扩展功能
文章信息
- 刘刚, 龚明昊, 李惠鑫
- LIU Gang, GONG Minghao, LI Huixin
- 计算机模拟在野生动物种群遗传学研究中的应用
- Utility of Computer Simulations in Population Genetics of Wild Animals
- 四川动物, 2015, 34(5): 787-793
- Sichuan Journal of Zoology, 2015, 34(5): 787-793
- 10.11984/j.issn.1000-7083.20140454
-
文章历史
- 收稿日期:2014-10-13
- 接受日期:2015-05-08
野生动物进化是遗传变异和环境变化相互作用的结果,其过程复杂、难以预测。影响进化的因子包括基因突变、疾病、自然选择、空间扩散等自然因子,也包括驯化、栖息地破碎化、人工选择等人为干扰因子(Mayr,1970)。为了探究动物的野生机制,更科学地制定保护策略,动物保护学家将计算机模拟应用于野生动物保护。目前,绝大多数计算机模拟软件主要用于野生动物的保护与管理(Hoban et al.,2012)。计算机模拟技术能够揭示这个复杂过程的历史特征,同时也能预测这个过程未来的变化趋势,正成为进化和保护生物学领域关注的方向。然而,随着计算机模拟的适用范围越来越向着精细化发展,模拟软件被误用和滥用的可能性也在随之增加(Peck,2004;Hoban,2014)。本文着重从计算机模拟应用于野生动物种群遗传学进行综述,包括对未来潜在变化的统计预测功能、对历史特征的统计推理功能和对取样方法的统计验证功能,并利用已有野生动物的研究案例展示计算机模拟的功能。
1 计算机模拟应用于野生动物保护的简介1.1 产生和发展20世纪70年代,得益于计算机的迅猛发展,有关种群动态和遗传的模型突破了技术上的瓶颈。Craighead等(1974)采用计算模型预测了美国黄石公园的垃圾场关闭对棕熊Ursus arctos灭绝风险的影响,开启了计算机模拟应用于动物保护的序幕。近十年来,随着分子标记和统计方法的日新月异,由于能同时从空间和时间尺度将影响种群动态和遗传过程的因子整合到一个复杂而贴近真实情境的模型中,计算机模拟已成为野生物种的保护与管理的重要工具之一(Epperson et al.,2010;Hoban et al.,2012;Hoban,2014)。
1.2 计算机模拟软件的分类计算机模拟发展至今,所开发的软件数量繁多,功能多样,但没有哪一个是无所不能的(Hoban et al.,2012)。根据模拟途径、解决问题和计算次数的不同,计算机模拟软件基本可分为两类:(1)前瞻型(forwards-in-time simulations,也称为基于个体的种群模拟,individual based simulations):主要基于个体种群模型,模拟种群中个体遵循的生命循环(出生、选择、交配、繁殖、突变、迁移和死亡)。可以通过现在的情况预测未来某些世代的种群动态和遗传构成,优点是可以预测所研究种群在特定时间段的遗传变异(Str and & Niehaus,2007)。但是,由于在模拟过程中,需要定义一个初始种群,而这个初始种群的个体基因型在某些情况下并不能获得。因此,只能通过强制命令各个世代的等位基因频率恒定不变,通过模拟成百上千世代,以满足随机动态的要求(Bruford et al.,2010)。目前,大多数模拟软件都属于此类型。(2)回溯型(backwards-in-time simulations,也称为溯祖模拟,coalescent simulations):主要基于谱系途径,对每一个基因而言,所有拷贝都可以追溯到一个最近的共同祖先。该类型模拟主要受样本特征和进化历史影响,研究者根据选定的突变模型,向基因进化树分支赋予相应的突变(Rosenberg & Nordborg,2002)。