《Methods in Ecology and Evolution》:BIMr2: Inference of migration rates and their drivers from multilocus genotypes
编辑推荐:
摘要:了解环境因子如何驱动近期迁移(Recent Migration)对于预测物种对栖息地变化的响应及制定保护策略至关重要。现有方法仅有BIMr可用于基于遗传数据识别与迁移模式相关的环境因子。虽然BIMr所采用的贝叶斯(Bayesian)方法理论上稳健,但在种
摘要:了解环境因子如何驱动近期迁移(Recent Migration)对于预测物种对栖息地变化的响应及制定保护策略至关重要。现有方法仅有BIMr可用于基于遗传数据识别与迁移模式相关的环境因子。虽然BIMr所采用的贝叶斯(Bayesian)方法理论上稳健,但在种群数量较多的数据集中估算迁移率时存在困难,限制了其在多数实证情景中的应用。为解决此局限,研究人员开发了BIMr2,在保留原程序核心优势的同时采用了改进的方法。在推断模型下生成并考虑多种情景的模拟数据集表明,当种群间存在足够遗传分化(Pre?migration FST)时,BIMr2在种群数增加(5至20个)时表现稳健。在每种群采样个体数固定时,较大模拟种群数反而提高了环境因子对迁移影响的识别能力及迁移参数估算精度。将BIMr2应用于含25个种群的蓝尾豆娘(blue?tailed damselfly)数据集发现,地理距离和负向的树冠覆盖度梯度均显著抑制迁移;关键的是,距离×树冠覆盖度正向交互作用表明源种群与受体种群间树冠覆盖度不对称性随地理隔离程度共同塑造迁移格局——个体从高郁闭度向低郁闭度种群迁移倾向较低,但该效应随距离增大而减弱,反之当源种群森林覆盖较低时距离阻碍效应被放大。BIMr2解决了前代版本的收敛问题,可对多达数十个种群可靠推断迁移率及其驱动因子;此外通过提供每个个体的近交系数(Inbreeding Coefficient,F)估算及更优的模型拟合指标,该方法为景观遗传学、保护规划及快速环境变化重塑种群结构与演化动态的研究提供了更具洞察力且稳健的统计工具。
论文解读:BIMr2——基于多位点基因型推断迁移率及其环境驱动因子
《Methods in Ecology and Evolution》刊载的此项研究针对原有贝叶斯迁移—环境推断程序BIMr在多种群分析中MCMC(Markov Chain Monte Carlo,马尔可夫链—蒙特卡洛)收敛困难、迁移率估计偏倚的问题,由研究人员提出改进版贝叶斯推断框架BIMr2。已有景观遗传学研究中,唯一能同时推断近期基因迁移率(mij,即j种群基因/个体来源于i种群的比例)及环境因子(如地理距离、生境异质性)对其影响的方法是BIMr(Faubet & Gaggiotti, 2008),但其采用Metropolis–Hastings(M–H)算法联合更新自留比例(mii,非移民基因比例)与相对迁入率向量,因Jacobian变换引入隐含先验致mii随种群数K增大而系统性偏高、迁移率被低估甚至链不收敛,故无法适用于K>10的实际景观遗传数据集。研究人员通过解耦参数更新、引入Gibbs抽样替代大部分M–H步骤、将群体水平近交系数改为个体水平近交系数(Fh)建模,构建了BIMr2程序,经模拟验证并在25种群蓝尾豆娘(Ischnura elegans)SNP数据上实证应用。
主要关键技术方法:
研究人员基于F?model(F?model,平衡于迁移与遗传漂变之间的集合种群等位基因频率相关结构模型)建立贝叶斯分层模型:局部等位基因频率以种群特异性FST(pre?migration FST)参数描述分化程度;个体近期祖先来源zh∈{1,…,K}服从以mi·(Dirichlet分布描述相对迁入率)为先验的多项分布,非本地祖先概率=1?mii;环境因子矩阵Ek(如标准化地理距离、源减受体的树冠覆盖度差)通过log?normal回归进入Dirichlet浓度参数αi,j=exp(β0+∑βkEk,ij+∑γk交互项);个体近交系数Fh~Beta(μ,φ)。MCMC改进:(1)mii与归一化相对迁入率矢量m?i,?i作为独立参数分别更新,消除原版本隐含先验偏差;(2)采用数据扩充引入潜计数变量对mii、m?i,?i、局部等位基因频率pi,l,a、Fh构造Gibbs全条件后验抽样,仅超参数(β,γ,F?model的θ=FST/(1?FST))及模型间跳跃用M–H,大幅提升混合效率与K值扩展性;(3)提供贝叶斯R2(Gelman et al., 2019)作回归模型拟合度量。模拟研究按生成模型仿真K=5/10/15/20、pre?migration FST=0.025/0.05/0.1/0.01,各L=1000个双等位标记、每种群n=20、设定β1=?1,β2=?1,γ=0或γ=1,比较BIMr与BIMr2的后验模型概率、偏差(Bias)与均方根误差(RMSE)。实证数据选用已发表欧洲蓝尾豆娘25种群426个体13,612个SNP,过滤MAF>0.05、缺失<2%、疑似重复序列后保留2440个中性位点,纳入地理大圆距离与源减受体树冠覆盖度差及二者交互项运行BIMr2(burn?in 20,000、抽样30,000、thinning=10)。
