белоконь

Институт общей генетики им. Н.И. Вавилова Российской академии наук

Email: farenklaw@gmail.com
Россия, 119991, Москва

А. Я. Бондарев

Алтайский государственный аграрный университет

Email: farenklaw@gmail.com
Россия, 656049, Барнаул

А. В. Давыдов

Федеральный научно-исследовательский центр развития охотничьего хозяйства

Email: farenklaw@gmail.com
Россия, 105118, Москва

Е. С. Захаров

Институт естественных наук Северо-Восточного федерального университета им. М.К. Аммосова

Email: farenklaw@gmail.com
Россия, 677000, Якутск

С. В. Леонтьев

ТОО “Национальный центр биотехнологии”

Email: farenklaw@gmail.com
Казахстан, 010000, Астана

Д. В. Политов

Институт общей генетики им. Н.И. Вавилова Российской академии наук; Всероссийский научно-исследовательский институт охраны окружающей среды

Email: dmitri_p@inbox.ru
Россия, 119991, Москва; 117628, Москва

Список литературы

  1. Mech L.D., Boitani L. Wolves: behavior, ecology, and conservation. Chicago: ‎Univ. Chicago Press, 2006. 472 p.
  2. Бибиков Д.И. Волк. Происхождение, систематика, морфология, экология. М.: Наука, 1985. 608 с.
  3. Mysłajek R.W., Tracz M., Tracz M. et al. Spatial organization in wolves Canis lupus recolonizing north-west Poland: Large territories at low population density // Mamm. Biol. 2018. V. 92. P. 37–44. https://doi.org/10.1016/j.mambio.2018.01.006
  4. Åkesson M., Liberg O., Sand H. et al. Genetic rescue in a severely inbred wolf population // Mol. Ecol. 2016. V. 25. № 19. P. 4745–4756. https://doi.org/10.1111/mec.13797
  5. Caniglia R., Fabbri E., Galaverni M. et al. Noninvasive sampling and genetic variability, pack structure, and dynamics in an expanding wolf population // J. Mamm. 2014. V. 95. № 1. P. 41–59. https://doi.org/10.1644/13-MAMM-A-039
  6. Randall D.A., Pollinger J.P., Argaw K. et al. Fine-scale genetic structure in Ethiopian wolves imposed by sociality, migration, and population bottlenecks // Cons. Genet. 2010. V. 11. № 1. P. 89–101. https://doi.org/10.1007/s10592-009-0005-z
  7. Szewczyk M., Nowak S., Niedźwiecka N. et al. Dynamic range expansion leads to establishment of a new, genetically distinct wolf population in Central Europe // Sci. Rep. 2019. V. 9. № 1. P. 1–16. https://doi.org/10.1038/s41598-019-55273-w
  8. Pilot M., Dabrowski M.J., Hayrapetyan V. et al. Genetic variability of the grey wolf Canis lupus in the Caucasus in comparison with Europe and the Middle East: distinct or intermediary population? // PLoS One. 2014. V. 9. № 4. https://doi.org/10.1371/journal.pone.0093828
  9. Казимиров П.А., Леонтьев С.В., Нечаева А.В. и др. Популяционно-генетическая структура степного волка России и Казахстана по микросателлитным локусам // Генетика. 2022. Т. 58. № 11. С. 1261–1272. https://doi.org/10.31857/S0016675822110042
  10. Toonen R.J., Hughes S. Increased throughput for fragment analysis on ABI Prism 377 automated sequencer using a membrane comb and STRand software // Biotechniques. 2001 V. 31 P. 1320–1324. http://www.vgl.ucdavis.edu/STRand
  11. Kamvar Z.N., Brooks J.C., Grünwald N.J. Novel R tools for analysis of genome-wide population genetic data with emphasis on clonality // Front. Genet. 2015. V. 6. https://doi.org/10.3389/fgene.2015.00208
  12. Kamvar Z.N., Tabima J.F., Grünwald N.J. Poppr: An R package for genetic analysis of populations with clonal, partially clonal, and/or sexual reproduction // PeerJ. 2014. V. 2. https://doi.org/10.7717/peerj.281
  13. R Core Team R: A language and environment for statistical computing. 2022. Available online at https://www.R-project.org/
  14. Clark L.V., Drauch Schreier A. Resolving microsatellite genotype ambiguity in populations of allopolyploid and diploidized autopolyploid organisms using negative correlations between allelic variables // Mol. Ecol. Res. 2017. V. 17. № 5. P. 1090–1103. https://doi.org/10.1111/1755-0998.12639
  15. Clark L.V., Jasieniuk M. Polysat: An R package for polyploid microsatellite analysis // Mol. Ecol. Res. 2011. V. 11. № 3. P. 562–566. https://doi.org/10.1111/j.1755-0998.2011.02985.x
  16. Paradis E. pegas: An R package for population genetics with an integrated–modular approach // Bioinformatics. 2010. V. 26. P. 419–420. https://doi.org/10.1093/bioinformatics/btp696
  17. Adamack A.T., Gruber B. PopGenReport: Simplifying basic population genetic analyses in R // Meth. Ecol. Evol. 2014. V. 5(4). 384–387. https://doi.org/10.1111/2041-210X.12158
  18. Gruber B., Adamack A.T. Landgenreport: A new R function to simplify landscape genetic analysis using resistance surface layers // Mol. Ecol. Res. 2015. V 15(5). 1172–1178. doi: 10.1111/1755-0998.12381
  19. Peakall R., Smouse P.E. GENALEX 6: Genetic analysis in Excel. Population genetic software for teaching and research // Mol. Ecol. Notes. 2006. V. 6. № 1. P. 288–295. https://doi.org/10.1111/j.1471-8286.2005.01155.x
