Information

Mutationsrate und Evolutionsrate?

Mutationsrate und Evolutionsrate?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Was ist der Unterschied zwischen damals? Ich habe einige Jobs gelesen, die die Analyse von Mutationsraten und andere mit evolutionären Raten beschreiben.


Mutationsrate

Eine Mutationsrate ist eine Rate, mit der eine Mutation auftritt. Sie wird typischerweise als Anzahl von Mutationen pro Stelle (pro Nukleotid) pro Reproduktionsereignis ausgedrückt. Beim Menschen liegt die durchschnittliche Mutationsrate pro Standort pro Reproduktion in der Größenordnung von $10^{-8}$.

Wenn eine Mutation auftritt, existiert sie nur in einer Kopie in der Population. Diese Mutationen könnten im Laufe der Zeit eine höhere Häufigkeit erreichen und schließlich sogar eine Häufigkeit von 1,0 erreichen (wir sprechen dann von "Fixierung"), aber die meisten Mutationen werden niemals eine hohe Häufigkeit erreichen und in den kommenden paar Generationen einfach verschwinden, unabhängig davon, ob die Selektion erfolgt oder nicht war schädlich.

Evolutionäre Rate

Der Begriff "Evolutionsrate" hat keine allgemein anerkannte Definition. Abhängig von Ihrer Definition wird die Mutationsrate mehr oder weniger mit der Evolutionsrate korreliert.

Phänotypische Evolutionsrate

Die Evolutionsrate könnte sich auf die phänotypische Evolution beziehen. Der Darwin (natürlich nach Charles Darwin benannt) ist eine gebräuchliche Einheit zur Messung der phänotypischen Evolution. Eine andere Einheit der Evolutionsrate könnte darin bestehen, zu messen, wie lange es dauert, bis sich das mittlere phänotypische Merkmal um eine Standardabweichung der ursprünglichen phänotypischen Verteilung ändert.

Genetische Evolutionsrate

Man kann auch ein genetisches Maß für die Evolutionsrate in Betracht ziehen, wie die Anzahl der neutralen Substitutionen in einer Linie pro Zeiteinheit. Mit dieser Definition wird der Unterschied zwischen der Mutationsrate und der Evolutionsrate etwas verschwommener, da die erwartete Substitutionsrate an der neutralen Stelle gleich der Mutationsrate ist.

Geben Sie immer Ihre Quelle an!

Du sagst

Ich habe einige Jobs gelesen, die Analyse beschreiben

Bitte geben Sie immer Ihre Quelle an. Es gibt keine Möglichkeit, Informationen über die Bedeutung dieser Begriffe zu geben, ohne einen Blick auf das Originalpapier zu werfen.

Verwandter Beitrag

The post Sind wir „weiter entwickelt“ als die heutigen Bakterien? hängt etwas zusammen.


Hohe Mutationsraten begrenzen evolutionäre Anpassung bei Escherichia coli

Mutation ist von grundlegender Bedeutung für die Evolution, da sie die genetische Variation erzeugt, auf die die Selektion wirken kann. In der Natur erhöhen genetische Veränderungen oft die Mutationsrate in Systemen, die von Viren und Bakterien bis hin zu menschlichen Tumoren reichen. Eine solche Zunahme fördert die Akkumulation häufiger schädlicher oder neutraler Allele, kann aber auch die Wahrscheinlichkeit erhöhen, dass eine Population seltene nützliche Allele erwirbt. Hier untersuchen wir, wie eine bis zu 100-fache Zunahme der genomischen Mutationsrate von Escherichia coli die adaptive Evolution beeinflusst. Um dies zu erreichen, haben wir im Labor mehrere replizierte Populationen asexueller E. coli-Stämme entwickelt, die so konstruiert wurden, dass sie über 3000 Generationen vier verschiedene Mutationsraten aufweisen. Wir haben die Fähigkeit weiterentwickelter Populationen gemessen, in ihrer ursprünglichen Umgebung und in mehr als 90 neuen chemischen Umgebungen zu wachsen. Darüber hinaus haben wir die Populationen einer vollständigen Genom-Populationssequenzierung unterzogen. Obwohl Populationen mit höheren Mutationsraten eine größere genetische Vielfalt anhäuften, brachte diese Vielfalt nur Vorteile für leicht erhöhte Mutationsraten, bei denen sich die Populationen schneller anpassten und auch in einigen neuen Umgebungen besser gediehen als ihre Vorfahren. Im Gegensatz dazu zeigten einige Populationen mit den höchsten Mutationsraten eine reduzierte Anpassung während der Evolution und gedeihen nicht in allen 90 alternativen Umgebungen. Darüber hinaus erlebten sie einen dramatischen Rückgang der Mutationsrate. Unsere Arbeit zeigt, dass die Mutationsrate das globale Gleichgewicht zwischen schädlichen und nützlichen Mutationseffekten auf die Fitness verändert. Im Gegensatz zu den meisten theoretischen Modellen legen unsere Experimente nahe, dass dieser Kipppunkt bereits bei den bescheidenen Mutationsraten, die in freier Wildbahn vorkommen, auftritt.

Interessenkonflikt-Erklärung

Die Autoren haben erklärt, dass keine konkurrierenden Interessen bestehen.

Figuren

Abb. 1. Experimentelles Design.

Abb. 1. Experimentelles Design.

Wir entwickelten acht Replikatpopulationen für jede von vier E .…

Fitness des sich entwickelnden Replikats…

Fitness der sich entwickelnden Replikatpopulationen im Verhältnis zu ihren Vorfahren (A) im Zeitverlauf,…

Abb. 3. Populationen mit höherer Mutation replizieren…

Abb. 3. Replikatpopulationen mit höheren Mutationsraten haben eine erhöhte genetische Vielfalt und eine höhere…

Abb. 4. Zelldichte nach 24 Stunden…

Abb. 4. Die Zelldichte nach 24 Stunden Wachstum unter Stressbedingungen nahm mit zunehmender…


Die Auswirkung von Populationsengpässen auf die Entwicklung der Mutationsrate in asexuellen Populationen

Ohne Rekombination kann sich ein Mutatorallel durch Trampen mit nützlichen Mutationen, die in seinem genetischen Hintergrund auftreten, in einer Population ausbreiten. Theoretische Studien der letzten zehn Jahre haben gezeigt, dass die Überlebens- und Fixierungswahrscheinlichkeit nützlicher Mutationen durch Engpässe bei der Populationsgröße stark reduziert werden kann. Hier verwenden wir Computermodellierung und Evolutionsexperimente mit der Hefe S. cerevisiae, um zu untersuchen, ob Populationsengpässe die Mutatordynamik bei der Anpassung asexueller Populationen beeinflussen können. In Simulationen zeigen wir, dass Populationsengpässe das Trampen von Mutatoren mit nützlichen Mutationen hemmen können und am effektivsten bei geringeren Versorgungsraten für nützliche Mutationen sind. Wir haben dann experimentelle Hefepopulationen, die mit der gleichen effektiven Populationsgröße vermehrt wurden, drei verschiedenen Engpassregimen ausgesetzt und beobachtet, dass die Geschwindigkeit des Mutator-Trampens bei kleineren Engpässen signifikant langsamer war, was unseren theoretischen Erwartungen entspricht. Unsere Ergebnisse legen daher nahe, dass Engpässe ein wichtiger Faktor bei der Entwicklung der Mutationsrate sein können und unter bestimmten Umständen den progressiven Anstieg der Mutationsraten in asexuellen Populationen stabilisieren oder zumindest verzögern können. Darüber hinaus liefern unsere Ergebnisse die erste experimentelle Unterstützung für den theoretisch postulierten Effekt von Populationsengpässen auf nützliche Mutationen und zeigen die Nützlichkeit der Untersuchung der Mutatorfrequenzdynamik für das Verständnis der zugrunde liegenden Dynamik von fitnessbeeinflussenden Mutationen.