在回溯型模拟过程中,只考虑DNA片段的谱系特征,计算速度要远远快于前瞻型(Peng & Kimmel,2005;Thalmann et al.,2007)。但是,由于不考虑生活史特征,回溯型模型主要推理较长进化时间序列上的历史特征。另外,在模拟自然或人工选择时,回溯型要逊色于前瞻型。除此之外,回溯型模拟软件不能模拟繁殖力,因为繁殖力不是以个体为基础的。目前,比较流行的回溯型模拟软件是ms和SimCoal2(Hoban et al.,2012)。根据计算机模拟的应用方向,又分为(1)统计预测功能,(2)统计推理功能,(3)统计验证功能。目前常用的种群遗传学领域的计算机模拟软件具体信息可参见表 1,以利于研究者根据需要选择使用。
模拟分类 | 具体模拟内容 | 模拟所需数据 | 模拟方法/模型 | 模拟常用软件 |
推理进化历史 | 种群大小变化、种群分化和融合种群定植、物种形成等对进化遗传学的影响 | 遗传学数据,种群历史数据,在空间显性模拟中需要景观数据 | 贝叶斯天际线点图,基于似然参数 | SPLATCHE, AquaSplatche, BOTTLESIM, KERNELPOP, VORTEX, Nemo, QuantiNemo, pedagog, RmetaSim, DIYABC |
推理生活史特征 | 当代进化过程中的繁殖成功率、迁移率对遗传多样性的影响 | 起始条件下遗传学数据 | 亲权分析,IBD回归,种群归属检验 | BOTTLESIM, CDPOP, RmetaSim, KERNELPOP, pedagog, VORTEX, IBDSim, simuPOP, QMSim, ForSim, SimCoal |
预测对未来环境变化的响应 | 预测破碎化、栖息地丧失、遗传混合、自然选择或分布范围变化、道路建设、人为干扰、气候变化等对种群动态和遗传的影响 | 起始条件下遗传学数据,当前和未来景观数据 | 随机重抽样,近缘物种的基础值估计 | CDPOP, VORTEX, AlleleRetain, BOTTLESIM, EASYPOP, forqs |
预测管理策略的效应 | 预测圈养繁育、迁地保护、狩猎、廊道建设、物种杂交、种群生存力对遗传多样性的影响 | 遗传学数据,当前和未来景观数据,对于小种群最好有谱系记载数据 | 随机重抽样,近缘物种的基础值估计,宏种群分析 | BOTTLESIM, EASYPOP, CDPOP, VORTEX, AlleleRetain, SimCoal, KERNELPOP |
评估研究方法 | 评估模型假设的错误率,评估瓶颈效应、中性选择、聚类方法、适应性位点的检验,比较几种方法的效力 | 起始条件下遗传学数据 | 种群历史非常清晰的物种,实验室严格控制的种群(破碎化、瓶颈效应) | BOTTLESIM, CDPOP, ms, msms, Spip, Bottleneck |
评估采样策略 | 研究中最小采样量、最小分子标记个数、最佳分子标记类型的选择、优化种群遗传、景观遗传以及古DNA研究 | 起始条件下遗传学数据 | 使用近缘物种的采样策略,连锁不平衡方法 | simuPOP, ms, CDPOP, SimCoal, fastsimcoal, Bayes SSC, msms |
动物进化是个漫长而复杂的过程,由于受技术限制,人类对动物的进化历史甚至生活史特征还有很多未知的地方。种群遗传学理论主要基于数学模型,但却经常忽略空间的复杂性和时间的变异性。计算机模拟能够同时在空间和时间尺度上,重新构建和还原种群动态特征和预测环境变量对种群的影响(Marjoram & Tavaré,2006)。
