Обзор способов визуализации гетерозиготности в контексте природоохранных исследований

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Оценка уровня гетерозиготности — одна из основных метрик в природоохранной биологии, поскольку она способствует корректной разработке программ по сохранению видов, находящихся под угрозой исчезновения. С развитием технологий полногеномного секвенирования появилась возможность более точно оценивать гетерозиготность не только на организменном уровне, но и на популяционно-видовом. Современные природоохранные исследования подразумевают обработку больших объемов полногеномных данных, что приводит к проблемам интерпретации и обусловливает необходимость изучения современных методов визуализации для наглядного и корректного представления результатов. В данном обзоре мы подробно рассматриваем основные типы визуализации оценок уровня гетерозиготности, полученных с использованием различных подходов. Мы подробно излагаем теорию, лежащую в основе каждого метода формирования изображения и обсуждаем их особенности на примере исследований немодельных видов с различным природоохранным статусом. Обзор позволяет получить представление об актуальных инструментах для оценки и последующей визуализации гетерозиготности, а также о текущих тенденциях в данной области.

Об авторах

Андрей Александрович Томаровский

Институт молекулярной и клеточной биологии Сибирского отделения РАН; Новосибирский государственный университет

Автор, ответственный за переписку.
Email: andrey.tomarovsky@gmail.com
ORCID iD: 0000-0002-6414-704X
SPIN-код: 6727-8664
Scopus Author ID: 57264872500
Россия, Новосибирск; Новосибирск

Азамат Альбертович Тотиков

Институт молекулярной и клеточной биологии Сибирского отделения РАН; Новосибирский государственный университет

Email: a.totickov1@gmail.com
ORCID iD: 0000-0003-1236-631X
SPIN-код: 9767-3971
Scopus Author ID: 57265434800
Россия, Новосибирск; Новосибирск

Алия Рафиковна Якупова

Email: aliyah.yakupova@gmail.com
ORCID iD: 0000-0003-1486-0864
SPIN-код: 4292-0609
Scopus Author ID: 57264122200

независимый исследователь

Германия

Александр Сергеевич Графодатский

Институт молекулярной и клеточной биологии Сибирского отделения РАН

Email: graf@mcb.nsc.ru
ORCID iD: 0000-0002-8282-1085
SPIN-код: 4436-9033
Scopus Author ID: 7003878913

д-р биол. наук

Россия, Новосибирск

Сергей Федорович Кливер

Email: mahajrod@gmail.com
ORCID iD: 0000-0002-2965-3617
SPIN-код: 8635-4259
Scopus Author ID: 56449314300