Schlüsselwörter: asexuelle Populationen vorteilhafte Mutationen Trampen Mutationsrate Populationsengpässe Hefe.

© 2013 Die Autoren. Zeitschrift für Evolutionsbiologie © 2013 Europäische Gesellschaft für Evolutionsbiologie.

Figuren

Abbildung 1. Die Auswirkungen von Bevölkerungsengpässen…

Abbildung 1. Die Auswirkung von Populationsengpässen auf die Mutatordynamik bei unterschiedlichen Versorgungsraten von…

Abbildung 2. Selektionsstärke nützlicher Mutationen…

Abbildung 2. Selektionsstärke nützlicher Mutationen und Mutatordynamik in Engpasspopulationen


Evolutionäre Rettung einer Parasitenpopulation durch Evolution der Mutationsrate

Das Risiko der Entwicklung von Antibiotikaresistenzen bei Parasiten ist ein großes Problem für die öffentliche Gesundheit. Die Identifizierung von Faktoren, die die Evolution von Antibiotikaresistenzen begünstigen, ist daher eine Priorität in der Evolutionsmedizin. Die Rate, mit der neue Mutationen in die Parasitenpopulation gelangen, ist ein wichtiger Prädiktor, jedoch ist die Mutationsrate nicht unbedingt eine feste Größe, wie oft angenommen wird, sondern kann sich selbst entwickeln. Hier untersuchen wir die möglichen Auswirkungen der Evolution der Mutationsrate auf das Schicksal einer in einer Wirtspopulation zirkulierenden Krankheit, die mit Medikamenten behandelt wird, deren Verwendung im Laufe der Zeit variiert. Unter Verwendung eines evolutionären Rettungsrahmens stellen wir fest, dass die Evolution der Mutationsrate eine dramatische Erhöhung der Wahrscheinlichkeit bietet, dass eine Parasitenpopulation die Behandlung nur in einer begrenzten Region überlebt, während sie in anderen Regionen wenig oder keinen Vorteil bietet. Sowohl epidemiologische Merkmale wie die Virulenz einer Infektion als auch populationsgenetische Parameter wie die Rekombinationsrate spielen eine wichtige Rolle bei der Bestimmung der Wahrscheinlichkeit einer evolutionären Rettung und ob die Evolution der Mutationsrate die Wahrscheinlichkeit einer evolutionären Rettung erhöht oder nicht. Während Bemühungen, die Evolution der Mutationsrate bei Parasiten einzudämmen, unter bestimmten Umständen lohnenswert sein können, legen unsere Ergebnisse nahe, dass dies nicht immer der Fall sein muss.

Schlüsselwörter: Arzneimittelresistenz Evolutionäre Rettung Modifikatormodell Mutationsrate Parasiten.


Einführung

Mutationen sind grundlegend für die Evolution. Ohne sie kann keine Evolution stattfinden, da Mutationen die genetische Variation liefern, die für Selektion und genetische Drift erforderlich ist. Jede neue Mutation in einem Individuum kann seine Fitness erhöhen, seine Fitness verringern oder keinen Einfluss auf seine Fitness haben. Leider sind die meisten Mutationen mit Fitnesseffekten schädlich, und fitnesssteigernde, vorteilhafte Mutationen machen nur einen kleinen Bruchteil aller möglichen Mutationen aus [1]. Die Mutationsrate kann sich selbst entwickeln, da sie im „Mutationsraten-Genom“, dem Teil eines Genoms, das für DNA-Replikations- und Reparatursysteme kodiert, genetischen Veränderungen unterliegt [2,3]. Hier charakterisieren wir die langfristigen Auswirkungen einer Reihe von Mutationsraten auf die Anpassung sowie die Entwicklung der Mutationsrate selbst durch die Entwicklung mehrerer replizierter Populationen von asexuellen Escherichia coli in einem Minimalmedium im Labor.

Evolutionäre Anpassung unter erhöhtem Mutationsdruck in großen nicht-rekombinierenden Populationen wie unserer wurde in früheren Arbeiten untersucht (alle Mutationen, die in unserem E. coli Genom des Laborstamms verknüpft sind). Die gemeinsamen Auswirkungen von Mutation und Verknüpfung auf die Selektion (und die damit verbundenen Themen Diversität und Evolution des Geschlechts) wurden seit Fisher [4] und Muller [5] ([6–10], kürzlich in [11–14 ]). Unter erhöhtem Mutationsdruck können mehrere Klone innerhalb einer Population neue Mutationen erwerben und dann miteinander um die Fixierung konkurrieren. Während relevante Studien zeigen, dass die Anpassungsgeschwindigkeit mit der genomischen Mutationsrate zunehmen kann [10,15–18], lassen sie die Möglichkeit offen, dass extrem hohe Mutationsraten die Adaptation behindern könnten. Diese Möglichkeit wird durch eine Vielzahl von Modellen erhoben, die eine abnehmende Fitness in Populationen mit extremen Mutationsraten vorhersagen. Ein frühes, einflussreiches, aber einfaches Modell sagte voraus, dass die Fitness einer Population sinkt, wenn die Mutationsrate über eine kritische „Fehlerschwelle“ [19] steigt, deren Wert von den Modelldetails abhängt. Andere Modelle von Populationen, die sich mit hohen Mutationsraten entwickeln, sind realistischer und berücksichtigen Phänomene wie vorteilhafte Mutationen und Demografie. Sie sagen jedoch auch voraus, dass die Anpassung durch die Auswirkungen schädlicher Mutationen bei ausreichend hohen Mutationsraten verlangsamt und schließlich rückgängig gemacht werden kann [20–24].

Viele Studien haben die Entwicklung erhöhter Mutationsraten dokumentiert [25–31], die sich unter bestimmten Bedingungen entwickeln können. Beispielsweise produziert eine Zelle mit einem Mutator-Allel nach einer kürzlichen Umweltveränderung, die Möglichkeiten für neue Anpassungen und neue vorteilhafte Mutationen schafft [32,33] mit größerer Wahrscheinlichkeit, vorteilhafte Mutationen mit großer Wirkung als eine Zelle mit einer Wildtyp-Mutationsrate . Aufgrund ihrer verbesserten Fitness können Zelllinien mit neu erworbenen nützlichen Allelen (und ihren verbundenen Mutatorallelen) in der Bevölkerung häufiger vorkommen. Daher kann sich eine Hypermutation leicht entwickeln, wenn Mutatorallele per Anhalter an die Fixierung mit nützlichen Mutationen gelangen [34–37].

Langfristig kann eine Hypermutation jedoch schädlich sein, da die meisten nicht neutralen Mutationen schädliche Folgen haben [1]. Somit kann ein Individuum mit einer höheren Mutationsrate insgesamt mehr schädliche Mutationen akkumulieren, was zu einer geringeren Fitness führen kann. Aus diesem Grund wurde vorhergesagt, dass die Selektion die Mutationsrate reduziert [38]. Es gibt jedoch mehrere mögliche Gründe, warum die Mutationsraten nicht ganz auf Null sinken können. Einer davon ist, dass die physiologischen Mechanismen, die zur Verbesserung der Replikationstreue und der DNA-Reparatur erforderlich sind, Fitnesskosten verursachen [39–42]. Ein anderer ist, dass die Selektionskraft zur Reduzierung der Mutationsrate durch die Populationsgröße über die sogenannte Drift-Barriere begrenzt ist [43,44]. Experimentelle Beobachtungen weiterentwickelter Reduktionen der Mutationsrate wurden berichtet, sind aber relativ selten [27,31,45–50] (überprüft in [51]).