2.1 统计推理功能2.1.1 推理物种生活史特征动物生活史特征的研究通常分为宏观直接观察和微观间接分析。对于那些凭借直接观察而难以获得生活史特征的物种,尽管分子生态学技术部分揭示了其避免近亲繁殖的机制,但对于一些繁殖率高、幼体小而多的海洋野生动物,Puebla等(2012)将距离隔离模型(isolation-by-distance,IBD)技术和计算机模拟相结合,通过采用IBDSim(Leblois et al.,2009)模拟软件推理了5种珊瑚礁海域鱼类的种群扩散特征,发现迁移距离与幼体发育期长短显著相关,这为确定海域保护范围提供了科学依据。这种模拟技术能与IBD技术或贝叶斯模型相辅相成,因为通过模拟可以检验各种类型的扩散模式,并能将种群密度、种群结构和取样策略融合,更接近于种群的真实情况。
不同物种的生活史和繁殖生物学特征存在较大差异,包括寿命、交配系统、性比和年龄结构等。回溯型模拟的对象主要是基因而非个体,且模拟过程较简单,因此,模拟物种生活史特征主要依靠前瞻型模拟软件。BOTTLESIM,CDPOP,RmetaSim(Archer et al.,2010),KERNELPOP(Str and & Niehaus,2007),pedagog(Coombs et al.,2010)和VORTEX这些软件特别适宜于模拟寿命长的动物。simuPOP可以模拟不同种群在不同交配系统情境下的情况。ForSim软件和QMSim软件却更注重以表型选择为基础的交配系统下的模拟。另外,VORTEX,RmetaSim软件和KERNELPOP软件可以模拟密度压力或选择压力下的繁殖力,而pedagog软件是唯一一款能够提供各年龄段承载量的软件。SPLATCHE软件和AquaSplatche软件通过使超过承载量的种群流动到相邻的空种群,以达到模拟空间扩散的效果。
2.1.2 推理物种进化历史特征种群大小、分化时间、迁移、近交、远交、杂交和地理分布等始终贯穿于动物的进化史,这其中既有古代历史事件的痕迹(比如冰川运动),也有现代事件的作用过程(比如偷猎、栖息地破坏)。古DNA技术的发展有利于擅长溯祖模拟的软件Bayes SSC(Bayes Serial SimCoal)(Anderson et al.,2005)和fastsimcoal(Excoffier & Foll,2011)的应用。Bayes SSC是首款研究假设检验的效力和分析古DNA采样策略局限性的软件,而fastsimcoal考虑了更多的进化模式,主要模拟现今基因组和古DNA信息的吻合程度,且运行速度较快,特别适用于小种群(n<100)。利用古DNA能推理种群的历史变化(种群分化、种群大小改变等),以及产生这种变化的原因(气候、水文、生物入侵、人类干扰等)。比如,通过古DNA的计算机模拟,欧洲野牛Bison bison早在人类到来之前就开始出现种群下降(Shapiro et al.,2004);历史上欧洲中纬度的北极狐Alopex lagopus在气候改变时发生大规模向北迁移,从而造成了种群隔离(Dalén et al.,2007);赛加羚羊Saiga tatarica现今的瓶颈效应不是由于近几十年来的人类捕杀造成的,而是受到约2000年前发生的1次种群瓶颈事件的后续作用以及种群分化的影响(气候发生急剧变化,使栖息地从寒冷荒漠变成森林)(Campos et al.,2010);北海狗Callorhinus ursinus的历史种群避难于北部并保持较高的迁移率,才缓冲了由于猎捕导致的种群数量下降(Pinsky et al.,2010)。 以上研究表明,古DNA结合计算机模拟可为野生动物致危因子评价、保护区设计和保护措施制定提供理论基础。
影响物种进化的历史事件可能是确定的,也可能是随机的。绝大多数软件可以用于模拟确定事件,然而,对于诸如环境脆弱化、疾病爆发和气候不稳定性等随机事件,只能通过一些前瞻型模拟软件解决。RmetaSim软件、KERNELPOP软件和VORTEX软件提供了多个历史事件发生时间和顺序选择,Nemo软件和QuantiNemo软件设置了灭绝和猎捕的随机时间梯度(Guillaume & Rougemont,2006),pedagog软件可用于设定任何一个世代下随机历史事件发生的概率,对于火灾和飓风等自然灾害的评估十分有效。随首高通量技术的发展,Shafer等(2015)将简化基因组数据与DIYABC软件相结合,推理并展示了大西洋海象Odobenus rosmarus rosmarus的进化历史。
