Studien zu historischen Epidemien und genetischer Selektion

Ausbrüche schwerer Krankheiten haben im Laufe der Geschichte sowohl Mensch- als auch Tierpopulationen geschadet. Die schlimmsten Ausbrüche haben oft den Tod vieler Menschen verursacht. Genetische Variationen, die einigen Individuen helfen, solche Ausbrüche zu überleben, haben wahrscheinlich im Laufe der Zeit starken Selektionsdruck erfahren. Trotzdem gibt es wenig Beweise, die diese Idee unterstützen, obwohl verschiedene Studien versuchen, sie zu finden.

Frühere Forschungen konzentrierten sich auf die genbasierte Selektion durch Epidemien. In letzter Zeit haben Wissenschaftler jedoch fortschrittlichere Selektionsanalysen verwendet, um diese Fragen zu untersuchen. Ein bekanntes Beispiel ist der Schwarze Tod, der sowohl in antiken als auch in modernen Populationen umfassend untersucht wurde. Trotzdem wurden bisher keine eindeutigen Beweise für eine durch diese Epidemie bedingte Selektion gefunden. Forscher schlagen vor, dass der Mangel an Beweisen darauf zurückzuführen sein könnte, dass die schützenden genetischen Varianten in der Population vorhanden sein mussten, bevor der Ausbruch stattfand. Es könnte auch an Einschränkungen liegen, wie zum Beispiel kleinen Stichprobengrössen in bestehenden Studien. Trotz Fortschritten bei der Untersuchung alter DNA könnte die Anzahl der bisher analysierten Proben nicht ausgereicht haben, um Fragen zur durch Epidemien bedingten Selektion zu beantworten. Aktuelle Methoden konzentrieren sich oft auf langfristige Selektion und neue genetische Varianten, während durch Epidemien verursachte Selektion tendenziell kurzfristig ist. Daher wirkt sie auf genetische Variationen, die bereits vorhanden sind. Diese Methoden sind auch begrenzt, da sie hauptsächlich Veränderungen in spezifischen genetischen Bereichen betrachten und die breiteren Auswirkungen von Massentoden auf die genetische Variation aufgrund natürlicher Selektion ignorieren.

Um diese Probleme anzugehen, entwickelten die Forscher einen neuen simulationsbasierten Rahmen, der SimOutbreakSelection (SOS) genannt wird. Dieses Tool ermöglicht es Wissenschaftlern zu untersuchen, unter welchen Bedingungen (wie Stichprobengrösse, Studienmethoden und Methoden zur Selektionsdetektion) die durch Ausbrüche bedingte Selektion in einer bestimmten Population nachgewiesen werden könnte. Zum Beispiel kann SOS ermitteln, ob die Anzahl der verfügbaren Proben ausreicht, um Selektion zu entdecken, oder welche zusätzlichen Proben für genaue Ergebnisse erforderlich sein könnten.

#Überblick über den SOS-Rahmen

SOS basiert auf einem Simulator namens SLiM und bietet eine benutzerfreundliche Möglichkeit, die Effektivität verschiedener Methoden zur Erkennung durch Ausbrüche bedingter Selektion zu bewerten. Die Benutzer können ein Ausbruchsszenario simulieren, das eine bestimmte genetische Variante umfasst, die möglicherweise unter Selektion steht, Individuen zu bestimmten Zeitpunkten samplen und verschiedene gängige Selektionsstatistiken berechnen. Forscher können die Ergebnisse aus mehreren Simulationen zusammenfassen, um zu schätzen, wie effektiv jede Methode ist, basierend auf dem Anteil der Simulationen, in denen Selektion entdeckt wurde.

Um SOS zu verwenden, sind drei Arten von Eingaben erforderlich:

1. Demographische Daten: Diese Daten spiegeln die Population kurz bevor der Ausbruch stattfand wider und werden erstellt, indem eine realistische Bevölkerungsentwicklung simuliert wird.

2. Epidemische Daten: Dazu gehören Details über den Ausbruch, wie häufig er stattfand, wie er sich auf die Bevölkerungszahlen auswirkte und wie lange er anhielt.

3. Sampling-Informationen: Die Forscher müssen angeben, auf welche Generationen und Populationen sie sich bei der Analyse der simulierten Epidemie konzentrieren möchten.

Sobald alle Eingaben definiert sind, simuliert SOS den Ausbruch mehrmals. Benutzer können dann aus diesen Simulationen sampeln und verschiedene Selektionsstatistiken berechnen, um zu sehen, welche Methoden Selektion basierend auf dem gewählten Sampling-Schema effektiv erkennen. SOS bietet derzeit Selektionsstatistiken wie den Fixationsstellenindex (FST) und andere haplotypbasierte Methoden.

#Beispiel 1: Rinderpest bei Kudu

Im späten 19. Jahrhundert war der Kudu von einer schweren Rinderpest-Epidemie betroffen, die zu einem dramatischen Rückgang der Population führte. Da die Bevölkerungsgrösse um etwa 90 % sank, wollten die Forscher herausfinden, ob dieser Ausbruch eine positive Selektion für eine bestimmte genetische Variante verursacht hat. Sie hatten 20 Proben moderner Kudus aus dem Kruger-Nationalpark und wollten sehen, ob dies für eine gut fundierte Studie ausreicht.

Mit SOS begannen die Forscher mit den demographischen Daten der Kudu-Population vor dem Ausbruch. Sie sammelten Informationen über die Epidemie und deren Auswirkungen auf die Population. Für die epidemischen Daten schätzten sie einen signifikanten Rückgang und eine Erholung der Population in den folgenden Generationen. Schliesslich wählten sie die interessierenden Zeitpunkte für die spätere Analyse aus.