Während einige frühere Experimente die adaptiven Reaktionen und Veränderungen der Mutationsrate untersuchten, die unter erhöhtem Mutationsdruck stattfinden können [46–48, 50], konzentrierten sie sich auf eine oder zwei Mutationsraten und beinhalteten keine Genomanalysen (außer [50]). Hier wollten wir einen einzigartig umfassenden empirischen Datensatz für eine Reihe von Mutationsraten bereitstellen, einschließlich Sequenzierungsdaten der gesamten Genompopulation, Mutationsratendaten und Fitnessmessungen in einer Reihe von Umgebungen. Dazu haben wir vier isogene E. coli K12 MG1655-Derivatstämme mit erhöhten Mutationsraten und entwickelten acht Replikatpopulationen jedes Stamms über 3000 Generationen in einem seriellen Transferexperiment. Die genomischen Mutationsraten unterschieden sich zwischen diesen Stämmen um mehr als das Hundertfache und reichten von U = 0,00034 to U = 0,036 Punktmutationen pro Genom pro Generation nach einer Schätzungsmethode. Während der Evolution haben wir periodisch die Wachstumsrate und die stationäre Populationsdichte jeder Population charakterisiert. Wir haben auch die Fitness von entwickelten Populationen in einer Vielzahl von stressigen Umgebungen untersucht. Die Hochdurchsatz-Populationssequenzierung ermöglichte es uns, zu charakterisieren, wie weit sich unsere Populationen im Sequenzraum ausbreiten, und die in jeder Population auftretenden Mutationen zu untersuchen.


Ergebnisse

Die kumulative Anzahl beobachteter Mutationen in jeder Population zeigt Dynamiken, die sowohl durch Hypermutator- als auch Antimutator-Allele verursacht werden

Wir untersuchten die Anzahl der beobachteten Mutationen im Zeitverlauf in jeder LTEE-Population (Abb. 1 und 2, ergänzende Abb. S1–S3, ergänzendes Material online). Diese Ergebnisse zeigen, dass sich die Mutationsraten über den LTEE idiosynkratisch entwickelt haben. Abbildung 1A zeigt die Anzahl der Punktmutationen im Laufe der Zeit in jeder Population. Die Rate der beobachteten Punktmutationen nahm in drei der sechs Hypermutator-Populationen (Ara-2, Ara+3 und Ara+6) ab. Die Abnahme der molekularen Evolutionsrate in diesen Populationen wurde zuvor der Evolution von Antimutator-Allelen zugeschrieben ( Tenaillon et al. 2016 Good et al. 2017). Obwohl Antimutator-Allele von mutY Ausgleich von Mängeln in Köter wurden in Ara−1 berichtet (Wielgoss et al. 2013), ist die bei 40.000 Generationen beobachtete Änderung der Steigung in Ara−1 im Vergleich zu den Steigungsänderungen in Ara−2, Ara+3 und Ara+6 subtil.

Abweichende Entwicklung der Mutationsraten im LTEE. Jedes Panel zeigt die kumulative Anzahl beobachteter Mutationen, unterteilt nach Mutationsklassen, im Zeitverlauf in jeder LTEE-Population. Die oberen sechs Felder zeigen die Nicht-Mutator-LTEE-Populationen und die unteren sechs Felder zeigen die Hypermutator-LTEE-Populationen. (EIN) Punktmutationen sind rot dargestellt. (B) Indel-Mutationen sind lila dargestellt. (C) sv, die mit Transposons verknüpft sind, werden grün dargestellt, während diejenigen, die nicht mit Transposons verknüpft sind, grau dargestellt werden.

Abweichende Entwicklung der Mutationsraten im LTEE. Jedes Panel zeigt die kumulative Anzahl beobachteter Mutationen, unterteilt nach Mutationsklassen, im Zeitverlauf in jeder LTEE-Population. Die oberen sechs Felder zeigen die Nicht-Mutator-LTEE-Populationen und die unteren sechs Felder zeigen die Hypermutator-LTEE-Populationen. (EIN) Punktmutationen sind rot dargestellt. (B) Indel-Mutationen sind lila dargestellt. (C) sv, die mit Transposons verknüpft sind, werden grün dargestellt, während diejenigen, die nicht mit Transposons verknüpft sind, grau dargestellt werden.

Die Dynamik von Hypermutator- und Antimutator-Allelen beeinflusst das Spektrum der beobachteten Punktmutationen im Laufe der Zeit. (EIN) Spektrum von Punktmutationen über die Zeit in den Hypermutator-LTEE-Populationen. (B) Eingesetzte Abbildung, die nichtdominante Punktmutationsspektren über die Zeit in den Hypermutator-LTEE-Populationen zeigt.

Die Dynamik von Hypermutator- und Antimutator-Allelen beeinflusst das Spektrum der beobachteten Punktmutationen im Laufe der Zeit. (EIN) Spektrum von Punktmutationen über die Zeit in den Hypermutator-LTEE-Populationen. (B) Eingesetzte Abbildung, die nichtdominante Punktmutationsspektren über die Zeit in den Hypermutator-LTEE-Populationen zeigt.

Abbildung 1B zeigt die Anzahl der beobachteten Indel-Mutationen über die Zeit in jeder Population. Fünf der sechs Punktmutations-Hypermutator-Populationen zeigen auch einen Indel-Hypermutator-Phänotyp. Diese fünf Populationen entwickelten alle Defekte in der Mismatch-Reparatur (MMR) (Tabelle 1 und Abb. 4). Die Ausnahme ist Ara−1, die einen Frameshift entwickelt hat Köter Allel (Tabelle 1 und Abb. 3), das eine hohe Punktmutationsrate induziert, wenn kein entsprechender Indel-Hypermutator-Phänotyp vorliegt.

Oxidative Schadensreparaturallele in Hypermutator-LTEE-Populationen. Diese Visualisierung verwendet Computercode von Good et al. (2017). Sterne geben den Zeitpunkt (und die Allelfrequenz) an, zu dem zuverlässig geschätzt wird, dass Mutationen in der Zeitreihe auftreten. Die Allelfrequenz-Trajektorien für alle beobachteten Mutationen in den Hypermutator-Populationen sind grau dargestellt. Die Allelfrequenz-Trajektorien von de novo-Mutationen (mit Ausnahme synonymer Mutationen) in Genen zur Reparatur von oxidativen Schäden (Ergänzungsdatei 1 , Ergänzungsmaterial online) sind in jeder Population farbig und beschriftet.

Oxidative Schadensreparaturallele in Hypermutator-LTEE-Populationen. Diese Visualisierung verwendet Computercode von Good et al. (2017). Sterne geben den Zeitpunkt (und die Allelfrequenz) an, zu dem zuverlässig geschätzt wird, dass Mutationen in der Zeitreihe auftreten. Die Allelfrequenz-Trajektorien für alle beobachteten Mutationen in den Hypermutator-Populationen sind grau dargestellt. Die Trajektorien der Allelhäufigkeit von de novo-Mutationen (mit Ausnahme von synonymen Mutationen) in Genen zur Reparatur von oxidativen Schäden (Ergänzungsdatei 1 , Ergänzungsmaterial online) sind in jeder Population farbig und beschriftet.