2.2 统计预测功能2.2.1 预测种群管理对策的效果重引入是保护野生动物进化潜力的有效途径之一,这个过程涉及圈养或野生个体的放归(IUCN,1987)。野生动物能否成功建立自我维系的种群受到多种因素的影响。Armstrong和Seddon(2008)认为,重引入生物学首要任务是找出最关键的问题,并用最好的方法解决,而不是去找最容易的问题去解决或者将自身推入更模糊的学科门类中。纵然对圈养和放归种群的监测可以提供有用的信息,但是针对性不强的监测其实是对重引入项目经费和精力的一种浪费(Williams et al.,2002),甚至会造成野生动物保护决策失误(Nichols & Williams,2006)。对保护管理对策的大数据分析只能提供一般性的指导,但不能对物种或者种群提供针对性的辅助(Godefroid et al.,2011)。而计算机模拟可以预测不同管理对策下种群发展的结果,从而确定制定管理对策时需要关注的因素。
野生个体用于补充圈养种群一直以来饱受争议。 McCleery等(2008)将圈养繁殖成功率、放归个体成活率和从野外移除个体构建到一个新的模型中,通过计算机模拟发现,除非圈养繁殖成功率和放归个体成活率都上升,否则圈养繁育对黑足鼬Neotoma floridana smalli的种群恢复没有太大意义。在无天敌、性比和初始种群已知的条件下,Brekke等(2011)采用BottleSim软件(Kuo & Janzen,2003)模拟了新西兰缝叶吸蜜鸟Notiomystis cincta重引入的最佳放归个体起始数量,还模拟了不同的交配对策和生长率对其遗传多样性的影响,实际上是对模拟结果的灵敏性分析,从而使模拟结果对保护决策的制定更科学。Liu等(2014)使用BottleSim软件和AlleleRetain(Weiser et al.,2012)软件预测了普氏野马Equus ferus przewalskii种群未来遗传多样性和稀有等位基因的变化趋势,发现以现有种群为基础,若要使普氏野马等位基因降低的速率低于杂合度下降的速率,放归种群数量至少应保持在100匹,且需要每隔5年引入20匹新个体。换言之,一味地增大圈养种群数量并不是保护的终极目标,反而会增加保护成本,不能把最好的资源用于重引入。
2.2.2 预测物种遗传多样性对环境变化的响应物种走向灭绝是遗传和环境共同作用的结果(Davidson et al.,2009)。由于气候变暖和栖息地破碎化等因素充满了可变性,定量预测环境改变对动物的影响并不容易(Henle et al.,2004)。对遭受相应环境影响的模拟种群,利用空间显性模型和一定区间的气候变化就可以预测物种对环境变化的响应。在气候变化导致栖息地减少的情况下,Wasserman等(2012)采用基于个体的CDPOP软件,将纬度和栖息地特征纳入模型,对落基山北部美洲貂Martes americana种群的等位基因数和杂合度与种群扩散进行相关性分析,发现二者并非呈线性相关,表明美洲貂发生遗传改变的条件是栖息地破碎化必须达到一定阈值。由于目前预测物种和环境相关性主要基于物种分布模型(species distribution models,SDM),计算机模拟技术能够使用回归方法研究整个落基山脉美洲貂的情况,进而寻找气候变化条件下重要的廊道和隔离带。Zhu等(2013)采用基于个体的EASYPOP软件(Balloux,2001)分析了未来20代内环境变化对大熊猫Ailuropoda melanoleuca遗传多样性的影响,发现大熊猫栖息地的破碎化与遗传多样性下降存在潜在关系,提出确保栖息地连通性和恢复栖息地是目前保护大熊猫的当务之急。
