MARC

 008260126s2025        us                              c    eng  d
■001000017359137
■00520260202104840
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293820245
■035    ▼a(MiAaPQ)AAI32172637
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aShastry,  Vivaswat.▼0(orcid)0000-0002-7294-5607
■24510▼aDeveloping  Efficient  Frameworks  for  Coalescent-Based  Inference  in  Population  Genetics
■260    ▼a[Sl]▼bThe  University  of  Chicago▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a198  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Berg,  Jeremy.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Chicago,  2025.
■520    ▼aThe  exponential  growth  in  genomic  datasets  has  created  unprecedented  opportunities  to  study  evolutionary  processes,  but  existing  population  genetic  inference  methods  face  critical  scalability  and  interpretability  challenges.  While  the  coalescent  framework  provides  a  powerful  and  interpretable  backward-in-time  approach  for  connecting  observed  genetic  variation  to  underlying  evolutionary  forces,  it  can  be  quite  computationally  inefficient  and  statistically  intractable,  especially  when  dealing  with  large  numbers  of  spatially  distributed  individuals  or  the  effects  of  selection.  As  a  result,  current  methods  rely  on  low-dimensional  representations  of  the  coalescent  process  for  efficient  inference.  This  creates  an  urgent  need  for  efficient  inference  frameworks  that  maintain  direct  connections  to  mechanistic  evolutionary  theory  while  scaling  to  modern  datasets.  This  dissertation  addresses  these  challenges  via  the  development  of  three  three  novel  frameworks  that  advance  coalescent-based  inference  by  bridging  forward-time  evolutionary  models  with  backward-time  genealogical  approaches.  First,  I  present  a  spatial  population  genetics  method  that  extends  isolation-by-distance  models  to  jointly  infer  local  migration  surfaces  and  long-range  genetic  connections,  addressing  limitations  in  current  approaches  that  ignore  non-local  gene  flow  patterns.  Second,  I  develop  a  framework  for  inferring  natural  selection  from  paired  data  of  allele  frequency  and  age  estimates  by  leveraging  forward-in-time  diffusion  approximations.  This  approach  produces  unbiased  selection  coefficient  estimates  under  realistic  demographic  scenarios,  and  through  this  framework  I  find  that  the  ages  of  common  variants  are  more  useful  in  distinguishing  stronger  selection  coefficients,  following  previous  results  from  frequency-based  approaches  and  reconciling  claims  from  recent  statistical  genetics  studies  for  traits  under  strong  directional  selection.  Third,  I  extend  this  inference  to  the  Ancestral  Selection  Graph  (ASG)  framework,  developing  rates  for  selection  strength  estimation  that  utilize  forward-in-time  transition  probabilities.  While  this  approach  shows  promise  for  faster  inference  compared to  structured  coalescent  methods,  I  demonstrate  that  the  signal  is  primarily  driven  by  age  information,  indicating  the  need  for  further  exploration  in  this  space.  However,  this  work  outlines  a  potential  way  to  bridge  the  gap  between  diffusion-based  selection  theory  with  modern  tree-based  inference  methods.  Each  method  is  validated  through  extensive  simulations.  Importantly,  the  frameworks  presented  here  advance  our  ability  to  extract  interpretable  evolutionary  insights  from  large-scale  genomic  datasets  efficiently,  with  applications  ranging  from  statistical  genetics  to  conservation  genetics.
■590    ▼aSchool  code:  0330.
■650  4▼aBiostatistics
■650  4▼aBioinformatics
■650  4▼aGenetics
■650  4▼aSystematic  biology
■650  4▼aEvolution  &  development
■653    ▼aAllele  age
■653    ▼aAncestral  recombination  graphs  
■653    ▼aDistribution  of  fitness  effects
■653    ▼aIsolation-by-distance
■653    ▼aLong-range  gene  flow
■653    ▼aPoisson  Random  Field
■690    ▼a0308
■690    ▼a0715
■690    ▼a0369
■690    ▼a0412
■690    ▼a0423
■71020▼aThe  University  of  Chicago▼bGenetics,  Genomics,  and  Systems  Biology.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0330
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359137▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서