通过神经网络使用多态数据对空间人口图的估计

科学领域:

• 人口遗传学 人口遗传学
• 风景遗传学 风景遗传学
• 计算生物学 计算生物学

背景情况:

• 了解遗传变异如何在整个景观中分布,对于人口遗传学至关重要.
• 众所周知,异质的人口密度和分散障碍会影响遗传变异.
• 现有的工具往往难以解释这些复杂的空间因素.

研究的目的:

• 开发一种新的推断方法,用于估计人口密度和分散率的空间异质地图.
• 使用地理参考单核酸多态 (SNP) 数据与深度神经网络用于人口参数估计.
• 提供一种工具,可以推断分散和密度的幅度和空间变化.

主要方法:

• 使用模拟的基因型和采样位置数据训练了一个深度神经网络.
• 该网络从SNP数据中学会了预测人口参数 (密度和分散率).
• 该方法与现有的人口遗传学推断工具进行了比较.

主要成果:

• 开发的方法成功地从模拟数据中估计了空间异质的人口参数.
• 对北美灰狼数据的应用产生了合理的人口统计估计,尽管受到采样的影响.
• 该工具使用SNP数据独特地推断出分散大小和密度变化,与仅限于相对迁移率的方法不同.

结论:

• 新的深度神经网络方法为推断景观层面的人口流程提供了有价值的工具.
• 该方法补充了现有的直接人口统计估计技术.
• 该开源软件促进了保护,生态和进化生物学领域的应用.