независимый исследователь

Дания

Список литературы

  1. Soulé M.E. What is conservation biology? A new synthetic discipline addresses the dynamics and problems of perturbed species, communities, and ecosystems // BioSci. 1985. Vol. 35, No. 11. P. 727–734. doi: 10.2307/1310054
  2. Fuentes-Pardo A.P., Ruzzante D.E. Whole-genome sequencing approaches for conservation biology: Advantages, limitations and practical recommendations // Mol Ecol. 2017. Vol. 26, No. 20. P. 5369–5406. doi: 10.1111/mec.14264
  3. Hoban S., Kelley J.L., Lotterhos K.E., et al. Finding the genomic basis of local adaptation: Pitfalls, practical solutions, and future directions // Am Nat the University of Chicago Press. 2016. Vol. 188, No. 4. P. 379–397. doi: 10.1086/688018
  4. Hoban S., da Silva J.M., Mastretta-Yanes A., et al. Monitoring status and trends in genetic diversity for the Convention on Biological Diversity: An ongoing assessment of genetic indicators in nine countries // Conserv Lett. 2023. Vol. 16, No. 3. ID e12953. doi: 10.1111/conl.12953
  5. Ng P.C., Kirkness E.F. Whole genome sequencing. In: Genetic variation: methods and protocols / M.R. Barnes, G. Breen, editors. Totowa, NJ: Humana Press, 2010. P. 215–226. doi: 10.1007/978-1-60327-367-1_12
  6. Breed M.F., Harrison P.A., Blyth C., et al. The potential of genomics for restoring ecosystems and biodiversity: 10 // Nat Rev Genet. 2019. Vol. 20, No. 10. P. 615–628. doi: 10.1038/s41576-019-0152-0
  7. Кливер С.Ф. Полногеномный подход в природоохранной биологии и его перспективы // Экологическая генетика. 2021. Т. 19, № 3. С. 281–298. doi: 10.17816/ecogen65152
  8. Joop Ouborg N., Angeloni F., Vergeer P. An essay on the necessity and feasibility of conservation genomics // Conserv Genet. 2010. Vol. 11, No. 2. P. 643–653. doi: 10.1007/s10592-009-0016-9
  9. Dudchenko O., Shamim M.S., Batra S.S., et al. The Juicebox assembly tools module facilitates de novo assembly of mammalian genomes with chromosome-length scaffolds for under $1000 // bioRxiv. 2018. ID 254797. doi: 10.1101/254797
  10. Durand N.C., Robinson J.T., Shamim M.S., et al. Juicebox provides a visualization system for Hi-C contact maps with unlimited zoom // Cell Syst. 2016. Vol. 3, No. 1. P. 99–101. doi: 10.1016/j.cels.2015.07.012
  11. Luikart G., England P.R., Tallmon D., et al. The power and promise of population genomics: from genotyping to genome typing: 12 // Nat Rev Genet. 2003. Vol. 4, No. 12. P. 981–994. doi: 10.1038/nrg1226
  12. Campbell M.R., Vu N.V., LaGrange A.P., et al. Development and Application of single-nucleotide polymorphism (SNP) genetic markers for conservation monitoring of burbot populations // Trans Am Fish Soc. 2019. Vol. 148, No. 3. P. 661–670. doi: 10.1002/tafs.10157
  13. Bijlsma R., Loeschcke V. Genetic erosion impedes adaptive responses to stressful environments // Evol Appl. 2012. Vol. 5, No. 2. P. 117–129. doi: 10.1111/j.1752-4571.2011.00214.x
  14. Leroy G., Carrol E.L., Bruford M.W., et al. Next-generation metrics for monitoring genetic erosion within populations of conservation concern // Evol Appl. 2018. Vol. 11, No. 7. P. 1066–1083. doi: 10.1111/eva.12564
  15. Frankham R., Ballou J.D., Eldridge M.D., et al. Predicting the probability of outbreeding depression // Conserv Biol. 2011. Vol. 25, No. 3. P. 465–475. doi: 10.1111/j.1523-1739.2011.01662.x
  16. Charlesworth D., Willis J.H. The genetics of inbreeding depression: 11 // Nat Rev Genet. 2009. Vol. 10, No. 11. P. 783–796. doi: 10.1038/nrg2664
  17. Майр Э. Популяции, виды и эволюция. Москва: Мир, 1968. 398 с.
  18. Tomimatsu H., Ohara M. Genetic diversity and local population structure of fragmented populations of Trillium camschatcense (Trilliaceae) // Biol Conserv. 2003. Vol. 109, No. 2. P. 249–258. doi: 10.1016/S0006-3207(02)00153-2
