MHC class IIB alleles contribute to both additive and nonadditive genetic effects on survival in Chinook salmon
Notice bibliographique
Résumé
The genes of the major histocompatibility complex (MHC) are found in all vertebrates and are an important component of individual fitness through their role in disease and pathogen resistance. These genes are among the most polymorphic in genomes and the mechanism that maintains the diversity has been actively debated with arguments for natural selection centering on either additive or nonadditive genetic effects. Here, we use a quantitative genetics breeding design to examine the genetic effects of MHC class IIB alleles on offspring survivorship in Chinook salmon (Oncorhynchus tshawytscha). We develop a novel genetic algorithm that can be used to assign values to specific alleles or genotypes. We use this genetic algorithm to show simultaneous additive and nonadditive effects of specific MHC class IIB alleles and genotypes on offspring survivorship. The additive effect supports the rare-allele hypothesis as a potential mechanism for maintaining genetic diversity at the MHC. However, contrary to the overdominance hypothesis, the nonadditive effect led to underdominance at one heterozygous genotype, which could instead reduce variability at the MHC. Our algorithm is an advancement over traditional animal models that only partition variance in fitness to additive and nonadditive genetic effects, but do not allocate these effects to specific alleles and genotypes. Additionally, we found evidence of nonrandom segregation during meiosis in females that promotes an MHC allele that is associated with higher survivorship. Such nonrandom segregation could further reduce variability at the MHC and may explain why Chinook salmon has one of the lowest levels of MHC diversity of all vertebrates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».