Im Text beschriebene mutmaßliche Hypermutator- und Antimutator-Allele

Bevölkerung . Gen. DNA-Reparatur-Pfad. Erscheinungszeit (Generationen) . Position (bp) . Mutation.
Ara−1 uvrCReparatur von oxidativen Schäden 26,250 1,972,086 Q183P
Ara−1 KöterReparatur von oxidativen Schäden 26,250 114,034 (C)6→7
Ara−1 mutYReparatur von oxidativen Schäden 28,750 2,988,792 L40W
Ara−1 mutYReparatur von oxidativen Schäden 32,250 2,989,164 L164*
Ara−2 mutLMMR 2,250 4,375,786 (TGGCGC)3→4
Ara−2 uvrAReparatur von oxidativen Schäden 12,250 4,251,585 A407T
Ara−2 KöterReparatur von oxidativen Schäden 13,750 114,113 R89H
Ara−2 mutLMMR *Diese In-Frame-Reversion behebt bei 42.250 Generationen 4,375,781 (TGGCGC)3→2
Ara−3 mutSMMR 34,750 2,753,768 Q606*
Ara−3 mutYReparatur von oxidativen Schäden 48,250 2,989,624 Δ1 bp
Ara−4 mutLMMR 7,250 4,375,781 (TGGCGC)3→2
Ara+3 mutSMMR 2,750 2,752,473 +G
Ara+6 mutSMMR 1,250 2,752,473 +G
Ara+6 uvrAReparatur von oxidativen Schäden 4,750 4,250,341 I821M
Ara+6 KöterReparatur von oxidativen Schäden 4,750 114,034 (C)6→5
Ara+6 mutYReparatur von oxidativen Schäden 31,750 2,988,917 Y82D
Ara+6 mutYReparatur von oxidativen Schäden 49,750 2,989,297 C208W
Bevölkerung . Gen. DNA-Reparatur-Pfad. Erscheinungszeit (Generationen) . Position (bp) . Mutation.
Ara−1 uvrCReparatur von oxidativen Schäden 26,250 1,972,086 Q183P
Ara−1 KöterReparatur von oxidativen Schäden 26,250 114,034 (C)6→7
Ara−1 mutYReparatur von oxidativen Schäden 28,750 2,988,792 L40W
Ara−1 mutYReparatur von oxidativen Schäden 32,250 2,989,164 L164*
Ara−2 mutLMMR 2,250 4,375,786 (TGGCGC)3→4
Ara−2 uvrAReparatur von oxidativen Schäden 12,250 4,251,585 A407T
Ara−2 KöterReparatur von oxidativen Schäden 13,750 114,113 R89H
Ara−2 mutLMMR *Diese In-Frame-Reversion behebt bei 42.250 Generationen 4,375,781 (TGGCGC)3→2
Ara−3 mutSMMR 34,750 2,753,768 Q606*
Ara−3 mutYReparatur von oxidativen Schäden 48,250 2,989,624 Δ1 bp
Ara−4 mutLMMR 7,250 4,375,781 (TGGCGC)3→2
Ara+3 mutSMMR 2,750 2,752,473 +G
Ara+6 mutSMMR 1,250 2,752,473 +G
Ara+6 uvrAReparatur von oxidativen Schäden 4,750 4,250,341 I821M
Ara+6 KöterReparatur von oxidativen Schäden 4,750 114,034 (C)6→5
Ara+6 mutYReparatur von oxidativen Schäden 31,750 2,988,917 Y82D
Ara+6 mutYReparatur von oxidativen Schäden 49,750 2,989,297 C208W

Im Text beschriebene mutmaßliche Hypermutator- und Antimutator-Allele

Bevölkerung . Gen. DNA-Reparatur-Pfad. Erscheinungszeit (Generationen) . Position (bp) . Mutation.
Ara−1 uvrCReparatur von oxidativen Schäden 26,250 1,972,086 Q183P
Ara−1 KöterReparatur von oxidativen Schäden 26,250 114,034 (C)6→7
Ara−1 mutYReparatur von oxidativen Schäden 28,750 2,988,792 L40W
Ara−1 mutYReparatur von oxidativen Schäden 32,250 2,989,164 L164*
Ara−2 mutLMMR 2,250 4,375,786 (TGGCGC)3→4
Ara−2 uvrAReparatur von oxidativen Schäden 12,250 4,251,585 A407T
Ara−2 KöterReparatur von oxidativen Schäden 13,750 114,113 R89H
Ara−2 mutLMMR *Diese In-Frame-Reversion behebt bei 42.250 Generationen 4,375,781 (TGGCGC)3→2
Ara−3 mutSMMR 34,750 2,753,768 Q606*
Ara−3 mutYReparatur von oxidativen Schäden 48,250 2,989,624 Δ1 bp
Ara−4 mutLMMR 7,250 4,375,781 (TGGCGC)3→2
Ara+3 mutSMMR 2,750 2,752,473 +G
Ara+6 mutSMMR 1,250 2,752,473 +G
Ara+6 uvrAReparatur von oxidativen Schäden 4,750 4,250,341 I821M
Ara+6 KöterReparatur von oxidativen Schäden 4,750 114,034 (C)6→5
Ara+6 mutYReparatur von oxidativen Schäden 31,750 2,988,917 Y82D
Ara+6 mutYReparatur von oxidativen Schäden 49,750 2,989,297 C208W
Bevölkerung . Gen. DNA-Reparatur-Pfad. Erscheinungszeit (Generationen) . Position (bp) . Mutation.
Ara−1 uvrCReparatur von oxidativen Schäden 26,250 1,972,086 Q183P
Ara−1 KöterReparatur von oxidativen Schäden 26,250 114,034 (C)6→7
Ara−1 mutYReparatur von oxidativen Schäden 28,750 2,988,792 L40W
Ara−1 mutYReparatur von oxidativen Schäden 32,250 2,989,164 L164*
Ara−2 mutLMMR 2,250 4,375,786 (TGGCGC)3→4
Ara−2 uvrAReparatur von oxidativen Schäden 12,250 4,251,585 A407T
Ara−2 KöterReparatur von oxidativen Schäden 13,750 114,113 R89H
Ara−2 mutLMMR *Diese In-Frame-Reversion behebt bei 42.250 Generationen 4,375,781 (TGGCGC)3→2
Ara−3 mutSMMR 34,750 2,753,768 Q606*
Ara−3 mutYReparatur von oxidativen Schäden 48,250 2,989,624 Δ1 bp
Ara−4 mutLMMR 7,250 4,375,781 (TGGCGC)3→2
Ara+3 mutSMMR 2,750 2,752,473 +G
Ara+6 mutSMMR 1,250 2,752,473 +G
Ara+6 uvrAReparatur von oxidativen Schäden 4,750 4,250,341 I821M
Ara+6 KöterReparatur von oxidativen Schäden 4,750 114,034 (C)6→5
Ara+6 mutYReparatur von oxidativen Schäden 31,750 2,988,917 Y82D
Ara+6 mutYReparatur von oxidativen Schäden 49,750 2,989,297 C208W

Besonders auffällig ist die Hypermutatordynamik in Ara−2. Ein Antimutator-Allel fixiert sich schließlich und kehrt sowohl den Point- als auch den Indel-Hypermutator-Phänotyp auf das Niveau der Vorfahren oder nahe der Vorfahren zurück (Abb. 1A und B). Der Hypermutator-Phänotyp wird durch die Phasenvariation eines (TGGCGC)3 in wiederholen mutL ( Tabelle 1). Reversionen in den Triplett-Zustand kehren den Hypermutator-Phänotyp um. Die Anzahl neuer Punkt- und Indel-Mutationen in Ara−2 (ergänzende Abb. S1 und S2 , Ergänzungsmaterial online) schwankt mit der Allelfrequenzdynamik dieser mutL wiederholen ( Abb. 4). Obwohl Fixierungen in großen asexuellen Populationen normalerweise irreversibel sind, ist die Phasenvariation eine Ausnahme: Polymerasen rutschen oft auf sich wiederholenden Sequenzen ab, was dazu führt, dass sich diese Wiederholungen mit relativ hoher Geschwindigkeit ausdehnen oder zusammenziehen (Moxon et al. 2006).

MMR-Allele in den Hypermutator-LTEE-Populationen. Diese Visualisierung verwendet Computercode von Good et al. (2017). Sterne geben den Zeitpunkt (und die Allelfrequenz) an, zu dem zuverlässig geschätzt wird, dass Mutationen in der Zeitreihe auftreten. Die Allelfrequenz-Trajektorien für alle beobachteten Mutationen in den Hypermutator-Populationen sind grau dargestellt. Die Allelfrequenz-Trajektorien von de novo-Mutationen (außer synonyme Mutationen) in MMR-Genen (Ergänzungsdatei 1 , Ergänzungsmaterial online) sind in jeder Population farbig und beschriftet.