  19. Hanski I. The Shrinking world: Ecological consequences of habitat loss // Excell Ecol. 2005. Vol. 14.
  20. Lande R., Barrowclough G. Effective population size, genetic variation, and their use in population management. In: Soulé M., editor. Viable populations for conservation. Cambridge: Cambridge University Press, 1987. P. 87–124. doi: 10.1017/CBO9780511623400.007
  21. Wright S. Random drift and the shifting balance theory of evolution. In: Kojima K., editor. Mathematical topics in population genetics. Berlin, Heidelberg: Springer, 1970. P. 1–31. doi: 10.1007/978-3-642-46244-3_1
  22. Nevo E. Genetic variation in natural populations: Patterns and theory // Theor Popul Biol. 1978. Vol. 13, No. 1. P. 121–177. doi: 10.1016/0040-5809(78)90039-4
  23. Левонтин Р. Генетические основы эволюции. Москва: Мир, 1978. 351 с.
  24. Steiner C.C., Putnam A.S., Hoeck P.E.A., Ryder A. Conservation genomics of threatened animal species // Annu Rev Anim Biosci. 2013. Vol. 1, No. 1. P. 261–281. doi: 10.1146/annurev-animal-031412-103636
  25. Weir B.S. Genetic data analysis II: Methods for discrete population genetic data. Oxford, New York: Oxford University Press, 1996. 445 p.
  26. Ritland K. Estimators for pairwise relatedness and individual inbreeding coefficients // Genet Res. 1996. Vol. 67, No. 2. P. 175–185. doi: 10.1017/S0016672300033620
  27. Nei M., Li W.H. Mathematical model for studying genetic variation in terms of restriction endonucleases // PNAS. 1979. Vol. 76, No. 10. P. 5269–5273. doi: 10.1073/pnas.76.10.5269
  28. Wright S. The interpretation of population structure by F-statistics with special regard to systems of mating // Evolution. 1965. Vol. 19, No. 3. P. 395–420. doi: 10.2307/2406450
  29. Shafer A.B.A., Wolf J.B.W., Alves P.C., et al. Genomics and the challenging translation into conservation practice // Trends Ecol Evol. 2015. Vol. 30, No. 2. P. 78–87. doi: 10.1016/j.tree.2014.11.009
  30. Hoffmann A., Griffin P., Dillon S., et al. A framework for incorporating evolutionary genomics into biodiversity conservation and management // Clim Change Responses. 2015. Vol. 2, No. 1. ID 1. doi: 10.1186/s40665-014-0009-x
  31. Benestan L.M., Ferchaud A.-L., Hohenlohe P.A., et al. Conservation genomics of natural and managed populations: building a conceptual and practical framework // Mol Ecol. 2016. Vol. 25, No. 13. P. 2967–2977. doi: 10.1111/mec.13647
  32. Hoban S., Gaggiotti O., ConGRESS Consortium, Bertorelle G. Sample planning optimization tool for conservation and population genetics (SPOTG): a software for choosing the appropriate number of markers and samples // Methods Ecol Evol. 2013. Vol. 4, No. 3. P. 299–303. doi: 10.1111/2041-210x.12025
  33. Nazareno A.G., Bemmels J.B., Dick C.W., Lohmann L.G. Minimum sample sizes for population genomics: an empirical study from an Amazonian plant species // Mol Ecol Resour. 2017. Vol. 17, No. 6. P. 1136–1147. doi: 10.1111/1755-0998.12654
  34. Gibson J., Morton N.E., Collins A. Extended tracts of homozygosity in outbred human populations // Hum Mol Genet. 2006. Vol. 15, No. 5. P. 789–795. doi: 10.1093/hmg/ddi493
  35. McQuillan R., Leutenegger A.-L., Abdel-Rahman R., et al. Runs of homozygosity in European populations // Am J Hum Genet. 2008. Vol. 83, No. 3. P. 359–372. doi: 10.1016/j.ajhg.2008.08.007
  36. Darwin C. The effects of cross and self fertilisation in the vegetable kingdom. Ams PressInc, 1877. doi: 10.5962/bhl.title.104481
  37. Ceballos F.C., Joshi P.K., Clark D.W., et al. Runs of homozygosity: windows into population history and trait architecture: 4 // Nat Rev Genet. 2018. Vol. 19, No. 4. P. 220–234. doi: 10.1038/nrg.2017.109