研究结果:
3.1 Inference with increasing number of populations(种群数增加时的推断表现)
在pre?migration FST=0.05固定下,K由5增至20时BIMr2对真实环境因子模型(两主效无交互)的后验模型概率由0.725升至0.986,K≥10时正确模型概率>0.97;环境因子斜率β及迁移率mij的RMSE单调下降,偏差非单调减小。原BIMr随K增大迁移率严重低估趋近于零、模型判定失准。表明更多种群提供的成对空间信息改善参数辨识,BIMr2克服原版本对K的敏感性。
3.2 Inference with decreasing population differentiation(种群分化度降低时的推断表现)
固定K=15,pre?migration FST由0.100降至0.025时,BIMr2仍准确识别含两环境因子的真模型(后验概率>0.897);仅当FST降至0.010时模型概率略降(0.344)但未混淆(含两因子模型总概率=0.72)。参数RMSE随FST降低而增大但可控。原BIMr在FST<0.05时模型判定与参数精度恶化更显著。表明BIMr2在较低但合理分化度(FST≥0.025)下仍可用。
3.3 Application to real data(实证数据分析)
对25个I. elegans种群分析显示:非移民率mii均值0.603(范围0.090–0.971),迁入率均值0.017;最优选模为"距离+树冠覆盖度差+二者交互"(后验概率=0.9983),贝叶斯R2=0.479。距离(βDist=?1.597,95%HPDI[?1.932,?1.268])与树冠差(βTreeCov=?0.894,95%HPDI[?1.291,?0.472])均为负效应——距远及由少林向多林迁入均减少迁移;交互项γ=0.576(95%HPDI[0.264,0.902])为正,说明小林→多林抑制效应随距离增大衰减,近距离时郁闭度差异更重要。个体近交系数Fh均值0.017,41个个体(9.6%)HPDI排除0,其Fh范围0.059–0.665,且显著近交个体占比随当地树冠覆盖度升高而增加(b=0.013,p=0.026),提示开阔生境促进扩散降低近交。
讨论与结论(DISCUSSION):
研究人员指出原BIMr中mii与归一化m?i,?i经mii+∑j≠imij=1约束联合M–H更新,均匀Dirichlet先验经Jacobian产生∝miiK?2项使mii后验随K增大系统性偏高,进而压低mij(j≠i);BIMr2解耦为独立参数分别用Gibbs更新消除此偏差。广泛采用Gibbs抽样(借助潜计数数据扩充)显著降低拒绝率、改善混合,使方法可扩展至数十种群。个体层次Fh估算校正了Wahlund效应导致的近交高估。模拟证实K增大(信息增多)反而提升环境因子效应与迁移率估计精度,前提为pre?migration FST≥~0.025(对应post?migration FST≈0.0125);低分化(FST=0.010)时性能下降但仍优于BIMr。蓝尾豆娘案例揭示距离与生境异质性交互作用不可忽略——忽略交互可能掩盖或误判隔离由距离(Isolation by Distance,IBD)模式。研究人员总结:BIMr2解决了前代收敛与偏倚问题,支持多至数十种群的近期迁移率及环境驱动因子可靠推断,提供个体近交估算与贝叶斯R2模型拟合诊断,是景观遗传学、保护规划及环境变化—基因流关系研究的强化统计工具。
(译文结论归纳:BIMr2 resolves the convergence issues of its predecessor BIMr, enables reliable inference of recent migration rates and their environmental drivers even for tens of populations by decoupling self?recruitment from relative immigration rates and favouring Gibbs samplers, provides per?individual inbreeding coefficient estimates correcting for the Wahlund effect, and supplies Bayesian R2 for model assessment—offering a robust statistical tool for landscape genetics and conservation planning under rapid environmental change.)