MMR-Allele in den Hypermutator-LTEE-Populationen. Diese Visualisierung verwendet Computercode von Good et al. (2017). Sterne geben den Zeitpunkt (und die Allelfrequenz) an, zu dem zuverlässig geschätzt wird, dass Mutationen in der Zeitreihe auftreten. Die Allelfrequenz-Trajektorien für alle beobachteten Mutationen in den Hypermutator-Populationen sind grau dargestellt. Die Allelfrequenz-Trajektorien von de novo-Mutationen (außer synonyme Mutationen) in MMR-Genen (Ergänzungsdatei 1 , Ergänzungsmaterial online) sind in jeder Population farbig und beschriftet.

Auf den ersten Blick scheint Abbildung 1B zu zeigen, dass Ara+6 eine Mutation reparierte, die den Indel-Hypermutator-Phänotyp umkehrte. Eine genaue Untersuchung der Indel-Mutationsrate und der Allelfrequenzdynamik in Ara+6 zeigt jedoch, dass sich innerhalb der ersten 1.000 Generationen eine Super-Hypermutator-Klade entwickelt hat (Ergänzende Abb. S2, Ergänzungsmaterial online). Weitere Beweise für die Super-Hypermutator-Klade stammen aus der Evolution und dem Aussterben eines A:T→G:C- und G:C→A:T-Hypermutator-Phänotyps ( Abb. 2), der der Evolution des Indel-Hypermutator-Phänotyps entspricht. Diese Super-Hypermutator-Klade trägt ein Frameshift-Allel des MMR-Gens mutS (Tabelle 1 und Abb. 4), wird durch Markerallele der Nukleotidexzisionsreparaturgene unterschieden uvrA und uvrB ( Abb. 3), und bleibt mit niedriger Frequenz bestehen, bis sie in 20.000 Generationen ausgestorben ist ( Abb. 3 und 4, ergänzende Abb. S2 , Ergänzendes Material online). Die Mehrheitsgruppe in Ara+6 entwickelte eine Mutation in Köter bei 4.750 Generationen (Tabelle 1 und Abb. 3), die einen Punktmutations-Hypermutator-Phänotyp verursacht, ohne einen Indel-Hypermutator-Phänotyp zu verursachen. Die Koexistenz von Kladen mit unterschiedlichen Hypermutator-Phänotypen und das eventuelle Aussterben der Super-Hypermutator-Klade erklärt am besten den Verlust des Indel-Hypermutator-Phänotyps von Ara+6.

Abbildung 1C zeigt die Anzahl der beobachteten strukturellen Mutationen im Laufe der Zeit. Wie im Originalbericht zu diesem Datensatz (Good et al. 2017) beschrieben, werden strukturelle Mutationen (oder strukturelle Varianten, sv) durch Kreuzungen zwischen zwei verschiedenen Stellen im Referenzgenom definiert. Die überwiegende Mehrheit dieser strukturellen Mutationen wird durch Transpositionen der Insertionssequenz (IS) verursacht. Drei der kanonischen Nicht-Mutator-Populationen (Ara−5, Ara−6 und Ara+1) zeigen einen IS-Hypermutator-Phänotyp. Der IS-Hypermutator-Phänotyp in Ara+1 wurde bereits früher beschrieben ( Papadopoulos et al. 1999 Tenaillon et al. 2016). Im Gegensatz dazu zeigt nur eine der kanonischen Hypermutator-Populationen, Ara−3, einen IS-Hypermutator-Phänotyp. Die Rate der beobachteten strukturellen Mutationen in Ara−3 weist drei unterschiedliche Steigungen auf. Ara-3 entwickelte sehr früh im LTEE einen IS-Hypermutator-Phänotyp. Bei etwa 30.000 Generationen verstärkt sich die IS-Rate, entweder aufgrund der genetischen Evolution oder als Folge von Stress, der durch die um diese Zeit entstandene Innovation des Citrat-Stoffwechsels induziert wurde ( Blount et al. 2012, 2020). Schließlich sinkt die IS-Rate um 45.000 Generationen. Mehr als 100 Mutationen werden im selektiven Sweep bei 45.000 Generationen in Ara−3 fixiert, einschließlich Mutationen in den DNA-Reparaturgenen recR, recE, ligA, uvrA, und ybaZ. Die in Ara−3 beobachteten unterschiedlichen IS-Raten können teilweise eine klonale Interferenz zwischen stark divergierenden, konkurrierenden Linien in dieser Population widerspiegeln ( Blount et al. 2012 Leon et al. 2018), insbesondere wenn diese Linien unterschiedliche IS-Transpositionsraten aufweisen.

Wir haben auch das Spektrum der Punktmutationen in jeder Hypermutator-Population im Zeitverlauf untersucht ( Abb. 2). Ara–1 und Ara+6 zeigen eine hohe Häufigkeit von A:T→C:G-Transversionsmutationen, charakteristisch für Defekte in Köter (Tajiri et al. 1995 Fowler et al. 2003 Wielgoss et al. 2013). Ara–2, Ara–3, Ara–4 und Ara+3, die alle Defekte in der MMR aufweisen (Tabelle 1 und Abb. 4), zeigen eine hohe Häufigkeit von A:T→G:C und G:C→A :T-Mutationen. Diese Ergebnisse stimmen mit genomischen Analysen von LTEE-Hypermutatoren überein ( Couce et al. 2017). Darüber hinaus zeigen Ara−1, Ara−3 und Ara+6 alle einen späten Anstieg der Häufigkeit von G:C→T:A Transversionsmutationen, charakteristisch für Defekte in mutY (Tajiri et al. 1995 Fowler et al. 2003 Wielgoss et al. 2013).

Bei der Untersuchung Köter, haben wir festgestellt, dass zwei der drei Fälle von Köter Allele, die im LTEE mit hoher Frequenz auftreten, treten auf einem auf uvrA Hintergrund (Ara−2 und Ara+6), während der dritte in Ara−1 auf an uvrC Hintergrund (Abb. 3). Die Köter Allel in Ara−2 verursacht nicht das Merkmal Köter A:T→C:G Hypermutator-Phänotyp gefunden in Ara−1 und Ara+6 (Abb. 2), daher seine Assoziation mit uvrA kann zufällig sein. Allerdings das gleiche uvrA Substitution, die zur Fixierung mit . geht Köter in Ara+6 kommt auch in einem 40.000-Generationen-Isolat aus der Ara−1-Population namens REL10939 vor (Tenaillon et al. 2016), was darauf hindeutet, dass dies besonders uvrA Allel kann in diesen Kontexten von Vorteil sein. Darüber hinaus wurde berichtet, dass uvrA/mutT und uvrB/Köter Doppel-Knockouts haben eine wesentlich geringere Mutationsrate als Köter Knockouts, in Gegenwart von Wasserstoffperoxid ( Hori et al. 2007). Basierend auf diesen Beobachtungen vermuten wir, dass die Köter Allele, die erfolgreich im LTEE fixiert wurden, können sich auf einem entwickelt haben uvrABC genetischer Hintergrund, der die Intensität der Köter Hypermutator-Phänotyp.

Gen-Orientation Mutation Bias entwickelt sich im LTEE

Mehrere Berichte weisen darauf hin, dass sich die Mutationsraten zwischen den führenden und den nacheilenden Strängen der DNA-Replikationsblase unterscheiden ( Lee et al. 2012 Paul et al. 2013). Mögliche Ursachen sind eine Asymmetrie in der Nukleotidzusammensetzung um den Replikationsstartpunkt (GC-Skew) ( Marín und Xia 2008), kontextabhängige Mutationsraten, die um den Replikationsstartpunkt herum asymmetrisch sind ( Sung et al. 2015) und Frontalkollisionen zwischen den Replikationen und molekulare Transkriptionsmaschinerie (Paul et al. 2013). Solche Berichte motivierten uns zu fragen, ob die LTEE-Metagenomik-Daten Hinweise auf Mutationsfehler bei der Genorientierung zeigten, so dass Gene, die mit (oder gegen) dem führenden oder nacheilenden Strang der DNA-Synthese ausgerichtet sind, unterschiedliche Mutationsraten aufweisen.

