Sou aluno de Mestrado do Programa de Pós-Graduação em Genética e Biologia Evolutiva do IB/USP, sob orientação do Prof. Dr. Rodrigo Cogni. Desenvolvo o projeto intitulado Variação clinal em genes do sistema imune de Drosophila melanogaster.

Exercício 1 Exercício 4 Exercício 5 Exercício 7a Exercício 7b Exercício 8 Exercício 9

Estudos em escala ômica (genômica, transcriptômica, etc.) muitas vezes analisam como um conjunto de genes se comporta. Existem fatores que podem confundir a interpretação do padrão observado (e.g., desequilíbrio de ligação, heterogeneidade de taxas de mutação, etc). É possível que se queira, então, delimitar um conjunto de genes controle, para poder definir se o efeito observado não é resultado de fatores de confusão.

Obbard et al. (2009), por exemplo, estudaram a seleção a longo prazo em genes do sistema imune de Drosophila melanogaster. Para isso, avaliaram a proporção de substituições adaptativas em genes imunes e genes controle próximos àqueles. Os autores explicitaram os critérios adotados para definir os genes controles, que são:

1. o gene controle esteja a uma distância x do gene de interesse
2. o gene controle não pertença a mesma categoria funcional do gene de interesse

No entanto, falharam em explicitar como fizeram exatamente a escolha dos genes controle:

• o gene está há distância x à direita ou à esquerda do gene de interesse?
• e se não houver gene a uma distância x?
• e se o gene a tal distância já foi colocado como controle de outro gene?

Também não foi disponibilizada uma tabela com os genes de interesse e seus respectivos genes controle.

Uma das características fundamentais da ciência é a reprodutibilidade. No caso do trabalho anterior, a reprodutibilidade poderia ser alcançada se os autores tivessem elaborado um algoritmo que encontre genes controle de acordo com os critérios determinados.

Input: data.frame contendo informações dos gene de interesse (ID, chromosome, start_location, end_location, biological_function), data.frame com informações de todos os genes nos arredores das localizações dos genes de interesse (incluindo os genes de interesse; com o mesmo header do primeiro data.frame) e a distância ótima (x) entre o gene de interesse e o controle (unidade em kb). ¹⁾

Pseudo-código: ²⁾

• Pegar o i-ésimo gene de interesse do primeiro data.frame.
  • Subsetar o data.frame completo para apenas os genes no cromossomo de i. Identificar a posição de i nesse data.frame.
  • Enquanto dist(i,i+k) ou dist(i,i-k) =< x
    • Verificar a distância de i até o gene i+k e até i-k.
    • Salvar (ou substituir caso não seja a primeira volta no loop) no data.frame de matches uma linha com o ID do gene de interesse e a as informações do gene com distância mais próxima de x, desde que a função biológica seja distinta da função do gene i e que esse gene já não esteja presente no d.f de matches.
    • k=k+1
  • Se nenhum gene cumpriu esses critérios, salvar uma linha com o ID do gene de interesse de NAs nas demais colunas.
• Voltar ao primeiro passo.

Output: data.frame contendo em cada linha o ID do gene de interesse em uma coluna e cada informação do gene controle correspondente nas outras colunas. Também, serão retornados gráficos exploratórios (histograma e/ou boxplot da distribuição de distâncias entre controle e interesse) comparando com o ideal x.

Entender diferenciação entre populações é uma questão comum em estudos evolutivos. Existem algumas métricas que permitem quantificar diferenciação, sendo Fst uma mais usadas para sumarizar diferenciação populacional. Além disso, o Fst está fortemente associado com variância intra e inter-populacional e pode revelar a ação de seleção natural – com seleção atuando distintivamente sobre populações, a variância intra-populacional diminui e inter-populacional aumenta, o que resulta em altos valores de Fst.

Uma abordagem para se calcular o Fst é o method-of-moments. Em linhas gerais, compara-se a heterozigose entre populações e aquela esperada sobre Hardy-Weinberg ³⁾.

Input: data.frame com estrutura ID (identificação do loco) e as frequências do alelo p para cada uma das populações ($freq. pop_1, freq. pop_2, \ldots, freq. pop_n)$), (opcional) data.frame com ID e pesos para cada uma das entradas do df anterior e um argumento caso queira o Fst global ou par-a-par (no último caso, é retornado o Fst médio).

Descrição da função: serão calculados as Heterozigoses intra-populacionais (Hp), as Heterozigoses médias inter-populacionais (Hm), podendo ou não ser ponderado pelo df de pesos, e a Heterozigose total sob HW (Ht) esperado para cada loco. Caso a opção par-a-par seja selecionada, Hm e Ht serão calculadas para cada par de populações.

Fórmulas:

$$H_p = 2*p_i*(1-p_i)$$

$$H_m = \frac{\sum\limits_{i=1}^{n}peso_i*H^p_i}{n}$$

$$H_t = 2*\bar{p}*(1-\bar{p})$$

$$Fst = \frac{H_t - H_m}{H_t}$$

Output: data.frame contendo o Fst global ou Fst médio de cada locos. Neste último caso, também deverá ser retornada uma matriz com os Fst pair-wise.

Referências:

Genetics in geographically structured populations: defining, estimating and interpreting Fst