Die Forscher testeten zuerst die vorhandenen 20 Proben, um zu sehen, ob sie genug Power hatten, um die durch die Epidemie bedingte Selektion zu erkennen. Sie wandten verschiedene Statistiken an, um die Selektion zu messen. Leider zeigten die Ergebnisse, dass selbst bei dem stärksten selektiven Vorteil ihre Simulationen unzureichende Power anzeigten, wenn nur heutige Proben verwendet wurden.

Als Nächstes versuchten sie es mit einer viel grösseren Stichprobe von 1.000 aus der gegenwärtigen Generation. Selbst mit diesem Anstieg blieb die Power zur Erkennung von Selektion niedrig. Sie entschieden sich, die Möglichkeit zu erkunden, ältere Proben von vor und nach dem Ausbruch einzuschliessen und sie mit den modernen Proben zu vergleichen.

Die vergleichende Probenentnahme zeigte eine bessere Erkennungskraft als die Verwendung nur heutiger Proben. Insbesondere die Designs "Vorher versus Heute" und "Vorher versus Nachher" zeigten eine hohe Power zur Erkennung von Selektion, wenn genügend Proben verwendet wurden. Dies bewies, dass eine Mischung aus historischen und modernen Proben die Chancen auf die Entdeckung von Selektionsbeweisen erheblich erhöht.

#Beispiel 2: Der Schwarze Tod im Mittelalterlichen Schweden

Das zweite Beispiel untersucht eine historische Epidemie, die als Schwarzer Tod bekannt ist und im 14. Jahrhundert in Schweden zu einem beträchtlichen Rückgang der Bevölkerung führte. Diese Epidemie, verursacht durch Yersinia pestis, führte dazu, dass rund 60 % der Bevölkerung in einer einzigen Generation starben. Trotz früherer Forschung wurden keine klaren Beweise für genetische Selektion aufgrund dieser Epidemie festgestellt.

Die Forscher verwendeten SOS, um die demografische Geschichte einer europäischen Population zu simulieren, die der in mittelalterlichem Schweden ähnlich war. Sie sammelten Details über den Schwarzen Tod und seine Auswirkungen aus historischen Aufzeichnungen. Sie schätzten speziell eine 50 %ige Reduzierung der Bevölkerung durch zwei schwere Ausbrüche.

Sie entschieden sich, Daten aus bestimmten Generationen vor, während und nach den Ausbrüchen zu speichern. Die Forscher testeten zunächst sowohl "Vorher versus Nachher" als auch den Vergleich von "Toten versus Überlebenden" Sampling-Schemas. Letzteres Ziel war es zu identifizieren, ob Varianten, die Schutz gegen Y. pestis bieten, bei Überlebenden häufiger waren als bei denjenigen, die starben.

Mit dem Simulationsrahmen schätzten sie die Power jedes Sampling-Schemas. Die Ergebnisse zeigten, dass zur Erreichung einer gut fundierten Studie mit der "Vorher versus Nachher"-Methode eine sehr hohe Anzahl an Proben erforderlich wäre, insbesondere bei unterschiedlichen Vorteilen für die genetische Variante. Allerdings ermöglichte das "Tote versus Überlebende"-Sampling-Schema bessere Power-Schätzungen mit weniger Proben im Vergleich zum vorherigen Ansatz.

#Erkenntnisse und Schlussfolgerungen

In beiden Beispielen lieferte SOS wertvolle Einblicke in die Bedingungen, die erforderlich sind, um durch Epidemien bedingte Selektion zu erkennen. Zu den wichtigsten Erkenntnissen gehören:

1. Stichprobengrössen sind wichtig: Grössere Stichprobengrössen sind oft erforderlich, um eine angemessene statistische Power zur Erkennung von Selektion zu gewährleisten. Kleinere historische Stichprobengrössen liefern möglicherweise keine zuverlässigen Ergebnisse.

2. Sampling-Schemata beeinflussen die Power: Verschiedene Entwürfe für das Sampling können zu erheblichen Unterschieden in der Nachweis-Power führen. Prioritätenvergleiche zwischen Überlebenden und Nicht-Überlebenden ergaben stärkere Ergebnisse für das Szenario des Schwarzen Todes.

3. Selektionsmodelle beeinflussen Ergebnisse: Die Vererbungsart für genetische Varianten (additiv, rezessiv usw.) kann zu unterschiedlichen Schlussfolgerungen über die erforderlichen Stichprobengrössen zur Erkennung von Selektion führen.

4. Bedeutung des Kontexts: Die einzigartigen Merkmale jeder Epidemie, einschliesslich des Ausmasses des Bevölkerungsrückgangs und der Erholungsdynamik, spielen eine entscheidende Rolle bei der Gestaltung der Nachweis-Power.

Insgesamt dient SOS als nützliches Werkzeug für Forscher, die die genetischen Auswirkungen historischer Epidemien untersuchen möchten. Durch die Simulation verschiedener Szenarien und die Erkundung diverser Sampling-Strategien können Wissenschaftler ihre Studien besser gestalten, um das Ausmass der durch Epidemien bedingten Selektion in modernen Populationen zu entdecken. Trotz seiner Einschränkungen und der damit verbundenen Komplexität markiert dieses Framework einen bedeutenden Schritt im Verständnis, wie frühere Epidemien die genetische Vielfalt zeitgenössischer Arten beeinflusst haben könnten.