  38. Hoffman J.I., Simpson F., David P., et al. High-throughput sequencing reveals inbreeding depression in a natural population // PNAS. 2014. Vol. 111, No. 10. P. 3775–3780. doi: 10.1073/pnas.1318945111
  39. Muir W.M., Wong G.K.-S., Zhang Y., et al. Genome-wide assessment of worldwide chicken SNP genetic diversity indicates significant absence of rare alleles in commercial breeds // PNAS. 2008. Vol. 105, No. 45. P. 17312–17317. doi: 10.1073/pnas.0806569105
  40. Urbinati I., Stafuzza N.B., Oliveira M.T., et al. Selection signatures in Canchim beef cattle // J Anim Sci Biotechnol. 2016. Vol. 7, No. 1. ID 29. doi: 10.1186/s40104-016-0089-5
  41. Samuels D.C., Wang J., Ye K., et al. Heterozygosity ratio, a robust global genomic measure of autozygosity and its association with height and disease risk // Genetics. 2016. Vol. 204, No. 3. P. 893–904. doi: 10.1534/genetics.116.189936
  42. Li N., Stephens M. Modeling linkage disequilibrium and identifying recombination hotspots using single-nucleotide polymorphism data // Genetics. 2003. Vol. 165, No. 4. P. 2213–2233. doi: 10.1093/genetics/165.4.2213
  43. Rife D.C. Populations of hybrid origin as source material for the detection of linkage // Am J Hum Genet. 1954. Vol. 6, No. 1. P. 26–33.
  44. Robinson J.A., Räikkönen J., Vucetich L.M., et al. Genomic signatures of extensive inbreeding in Isle Royale wolves, a population on the threshold of extinction // Sci Adv. 2019. Vol. 5, No. 5. ID eaau0757. doi: 10.1126/sciadv.aau0757
  45. Koepfli K.-P., Tamazian G., Wildt D., et al. Whole genome sequencing and re-sequencing of the sable antelope (Hippotragus niger): A resource for monitoring diversity in ex situ and in situ populations // G3 Genes Genomes Genetics. 2019. Vol. 9, No. 6. P. 1785–1793. doi: 10.1534/g3.119.400084
  46. Большая Советская Энциклопедия. Т. 20. 3-е изд. 1974. С. 25.
  47. Zhu L., Deng C., Zhao X., et al. Endangered Père David’s deer genome provides insights into population recovering // Evol Appl. 2018. Vol. 11, No. 10. P. 2040–2053. doi: 10.1111/eva.12705
  48. Beichman A.C., Koepfli K.-P., Li G., et al. Aquatic adaptation and depleted diversity: A Deep dive into the genomes of the sea otter and giant otter // Mol Biol Evol. 2019. Vol. 36, No. 12. P. 2631–2655. doi: 10.1093/molbev/msz101
  49. Abascal F., Corvelo A., Cruz F., et al. Extreme genomic erosion after recurrent demographic bottlenecks in the highly endangered Iberian lynx // Genome Biol. 2016. Vol. 17, No. 1. ID 251. doi: 10.1186/s13059-016-1090-1
  50. Cho Y.S., Hu L., Hou H., et al. The tiger genome and comparative analysis with lion and snow leopard genomes: 1 // Nat Commun. 2013. Vol. 4, No. 1. ID 2433. doi: 10.1038/ncomms3433
  51. Miller W., Schuster S.C., Welch A.J., et al. Polar and brown bear genomes reveal ancient admixture and demographic footprints of past climate change // PNAS. 2012. Vol. 109, No. 36. P. E2382–E2390. doi: 10.1073/pnas.1210506109
  52. Venn J.I. On the diagrammatic and mechanical representation of propositions and reasonings // Lond Edinb Dublin Philos Mag J Sci. 1880. Vol. 10, No. 59. P. 1–18. doi: 10.1080/14786448008626877
  53. Miller W., Hayes V.M., Ratan A., et al. Genetic diversity and population structure of the endangered marsupial Sarcophilus harrisii (Tasmanian devil) // PNAS. 2011. Vol. 108, No. 30. P. 12348–12353. doi: 10.1073/pnas.1102838108
  54. Humble E., Dobrynin P., Senn H., et al. Chromosomal-level genome assembly of the scimitar-horned oryx: Insights into diversity and demography of a species extinct in the wild // Mol Ecol Resour. 2020. Vol. 20, No. 6. P. 1668–1681. doi: 10.1111/1755-0998.13181
