Epistatic interactions between ancestral genotype and beneficial mutations shape evolvability in<i>Pseudomonas aeruginosa</i>
Notice bibliographique
Résumé
The idea that interactions between mutations influence adaptation by driving populations to low and high fitness peaks on adaptive landscapes is deeply ingrained in evolutionary theory. Here, we investigate the impact of epistasis on evolvability by challenging populations of two Pseudomonas aeruginosa clones bearing different initial mutations (in rpoB conferring rifampicin resistance, and the type IV pili gene network) to adaptation to a medium containing l-serine as the sole carbon source. Despite being initially indistinguishable in fitness, populations founded by the two ancestral genotypes reached different fitness following 300 generations of evolution. Genome sequencing revealed that the difference could not be explained by acquiring mutations in different targets of selection; the majority of clones from both ancestors converged on one of the following two strategies: (1) acquiring mutations in either PA2449 (gcsR, an l-serine-metabolism RpoN enhancer binding protein) or (2) protease genes. Additionally, populations from both ancestors converged on loss-of-function mutations in the type IV pili gene network, either due to ancestral or acquired mutations. No compensatory or reversion mutations were observed in RNA polymerase (RNAP) genes, in spite of the large fitness costs typically associated with mutations in rpoB. Although current theory points to sign epistasis as the dominant constraint on evolvability, these results suggest that the role of magnitude epistasis in constraining evolvability may be underappreciated. The contribution of magnitude epistasis is likely to be greatest under the biologically relevant mutation supply rates that make back mutations probabilistically unlikely.
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) | 0,000 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».