Unsere Nullerwartung ist, dass die Verteilung synonymer Mutationen auf jedem Strang des Chromosoms mit der Menge der kodierenden Sequenz auf jedem Strang in Beziehung stehen sollte (d. h. die Dichte der Gene multipliziert mit ihrer Länge). Darüber hinaus sollte das Spektrum der Nukleotid-Substitutionen an jedem Strang den lokalen G:C-Gehalt im angestammten LTEE-Klon REL606 widerspiegeln: zum Beispiel sollten G:C→A:T-Substitutionen in G:C-reichen Regionen häufiger vorkommen. Abbildung 5A zeigt diese Nullerwartung. Sowohl die Menge an kodierender Sequenz als auch der G:C-Gehalt pro Strang sind bezüglich des Replikationsursprungs von REL606 asymmetrisch. Am Replikationsstartpunkt wechselt ein DNA-Strang von führend zu nacheilend, während sein Komplement von nacheilend nach voreilend wechselt. Dieser Wechsel tritt auf, weil die DNA-Replikation bidirektional ist, so dass sich zwei Replisomen vom Replikationsstartpunkt in entgegengesetzte Richtungen bewegen. Auch ohne Genorientierungs-Mutationsbias zeigt Fig. 5A, dass eine gewisse Asymmetrie in der Verteilung synonymer Mutationen über den Replikationsstartpunkt erwartet wird.

Im LTEE entwickelt sich ein Genorientierungs-Mutationsbias. Die x Achse ist das Referenzgenom, zentriert auf dem Replikationsursprung, aufgeteilt in 46 gleich große Bins von 100 kb. In jeder markierten Unterfigur zeigen die oberen und unteren Felder Gene, die auf jedem der beiden Stränge des Chromosoms vorkommen, mit den willkürlichen Markierungen 1 und –1. (EIN) Die Nukleotidzusammensetzung der Gene auf den beiden Strängen des Chromosoms des LTEE-Vorfahrenklons REL606. (B) Die genomische Verteilung von Mutationen innerhalb von Genen, summiert über MMR-defiziente LTEE-Populationen (linke Abbildung) und MutT-defiziente LTEE-Populationen (rechte Abbildung).

Im LTEE entwickelt sich ein Genorientierungs-Mutationsbias. Die x Achse ist das Referenzgenom, zentriert auf dem Replikationsursprung, aufgeteilt in 46 gleich große Bins von 100 kb. In jeder markierten Unterfigur zeigen die oberen und unteren Felder Gene, die auf jedem der beiden Stränge des Chromosoms vorkommen, mit den willkürlichen Markierungen 1 und –1. (EIN) Die Nukleotidzusammensetzung der Gene auf den beiden Strängen des Chromosoms des LTEE-Vorfahrenklons REL606. (B) Die genomische Verteilung von Mutationen innerhalb von Genen, summiert über MMR-defiziente LTEE-Populationen (linke Abbildung) und MutT-defiziente LTEE-Populationen (rechte Abbildung).

Die beobachteten Verteilungen synonymer Mutationen auf jedem Strang des Chromosoms sind in Abbildung 5B gezeigt. Wir analysierten getrennt MMR- und MutT-defiziente Hypermutator-Populationen. In beiden Fällen unterscheidet sich die Anzahl der beobachteten Mutationen signifikant zwischen Genen, die mit oder gegen die Bewegung des Replisoms ausgerichtet sind, basierend auf dem Vergleich des erwarteten Mutationsverhältnisses mit dem beobachteten Mutationsverhältnis. Die MMR-defizienten Hypermutator-Populationen zeigen signifikant mehr Genorientierungs-Mutationsbias als erwartet (zweiseitiger Binomialtest: beobachtetes Verhältnis von 2.066:2.664 Mutationen vs. erwartetes Verhältnis von 1.730.238:2.066.587 Nukleotiden P = 0,0090), während die MutT-defizienten Hypermutator-Populationen signifikant weniger Genorientierungs-Bias aufweisen als erwartet (zweiseitiger Binomialtest: beobachtetes Verhältnis von 947:1.033 Mutationen vs. erwartetes Verhältnis von 1.730.238:2.066.587 Nukleotiden P = 0,0446). Beachten Sie, dass diese Berechnungen die charakteristischen Mutationsspektren von MMR- und MutT-defizienten Hypermutatoren nicht berücksichtigen ( Abb. 5B). For example, the extreme rate of A:T→C:G mutations seen in MutT-deficient hypermutators ( Foster et al. 2015) should cause A:T rich genes to mutate faster than A:T poor genes.

The Genomic Distribution of Observed Mutations in Ara+3 Shows a Strong, Symmetric Wave Pattern over the Origin of Replication

Multiple studies ( Sharp et al. 1989 Lang and Murray 2011 Foster et al. 2013 Dillon et al. 2018 Niccum et al. 2019) have reported correlations between local mutation rates and distance from the origin of replication. One hypermutator LTEE population, called Ara+3, shows a symmetric wave pattern reflected over oriC ( fig. 6). Indeed, the genomic distribution of observed mutations in Ara+3 is significantly different from the genomic distribution of observed mutations summed over all hypermutator populations (two-sample Kolmogorov–Smirnov test: D = 0.0567, P < 10 −14 ). The wave in Ara+3 has a trough-to-peak ratio of ∼25:75 ( fig. 6). Excluding Ara+3, the genomic distribution of observed mutations summed over the remaining MMR-deficient LTEE populations shows a weak wave pattern, whereas the populations with defects in mutT shows no evidence of the wave pattern ( fig. 7). The genomic distribution of observed mutations in the MMR-deficient populations (excluding Ara+3) is significantly different from the genomic distribution of observed mutations in the MutT-deficient populations (two-sample Kolmogorov–Smirnov test: D = 0.040916, P < 10 −9 ).

One hypermutator LTEE population, Ara+3, shows a strong wave pattern of mutation rate variation centered on the replication origin. Each panel shows the genomic distribution of mutations observed in each hypermutator LTEE population in the metagenomics data. Die x axis is the reference genome, centered on the replication origin, partitioned into 46 equally sized bins of ∼100 kb. Indels are in purple, missense mutations are in dark blue, noncoding mutations are blue green, nonsense mutations are sea green, sv are green, and synonymous mutations are yellow.

One hypermutator LTEE population, Ara+3, shows a strong wave pattern of mutation rate variation centered on the replication origin. Each panel shows the genomic distribution of mutations observed in each hypermutator LTEE population in the metagenomics data. Die x axis is the reference genome, centered on the replication origin, partitioned into 46 equally sized bins of ∼100 kb. Indels are in purple, missense mutations are in dark blue, noncoding mutations are blue green, nonsense mutations are sea green, sv are green, and synonymous mutations are yellow.

MMR-deficient LTEE populations (excluding Ara+3) show a weak wave pattern, whereas MutT-deficient LTEE populations show no wave pattern. The left panel shows the genomic distribution of mutations observed in Ara−2, Ara−3, and Ara−4. The right panel shows the genomic distribution of mutations observed in Ara−1 and Ara+6. Die x axis is the reference genome, centered on the replication origin, partitioned into 46 equally sized bins of ∼100 kb. Indels are in purple, missense mutations are in dark blue, noncoding mutations are blue green, nonsense mutations are sea green, sv are green, and synonymous mutations are yellow.

MMR-deficient LTEE populations (excluding Ara+3) show a weak wave pattern, whereas MutT-deficient LTEE populations show no wave pattern. The left panel shows the genomic distribution of mutations observed in Ara−2, Ara−3, and Ara−4. The right panel shows the genomic distribution of mutations observed in Ara−1 and Ara+6. Die x axis is the reference genome, centered on the replication origin, partitioned into 46 equally sized bins of ∼100 kb. Indels are in purple, missense mutations are in dark blue, noncoding mutations are blue green, nonsense mutations are sea green, sv are green, and synonymous mutations are yellow.