  55. Yakupova A., Tomarovsky A., Totikov A., et al. Chromosome-length assembly of the baikal seal (Pusa sibirica) genome reveals a historically large population prior to isolation in Lake Baikal: 3 // Genes. 2023. Vol. 14, No. 3. ID 619. doi: 10.3390/genes1403061
  56. Kliver S., Houk M.L., Perelman P.L., et al. Chromosome-length genome assembly and karyotype of the endangered black-footed ferret (Mustela nigripes) // J Hered. 2023. Vol. 114, No. 5. P. 539–548. doi: 10.1093/jhered/esad035
  57. Li R., Fan W., Tian G., et al. The sequence and de novo assembly of the giant panda genome: 7279 // Nature. 2010. Vol. 463, No. 7279. P. 311–317. doi: 10.1038/nature08696
  58. Dobrynin P., Liu S., Tamazian G., et al. Genomic legacy of the African cheetah, Acinonyx jubatus // Genome Biol. 2015. Vol. 16, No. 1. ID 277. doi: 10.1186/s13059-015-0837-4
  59. Lindblad-Toh K., Wade C.M., Mikkelsen T.S., et al. Genome sequence, comparative analysis and haplotype structure of the domestic dog: 7069 // Nature. 2005. Vol. 438, No. 7069. P. 803–819. doi: 10.1038/nature04338
  60. Benjamini Y. Opening the box of a boxplot // Am Stat. 1988. Vol. 42, No. 4. P. 257–262. doi: 10.2307/2685133
  61. Totikov A., Tomarovsky A., Prokopov D., et al. Chromosome-level genome assemblies expand capabilities of genomics for conservation biology: 9 // Genes. 2021. Vol. 12, No. 9. ID 1336. doi: 10.3390/genes12091336
  62. Hintze J.L., Nelson R.D. Violin plots: A box plot-density trace synergism // Am Stat. 1998. Vol. 52, No. 2. P. 181–184. doi: 10.1080/00031305.1998.10480559
  63. de Manuel M., Barnett R., Sandoval-Velasco M., et al. The evolutionary history of extinct and living lions // PNAS USA. 2020. Vol. 117, No. 20. P. 10927–10934. doi: 10.1073/pnas.1919423117
  64. Burton J.N., Adey A., Patwardhan R.P., et al. Chromosome-scale scaffolding of de novo genome assemblies based on chromatin interactions: 12 // Nat Biotechnol. 2013. Vol. 31, No. 12. P. 1119–1125. doi: 10.1038/nbt.2727
  65. Lewin H.A., Graves J.A.M., Ryder O.A., et al. Precision nomenclature for the new genomics // GigaScience. 2019. Vol. 8, No. 8. ID giz086. doi: 10.1093/gigascience/giz086
  66. Wilkinson L., Friendly M. The history of the cluster heat map // Am Stat. 2009. Vol. 63, No. 2. P. 179–184. doi: 10.1198/tas.2009.0033
  67. de Ferran V., Figueiro H.V., de Jesus Trindade F., et al. Phylogenomics of the world’s otters // Curr Biol. 2022. Vol. 32, No. 16. P. 3650–3658.e4. doi: 10.1016/j.cub.2022.06.036
  68. Needleman S.B., Wunsch C.D. A general method applicable to the search for similarities in the amino acid sequence of two proteins // J Mol Biol. 1970. Vol. 48, No. 3. P. 443–453. doi: 10.1016/0022-2836(70)90057-4
  69. Smith T.F., Waterman M.S. Identification of common molecular subsequences // J Mol Biol. 1981. Vol. 147, No. 1. P. 195–197. doi: 10.1016/0022-2836(81)90087-5
  70. Katoh K., Standley D.M. MAFFT Multiple sequence alignment software version 7: Improvements in performance and usability // Mol Biol Evol. 2013. Vol. 30, No. 4. P. 772–780. doi: 10.1093/molbev/mst010
  71. Magis C., Taly J.-F., Bussotti G., et al. T-Coffee: tree-based consistency objective function for alignment evaluation. In: Russell D.J., editor. Multiple sequence alignment methods. Totowa, NJ: Humana Press, 2014. P. 117–129. doi: 10.1007/978-1-62703-646-7_7
  72. Edgar R.C. MUSCLE: a multiple sequence alignment method with reduced time and space complexity // BMC Bioinformatics. 2004. Vol. 5, No. 1. ID 113. doi: 10.1186/1471-2105-5-113
  73. Altschul S.F., Gish W., Miller W., et al. Basic local alignment search tool // J Mol Biol. 1990. Vol. 215, No. 3. P. 403–410. doi: 10.1016/S0022-2836(05)80360-2
  74. Thompson J.D., Gibson T.J., Higgins D.G. Multiple sequence alignment using ClustalW and ClustalX // Curr Protoc Bioinforma. 2003. Vol. 1. P. 2–3. doi: 10.1002/0471250953.bi0203s00
