[论文解读] The waiting time for m mutations

Schweinsberg, Jason|arXiv (Cornell University)|Feb 24, 2008

Cancer Genomics and DiagnosticsBiochemistry, Genetics and Molecular Biology参考文献 32被引用 17

一句话总结

本文分析了在 Moran 过程下，有限种群中个体累积 m 个突变所需的等待时间，推导出个体获得 m 个突变的时刻的渐近分布。关键结果表明，该分布的关键取决于突变率 μ 如何随种群大小 N 变化，揭示了不同尺度下的显著行为差异，对癌症演化和调控序列出现具有应用价值。

ABSTRACT

We consider a model of a population of fixed size N in which each individual gets replaced at rate one and each individual experiences a mutation at rate μ. We calculate the asymptotic distribution of the time that it takes before there is an individual in the population with m mutations. Several different behaviors are possible, depending on how μchanges with N. These results have applications to the problem of determining the waiting time for regulatory sequences to appear and to models of cancer development.

研究动机与目标

• 确定在大小为 N 的种群中，个体累积 m 个突变的时刻的渐近分布。
• 理解突变率 μ 随种群大小 N 的尺度变化如何影响 m 个突变的等待时间分布。
• 在 Moran 过程下，对突变累积的随机过程进行建模，考虑固定与随机隧道效应。
• 通过分析突变等待时间，为多阶段癌症模型和调控序列演化提供数学基础。
• 比较不同的突变累积随机模型，并确立其在大 N 极限下渐近收敛的条件。

提出的方法

• 建模一个大小固定为 N 的种群，通过 Moran 过程演化，每个个体以速率 1 替代自身，并以速率 μ 获得突变。
• 追踪每种突变类型（X_j(t)）的个体数量，并将 τ_m 定义为 X_m(t) > 0 的首次时刻。
• 通过四种不同的模型（模型 4 和 5）分析该过程，这些模型在突变抑制或固定方式上有所不同。
• 使用耦合技术比较模型 4（含抑制与固定）与模型 5（简化版，非抑制过程），通过修改突变动力学。
• 应用极限定理与集中不等式（例如，引理 22），表明高类型个体数量较大的概率可忽略不计。
• 通过证明当 N → ∞ 时 |r_4(T) - r_5(T)| → 0，建立修改后模型（模型 4'）与模型 5 的渐近等价性。

实验结果

研究问题

• RQ1 当 μ 随种群大小 N 变化时，m 个突变的等待时间如何依赖于突变率 μ？
• RQ2 在 μ 随 N 变化的不同尺度下，m 个突变的等待时间分布表现出哪些不同的渐近行为？
• RQ3 在何种情况下，随机隧道（在固定前累积 m 个突变）会主导于顺序固定过程？
• RQ4 突变抑制与固定动力学如何影响有限种群中达到 m 个突变的时间？
• RQ5 在什么条件下，简化模型（如模型 5）能准确近似大 N 极限下的完整随机过程（模型 4）？

主要发现

• m 个突变等待时间 τ_m 的渐近分布关键取决于 μ 与 N 的尺度关系，导致不同的极限行为。
• 当 μ 较小时（例如 μ = c/N），等待时间 τ_m 在分布上收敛于伽马型极限，其速率取决于 c 和 m。
• 当 μ 较大时（例如 μ = c/N^α 且 α < 1），等待时间分布发生改变，反映出更快的突变累积与更小的固定延迟。
• 当 μ 足够大，使得多个突变可在固定前累积时，随机隧道变得显著，从而改变等待时间分布。
• 建立了极限 lim_{N→∞} |r_4(T) - r_5(T)| = 0，表明模型 5 可作为完整过程的有效渐近近似。
• 类型 m-j 个体发生突变从而变为类型 m 的概率，渐近地与 μ q_j (N−ℓ)/N 成正比，其中 ℓ 为更高类型个体的数量。