Evidence for Epistasis and Historical Contingency in the Evolution of DNA Topology

Why does a strong wave pattern only appear in Ara+3? Others have hypothesized that local chromatin structure affects local mutation rates ( Foster et al. 2013 Niccum et al. 2019). Furthermore, DNA topology has evolved in parallel in the LTEE, and artificially increasing DNA supercoiling is beneficial under LTEE conditions ( Crozat et al. 2005, 2010). Therefore, we hypothesized that mutations in genes that affect DNA topology might affect the wave pattern. To test this hypothesis, we examined the timing and distribution of mutations in topA, fis, und dusB (yhdG). We focused on these genes for several reasons. First, these loci show strong parallel evolution in the LTEE ( Crozat et al. 2010). Second, introducing evolved alleles of topA und fis into the ancestral genome are sufficient to confer a fitness benefit as well as additive changes to DNA topology ( Crozat et al. 2005). Finally, statistical analysis of the pattern of evolution for dusB und fis in the LTEE led to the discovery that dusB reguliert fis expression ( Crozat et al. 2005, 2010). We excluded synonymous mutations from this analysis. We counted both fixations and mutations destined for extinction, because many beneficial mutations go extinct in large asexual populations due to clonal interference ( Gerrish and Lenski 1998 Lang et al. 2013 Levy et al. 2015 Maddamsetti, Lenski, et al. 2015 Ba et al. 2019).

All LTEE populations evolved missense, indel, or structural mutations in topA, fis, und dusB within the first 10,000 generations, except two: Ara+2 and Ara+3 ( fig. 8). The timing and distribution of mutations in these genes across populations suggests epistasis and historical contingency ( Good et al. 2017). The early arrival times for mutations in these genes suggests that there is an early, limited window of opportunity for those mutations to go to fixation. Quantitative evidence comes from Ara+3, which has no missense, nonsense, indel, or structural mutations in topA, fis, und dusB whatsoever, despite its strong hypermutator phenotype. The probability of this event is P = (1−(T/g)) n , wo T is the effective mutational target size, g is the length of the chromosome (g = 4,629,812), and n is the number of observed missense, indel, and structural mutations in Ara+3 (n = 4,368). Given the wave pattern in Ara+3, the effective mutational target size of topA, fis, und dusB could be smaller than their combined physical target size (3,861 bp), say if they occurred in the trough of the wave. To take this into account, we partitioned the chromosome into bins, counted mutations per bin, and calculated the effective mutational target size by multiplying the physical target size (length) of topA, fis, und dusB by the number of mutations per base pair in their respective bins. These genes are significantly depleted of mutations in Ara+3, for bin sizes ranging from 100 kb to the entire chromosome (one-tailed randomization tests with 10,000 bootstraps: P < 0.05 in all cases).

The strong wave pattern in Ara+3 anticorrelates with mutations (excluding synonymous changes) in the DNA topology genes topA, fis, und dusB. This visualization uses computer code written by Good et al. (2017). The allele frequency trajectories for all observed mutations in the 12 LTEE populations are shown in gray. The allele frequency trajectories of de novo mutations in topA, fis, und dusB (excepting synonymous mutations) are colored and labeled in each population.

The strong wave pattern in Ara+3 anticorrelates with mutations (excluding synonymous changes) in the DNA topology genes topA, fis, und dusB. This visualization uses computer code written by Good et al. (2017). The allele frequency trajectories for all observed mutations in the 12 LTEE populations are shown in gray. The allele frequency trajectories of de novo mutations in topA, fis, und dusB (excepting synonymous mutations) are colored and labeled in each population.

The distribution of synonymous mutations in topA, fis, und dusB across the LTEE populations is interesting ( supplementary fig. S4 and Supplementary Material online). A single, synonymous A312A substitution in dusB went to fixation at ∼4,000 generations in Ara+3, simultaneously with alleles in the MMR genes mutS und mutH that apparently caused the early hypermutator phenotype in this population. No other synonymous mutations in dusB are observed in Ara+3. Furthermore, there is evidence of parallel evolution at this particular position in dusB. The same synonymous mutation occurs in Ara+6, and another synonymous mutation, one base pair downstream in the next codon, is the only synonymous mutation in topA, fis, oder dusB observed in Ara−2 ( supplementary fig. S4 , Supplementary Material online). This parallelism suggests that positive selection may be acting on these synonymous variants. Overall, it is striking how few synonymous mutations in topA, fis, und dusB occur in the hypermutator LTEE populations, which implies that synonymous variants in these genes may not be evolving neutrally. Indeed, STIMS ( Maddamsetti and Grant 2020) finds a significant signal of purifying selection on synonymous mutations in topA, fis, und dusB in Ara−1 and Ara−3 (one-tailed randomization test with 10,000 bootstraps: P < 0,0001).

We also examined the genes that encode the nucleoid-binding protein HU and the terminus-organizing protein MatP, as deletions of these loci were shown to affect the wave pattern ( Niccum et al. 2019). Notwithstanding the relevance of HU and MatP in Niccum et al. (2019), these genes show limited evidence of parallel evolution in the LTEE ( supplementary fig. S5 , Supplementary Material online).

Synonymous Nucleotide Diversity in Natural E coli Populations Does Not Predict Mutation Rate Variation in the LTEE

Finally, we used the LTEE metagenomic data to revisit previous work, which found that the distribution of synonymous mutations in the LTEE does not reflect patterns of synonymous variation among natural E coli isolates ( Maddamsetti et al. 2015). During our reanalysis, we found a potential coding error affecting the results of the Kolmogorov–Smirnov test reported in that paper. Therefore, we used Poisson regression to ask whether the estimates of synonymous nucleotide diversity θS published in Martincorena et al. (2012), when treated as gene-specific estimates of the point-mutation rate per base pair, predict the distribution of synonymous mutations observed in the LTEE. A null model in which mutations occur uniformly over the chromosome (Akaike’s Information Criterion, AIC = 8,529.6) fits the data far better than the θS model (AIC = 9,171.3). When we fit both models to Ara+3, we again find that the null model is better than the θS model at predicting the observed distribution of synonymous mutations (AIC = 2,168.2 for null model vs. AIC = 2,190.8 for θS Modell). This finding validates the conclusions reported in Maddamsetti et al. (2015), despite the potential problems in that analysis.


Faster rates of evolution are linked to tiny genomes

Inside every cell lies a genome -- a full set of DNA that contains the instructions for building an organism. Across the biological world, genomes show a staggering diversity in size. For example, the genome of the Japanese white flower, Paris japonica, is over 150 billion base pairs, meaning that almost 100 meters of DNA is squeezed into each cell. In comparison, single-celled prokaryotes, like bacteria, have tiny genomes, averaging less than 5 million base pairs. Some prokaryotes have even smaller genomes that are fewer than 500,000 base pairs. But scientists still don't fully understand the driving forces responsible for reducing the size of genomes.

Now, in an international collaboration, led by the Okinawa Institute of Science and Technology Graduate University (OIST) and the University of Sydney, and including researchers from the University of the Ryukyus, the Tokyo Institute of Technology, and RIKEN, scientists have found a link between mutation rate -- how quickly the DNA sequence changes -- and genome size. Einschreiben Aktuelle Biologie, the researchers reported that prokaryotes with higher mutation rates lose genes at a faster pace, and therefore have smaller genomes.

"This was a really surprising result," said Professor Tom Bourguignon, co-first author of the study and head of the Evolutionary Genomics Unit at OIST. "Currently, the most accepted idea is that population size is the main factor that determines genome size in prokaryotes, particularly in endosymbionts, but our research challenges this view."