  75. Altshuler D., Donnelly P.; The International HapMap Consortium. A haplotype map of the human genome: 7063 // Nature. 2005. Vol. 437, No. 7063. P. 1299–1320. doi: 10.1038/nature04226
  76. Durbin R.M.; The International HapMap Consortium, et al. A map of human genome variation from population-scale sequencing: 7319 // Nature. 2010. Vol. 467, No. 7319. P. 1061–1073. doi: 10.1038/nature09534
  77. Nusrat S., Harbig T., Gehlenborg N. Tasks, techniques, and tools for genomic data visualization // Comput Graph Forum. 2019. Vol. 38, No. 3. P. 781–805. doi: 10.1111/cgf.13727
  78. Karolchik D., Baertsch R., Diekhans M., et al. The UCSC genome browser database // Nucleic Acids Res. 2003. Vol. 31, No. 1. P. 51–54. doi: 10.1093/nar/gkg129
  79. Thorvaldsdóttir H., Robinson J.T., Mesirov J.P. Integrative Genomics Viewer (IGV): high-performance genomics data visualization and exploration // Brief Bioinform. 2013. Vol. 14, No. 2. P. 178–192. doi: 10.1093/bib/bbs017
  80. Yates A.D., Achuthan P., Akanni W., et al. Ensembl 2020 // Nucleic Acids Res. 2020. Vol. 48, No. D1. P. D682–D688. doi: 10.1093/nar/gkz966
  81. Okonechnikov K., Golosova O., Fursov M., et al. Unipro UGENE: a unified bioinformatics toolkit // Bioinformatics. 2012. Vol. 28, No. 8. P. 1166–1167. doi: 10.1093/bioinformatics/bts091
  82. Danecek P., Auton A., Abecasis G., et al. The variant call format and VCFtools // Bioinformatics. 2011. Vol. 27, No. 15. P. 2156–2158. doi: 10.1093/bioinformatics/btr330
  83. Narasimhan V., Danecek P., Scally A., et al. BCFtools/RoH: a hidden Markov model approach for detecting autozygosity from next-generation sequencing data // Bioinformatics. 2016. Vol. 32, No. 11. P. 1749–1751. doi: 10.1093/bioinformatics/btw044
  84. Ihaka R., Gentleman R. R: a language for data analysis and graphics // J Comput Graph Stat. 1996. Vol. 5, No. 3. P. 299–314. doi: 10.1080/10618600.1996.10474713
  85. van Rossum G. Python reference manual // Dep Comput Sci. 1995. ID R9525.
  86. Hunter J.D. Matplotlib: A 2D Graphics environment // Comput Sci. 2007. Vol. 9, No. 3. P. 90–95. doi: 10.1109/MCSE.2007.55
  87. Schiavinato M., del Olmo V., Muya V.N., Gabaldon T. JLOH: Inferring loss of heterozygosity blocks from sequencing data // bioRxiv. 2023. ID 2023.05.04.539368. doi: 10.1101/2023.05.04.539368
  88. Gel B., Serra E. KaryoploteR: an R/Bioconductor package to plot customizable genomes displaying arbitrary data // Bioinformatics. 2017. Vol. 33, No. 19. P. 3088–3090. doi: 10.1093/bioinformatics/btx346
  89. Bertrand A.R., Kadri N.K., Flori L., et al. RZooRoH: An R package to characterize individual genomic autozygosity and identify homozygous-by-descent segments // Methods Ecol Evol. 2019. Vol. 10, No. 6. P. 860–866. doi: 10.1111/2041-210X.13167
  90. Zhou J., Liu L., Lopdell T.J., et al. HandyCNV: Standardized summary, annotation, comparison, and visualization of copy number variant, copy number variation region, and runs of homozygosity // Front Genet. 2021. Vol. 12. ID 731355. doi: 10.3389/fgene.2021.731355
  91. Biscarini F., Cozzi P., Gaspa G., Marras G. detectRUNS: Detect runs of homozygosity and runs of heterozygosity in diploid genomes. CRAN (The Comprehensive R Archive Network), 2018. Режим доступа: https://cran.r-project.org/web/packages/detectRUNS/vignettes/detectRUNS.vignette.html
  92. Allaire J. RStudio: integrated development environment for R // Boston MA. 2012. Vol. 770, No. 394. P. 165–171.
  93. Kluyver T., Ragan-Kelley B., Pérez F., et al. Jupyter Notebooks-a publishing format for reproducible computational workflows // Elpub. 2016. Vol. 2016. P. 87–90. doi: 10.3233/978-1-61499-649-1-87