  20. Peakall R., Smouse P.E. GenAlEx 6.5: Genetic analysis in Excel. Population genetic software for teaching and research-an update // Bioinformatics. 2012. V. 28. № 19. P. 2537–2539. https://doi.org/10.1093/bioinformatics/bts460
  21. Pew J., Wang J., Muir P., Frasier T. Related: an R package for analyzing pairwise relatedness data based on codominant molecular markers // Mol. Ecol. Res. 2015. V. 15. P. 557–561. https://doi.org/10.1111/1755-0998.12323
  22. Grolemund G., Wickham H. Dates and times made easy with lubridate // J. Stat. Software. 2011. V. 40. № 3. P. 1–25. https://doi.org/10.18637/jss.v040.i03
  23. Kassambara A. rstatix: Pipe-Friendly Framework for Basic Statistical Tests // 2023. https://cran.r-project.org/web/packages/rstatix/index.html
  24. StatSoft, Inc. STATISTICA (data analysis software system), version 8. 2007. www.statsoft.com
  25. Fong Y., Huang Y., Gilbert P., Permar S. chngpt: Threshold regression model estimation and inference // BMC Bioinformatics. 2017. V. 18. № 454. https://doi.org/10.1186/s12859-017-1863-x
  26. Zeileis A., Hothorn T. Diagnostic checking in regression relationships // R News. 2002. V. 2. № 3. P. 7–10.
  27. Falush D., Stephens M., Pritchard J.K. Inference of population structure using multilocus genotype data: Linked loci and correlated allele frequencies // Genetics. 2003. V. 16. № 4. P. 1567–1587. https://doi.org/10.1093/genetics/164.4.1567
  28. Hubisz M.J., Falush D., Stephens M., Pri Tchard J. K. Inferring weak population structure with the assistance of sample group information // Mol. Ecol. Res. 2009. № 9. P. 1322–1332. https://doi.org/10.1111/j.1755-0998.2009.02591.x
  29. Pritchard J.K., Stephens M., Donnelly P. Inference of population structure using multilocus genotype data // Genetics. 2000. V. 155. № 2. P. 945–959. https://doi.org/10.1093/genetics/155.2.945
  30. Francis R.M. pophelper: An R package and web app to analyse and visualize population structure // Mol. Ecol. Res. 2017 V. 17. P. 27–32. https://doi.org/10.1111/1755-0998.12509
  31. Evanno G., Regnaut S., Goudet J. Detecting the number of clusters of individuals using the software STRUCTURE: A simulation study // Mol. Ecol. 2005. V. 14. № 8. P. 2611–2620. https://doi.org/10.1111/j.1365-294X.2005.02553.x
  32. Wang J. An estimator for pairwise relatedness using molecular markers // Genetics. 2002. V. 160. № 3. P. 1203–1215. https://doi.org/10.1093/genetics/160.3.1203
  33. Li C.C., Weeks D.E., Chakravarti A. Similarity of DNA fingerprints due to chance and relatedness // Human Heredity. 1993. V. 43. № 1. P. 45–52. https://doi.org/10.1159/000154113
  34. Queller D.C., Goodnight K.F. Estimating relatedness using genetic markers // Evolution. 1989. V. 43. № 2. P. 258–275. https://doi.org/10.2307/2409206
  35. Lynch M., Ritland K. Estimation of pairwise relatedness with molecular markers // Genetics. 1999. V. 152. № 4. P. 1753–1766. https://doi.org/10.1093/genetics/152.4.1753
  36. Ellegren H. Inbreeding and relatedness in Scandinavian grey wolves Canis lupus // Hereditas. 1999. V. 130. № 3. P. 239–244. https://doi.org/10.1111/j.1601-5223.1999.00239.x
  37. Liberg O., Andren H., Pedersen H.C. et al. Severe inbreeding depression in a wild wolf (Canis lupus) population // Biol. Letters. 2005. V. 1. № 1. P. 17–20. https://doi.org/10.1098/rsbl.2004.0266
  38. Fredrickson R.J., Siminski P., Woolf M., Hedrick P.W. Genetic rescue and inbreeding depression in Mexican wolves // Proc. Royal Soc. B-Biol. Sci. 2007. V. 274. № 1623. P. 2365–2371. https://doi.org/10.1098/rspb.2007.0785
  39. Korablev M.P., Korablev N.P., Korablev P.N. Genetic diversity and population structure of the grey wolf (Canis lupus Linnaeus, 1758) and evidence of wolf× dog hybridisation in the centre of European Russia // Mamm. Biology. 2020. P. 1–14. https://doi.org/10.1007/s42991-020-00074-2
  40. Hindrikson M., Remm J., Pilot M. et al. Wolf population genetics in Europe: A systematic review, meta-analysis and suggestions for conservation and management // Biol. Reviews. 2017. V. 92. № 3. P. 1601–1629. https://doi.org/10.1111/brv.12298
  41. Gompper M.E., Wayne R.K. Genetic relatedness among individuals within carnivore societies // Carnivore Behavior, Ecol. and Evol. V. 2. Ithaca and London: Cornell Univ. Press, 1996. P. 429–452. https://doi.org/10.7591/9781501745829-020
  42. Jędrzejewski W., Branicki W., Veit C. et al. Genetic diversity and relatedness within packs in an intensely hunted population of wolves Canis lupus // Acta Theriologica. 2005. V. 50. № 1. P. 3–22. https://doi.org/10.1007/BF03192614
  43. Кочетков В.В. Филопатрия и дисперсия в популяции волка (Canis lupus L.) // Сиб. экол. журн. 2015. Т. 22. № 3. С. 388–397. https://doi.org/10.15372/SEJ20150306