Endosymbionts are organisms that live inside the bodies or cells of other organisms, and typically have much smaller genomes than their free-living counterparts. The Evolutionary Genomics Unit researches an endosymbiont called Blattabakterium, a bacterial species that lives inside cockroaches and termites and provides their hosts with vital nitrogen-containing nutrients. But only a small number of these bacteria are passed on from a mother insect host to a daughter insect host, which keeps their effective population size very low.

"At small population sizes, natural selection is much less effective, and evolution is driven more strongly by chance," said Dr. Yukihiro Kinjo, co-first author and a postdoctoral scholar from the Evolutionary Genomics Unit. "Without enough selection pressure to maintain specific genes, mutations can arise that inactive and erode these genes, eventually leading to their total loss from the genome."

While population size as a driving force for genome reduction may be an attractive idea, many free-living prokaryotes that live in larger populations have also evolved smaller genomes, suggesting that it's only part of the story. Additional explanations have also been proposed but, until now, the mutation rate -- or the speed at which evolution occurs -- has been overlooked.

In the study, the scientists collected genome data from a diverse range of prokaryotes, including strains from two endosymbiotic lineages and seven free-living lineages.

For each lineage, the team constructed an evolutionary tree that showed how the strains had diverged from each other. With the help of the OIST Biological Complexity Unit, led by Professor Simone Pigolotti, the scientists then created models that reconstructed how gene loss had occurred in each strain. They then estimated the mutation rate, population size and selection pressure for each strain and compared it to the amount of gene loss.

Surprisingly, the scientists did not find a clear link between estimated population size and rate of gene loss. Instead, they found a relationship between mutation rate and gene loss for seven out of the nine lineages studied, with higher mutation rates associated with faster rates of gene loss, resulting in smaller genomes.

"Although we haven't established a cause, there is a theoretical prediction that explains this observation if the rate of mutation outweighs a selection pressure to maintain a gene, the gene will be lost from the genome," said Dr. Kinjo.

The scientists also found clues as to how the gene loss occurred, as strains with smaller genomes had lost genes involved in repairing DNA.

"DNA repair genes fix damaged DNA, so when they are lost the mutation rate of a strain can quickly increase. Most mutations are harmful, so this can quickly inactivate other genes and drive their loss from the genome. If some of these inactivated genes are also involved in DNA repair, this can further accelerate mutation rate and gene loss," explained Professor Gaku Tokuda, from the University of the Ryukyus.

Although the answers to how gene loss occurs are becoming clearer, whether there are evolutionary reasons behind why prokaryotes increase their rate of mutation to shrink their genome, and if so, what these reasons are, remains an open question.

"Figuring out the evolutionary explanation for what we see is really complicated. It could be that an increased rate of mutation occurs to provide an adaptive advantage, such as the removal of unwanted or unnecessary genes. But we still can't rule out the possibility that the increased rate of mutation is non-adaptive and due to chance," said Dr. Kinjo.

Overall, their findings shed new light on the evolution of small genomes, prompting a re-think of the current dominant idea of genome reduction being driven by small population sizes.

"Unlike with population size, our results suggest that mutation rate could drive genome reduction in both free-living and endosymbiotic prokaryotes. This could be the first step in comprehensively understanding what drives changes in genome size across all prokaryotes," said Prof. Bourguignon.


Analyse

Answer the following questions on a separate page, title this page "Evolution Simulation" and make sure your name is on it.

1. Describe how the simulation models natural selection (and evolution), include a definition of both of these terms.

2. Explain WIE the mutation rate affects the evolution of your populations, use the prediction statements above to help you make a concise statement about the efffect of mutation rate on evolution.

Erklären WHY the mutation rate affects the evolution of your populations.

3. Explain WIE altering the selection rate affects the evolution of your populations, use the prediction statement again.


Erklären WHY altering the selection rate affects the evolution of your populations and include a definition of what selection strength is for your population.

/>Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung-Keine kommerzielle Nutzung-Weitergabe unter gleichen Bedingungen 4.0 International Lizenz.

HS- LS4-2 Construct an explanation based on evidence that the process of evolution primarily results from four factors: (1) the potential for a species to increase in number, (2) the heritable genetic variation of individuals in a species due to mutation and sexual reproduction, (3) competition for limited resources, and (4) the proliferation of those organisms that are better able to survive and reproduce in the environment

Credits: Special thanks to Leif Saul, author of Biology in Motion and the creator of the Evolution Lab.


Populationsgenetik

12.3.2.2 Mutation

When mutations occur in the germ cells, they may be passed on to the next generation. The change in the DNA may be a single nucleotide substitution or it may involve many nucleotides, such as in the case of an insertion or deletion. Many hemoglobinopathies are due to point mutations that cause the replacement of an amino acid (missense) and consequently an abnormal protein product. The most common mutation causing Tay–Sachs disease is a 4-base-pair (bp) insertion (frameshift), while the F508del mutation in the cystic fibrosis gene is a 3-bp deletion.

The source of genetic variation in a population is mutation. Mutation rates in humans have been estimated to be on the order of 10− 4 to 10− 6 per gene per generation. The rate of nucleotide substitutions is estimated to be 1 in 10 8 per generation, implying that 30 nucleotide mutations would be expected in each human gamete.

Most new mutations are lost due to chance. However, new mutations arise in each generation, and some become established in the population. Vermuten μ is the mutation rate from EIN1 zu EIN2 pro Generation. If the frequencies of EIN1 und EIN2 sind PT und QT, respectively, in generation T, then in the (T + 1)th generation the frequency of EIN2 ist

assuming no back mutation.

Weil μ is very small, (1 − μ) T ist ungefähr gleich eT μ. Thus, the number of generations required to change the frequency of EIN2 von Q0 zu QT is inversely proportional to the mutation rate. Also note that as T gets larger and larger, QT gets closer and closer to 1. In other words, if mutation from EIN1 zu EIN2 is the only force acting to change the allele frequencies, then EIN2 will eventually become fixed in the population. The change in allele frequency from one generation to the next is QT+1QT = μ(1 − QT), meaning that the change in allele frequency is greater for smaller frequencies of EIN2.

So far we have considered mutation in only one direction. Now suppose the mutation rate from EIN1 zu EIN2 ist μ and the reverse rate from EIN2 zu EIN1 ist ν. Then the change in the frequency of EIN2 per generation is μpνq, and equilibrium is reached when this change is equal to zero. Thus, the equilibrium frequencies are P = ν/(μ + ν) und Q = μ/(μ + ν). This equilibrium is stable, meaning that if the frequencies are disturbed, they will eventually return to their equilibrium values as long as no other forces are affecting them.

Mutation rates have been estimated for a number of autosomal dominant disorders, such as neurofibromatosis type I, which has the high rate of 10 −4 , and tuberous sclerosis, with a rate of about 10 −5 . Some of these disorders (e.g., achondroplasia, for which the mutation rate is estimated to be 10 −5 ) have reduced fitness, which is discussed in the next section.

Beispiele

How many generations will be required to change the frequency of EIN2 (1) from 0.1 to 0.2, (2) from 0.8 to 0.9, if the mutation rate from EIN1 zu EIN2 is 10 −4 ?

The number of generations is

Therefore, for a mutation rate of 10 −4 , 1178 generations are required, whereas for a mutation rate of 10 −5 , 11,780 generations are required to change the frequency of A2 from 0.1 to 0.2. On the other hand, to change the frequency from 0.8 to 0.9 requires 6932 generations if the mutation rate is 10 −4 and 69,315 generations if the mutation rate is 10 −5 .

Suppose the mutation rate from A1 zu einem2 is 10 −4 and the reverse rate is 10 −5 . What is the equilibrium frequency of A1?

The equilibrium frequency of A1 is 10 −5 /(10 −4 + 10 −5 ) = 0.091. However, to reach this equilibrium frequency may take tens of thousands of generations, depending on the initial allele frequencies.