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Примеры визуализации гетерозиготности при помощи линейчатых диаграмм: a — средний уровень гетерозиготности (слева) и суммарная длина ROH (справа) в геномах волков из популяции острова Айл-Ройал; b — количество гетерозиготных и гомозиготных вариантов в двух подвидах черной антилопы. SB2027* и HN216* — особи южного подвида, остальные — замбийского. Оригинальные изображения из [44, 45]

Скачать (801KB)
Метаданные
3. Рис. 2. Пример визуализации уникальных и общих SNP для белого, бурого и черного медведя при помощи диаграммы Венна. Оригинальное изображение из [51]

Скачать (1MB)
Метаданные
4. Рис. 3. Примеры визуализации гетерозиготности при помощи диаграмм распределений: a — гистограммы распределения гетерозиготности по геному для пяти выборок ластоногих. Гетерозиготные SNP подсчитывались в окнах размером 1 млн п. н. и масштабировались в SNP / 1 тыс. п. н.; b — оценки гетерозиготности в диаграмме размаха для множества особей сахарийского орикса из различных популяций; c — скрипичные диаграммы распределения гетерозиготности для двух особей байкальской нерпы, двух особей пятнистой нерпы и одной особи серой нерпы. Оригинальные изображения из [54, 55]

Скачать (805KB)
Метаданные
5. Рис. 4. График кумулятивной суммы ROH при различном пороге отсечки по длине для львов из различных популяций. Оригинальное изображение из [63]

Скачать (1MB)
Метаданные
6. Рис. 5. Примеры визуализации средней гетерозиготности в окнах при помощи линейных графиков и тепловой карты: a — средняя гетерозиготность в скользящих окнах размером 500 тыс. п. н. у танзанийского и индийского львов по геномной сборке африканского льва. Хромосомы последовательно объединены по оси x; b — тепловая карта плотности гетерозиготных SNP на основе геномной сборки хромосомного уровня для самца евразийской речной выдры. Гетерозиготные SNP подсчитывались в окнах размером 1 млн п. н. и масштабировались в SNP / 1 тыс. п. н. Оригинальные изображения из [61, 63]

Скачать (940KB)
Метаданные

© Эко-Вектор, 2023


 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».