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Зависимость числа уникальных многолокусных генотипов от числа использованных локусов.

Скачать (80KB)
Метаданные
3. Рис. 2. Сравнение различных коэффициентов родства на основе 1000 симулированных родственных пар. Коэффициенты родства: L&L – Li; L&R – Lynch-Ritland; Q&G – Queller-Goodnight; W – Wang.

Скачать (98KB)
Метаданные
4. Рис. 3. График определения точки изменения линейной модели путем расчета по координатам без внесенного случайного шума (а) и с ним (б). Верхний график – зависимость индекса родства от расстояния в км; средний график – логарифм вероятности положения точки изменения модели; нижний график – результаты бутстрэп-анализа точки изменения модели.

Скачать (337KB)
Метаданные
5. Рис. 4. Результаты анализа пространственной автокорреляции с использованием размерных классов в 200 км. r – индекс пространственной автокорреляции; U, L – верхний и нижний доверительные интервалы для отсутствия автокорреляции.

Скачать (190KB)
Метаданные
6. Рис. 5. Пространственная автокорреляция с использованием размерных классов в 25 км. r – индекс пространственной автокорреляции; U, L – верхний и нижний доверительные интервалы для отсутствия автокорреляции.

Скачать (77KB)
Метаданные
7. Рис. 6. Результаты анализа методом Эванно для полного (1) и сокращенного (2) набора генотипов.

Скачать (216KB)
Метаданные
8. Рис. 7. График консенсуса между итерациями STRUCTURE для полного (а) и сокращенного (б) набора генотипов. В каждой ячейке по вертикали – вероятность отнесения особи к номинальному кластеру для данной итерации, по горизонтали – вероятность отнесения особи к номинальному кластеру для первой итерации. Организация ячеек по вертикали – значение K, по горизонтали – порядковый номер итерации STRUCTURE.

Скачать (927KB)
Метаданные
9. Рис. 8. Результаты байесовского анализа популяционной структуры для полного (а) и сокращенного (б) набора генотипов STRUCTURE.

Скачать (1MB)
Метаданные

© Российская академия наук, 2024