IBDSim软件和KERNELPOP软件专门用于模拟距离隔离模式下的基因型数据,既适用于模拟存在隔离的亚种群,也可用于连续分布的种群,它们每个个体都位于相应的空间坐标上,而非单单是某个种群的一员。虽然EasyPOP软件也是以距离隔离模式为基础,但其强调迁移率随着距离增大呈指数下降。SPLATCHE软件和AquaSplatche软件纳入了GIS分析得来的栖息地质量参数,特别适用于模拟破碎化分布的物种的迁移特征(Currat et al.,2004)。Nemo软件和QuantiNemo软件增添了模拟种群在低密度和高密度条件下的迁移率(Pinsky et al.,2010)。总之,通过模拟扩散、繁殖等种群动态过程和景观要素的交互作用,并揭示物种空间占位、种群大小和基因流动的影响因素,进而展现物种的空间遗传结构特征,这是计算机模拟在景观遗传学中的重要应用。
3 计算机模拟应用于统计验证取样策略和后续的数据分析方法直接关系到实验结果的准确性和可靠性。通常,在实验开始前,就需确定实验方案尤其是取样策略。充足的样品数量才能确保统计分析效力强劲,结果真实可信。根据实验目的,计算机模拟可以在实验之前就验证取样策略是否合适。更重要的是,究竟采用哪种分子标记更为有效也可以在实验之前被模拟验证,极大地提升了实验质量(Andrew et al.,2013)。然而,绝大多数实验并没有采用计算机模拟对采样策略进行优化,仅凭经验难免存在偏差,甚至造成经费和时间的浪费。
3.1 验证取样策略计算机模拟验证采样策略的思路包括:(1)根据物种/种群历史特征,比如根据遭受瓶颈效应的程度,构建几种采样策略;(2)运行模拟软件并收集个体相关基因型;(3)基于模拟数据进行相关分析并检验研究结果与真实情况的差距;(4)通过对各种情境下的重复模拟,得出一个取样成功概率区间。以美州黑熊U. americanus研究为例,研究者若要验证某个区域的黑熊种群究竟是受距离隔离特征影响,还是受阻断隔离特征影响。对采样策略进行计算机模拟验证后,发现采样量需要达到300~500,且位点数至少为15,或者增加位点数至25,采样量就可以减少到100(L and guth et al.,2012)。很显然,对于大多数野生动物,野外采样量达到100比较可行,而位点数增加并不会使基因分型的成本增加太多。样本量或位点数不足,甚至会出现相反的结果,这对保护对策的制定极为不利。对于不论怎么模拟,始终找不到一个能够满足实验目的的采样量时,这个实验也就没必要继续开展(Hoban et al.,2013)。不过选择哪种分子标记或怎么组合分子标记,需要视研究目的而定。比如,为了研究斑马鱼Danio rerio的亲缘关系,当模拟SNP标记数达到700时,甚至再结合微卫星位点,仍然难以获得可接受的精确度(Santure et al.,2010)。但是如果研究目的是分析种群结构,模拟表明与分子标记组合的统计效力更高(Narum et al.,2008)。
3.2 验证数据统计方法分子生物学技术的发展极大地推动了野生动物保护遗传学的研究。从简单的酶切手段到复杂的全基因组测序,催生出了相应的遗传数据统计方法。分子标记和谱系记载相结合,已为多种野生动物的圈养和放归提供了科学指导。但分子标记和谱系数据的相关性还存在争议,Robinson等(2013)在考虑位点连锁和无效等位基因的情况下,使用R程序中Pedantics软件包的Microsim 或 Genomesim 功能(Morrissey & Wilson,2010)模拟了分子标记和谱系数据的相关性,发现只有遭受严重瓶颈效应、近交严重或种群显著分化的种群才存在微弱的相关性。这与Balloux等(2004)采用随机个体模型模拟的结果相符,也与采用Monte-Carlo 模拟和运用Spip模拟的结果一致(Gotelli & Ellison,2004; Anderson & Dunham,2005)。
瓶颈效应对种群遗传多样性的影响是显而易见的,但是否发生瓶颈效应,不同的检验模型得出的结果也不同,这可能导致统计学上的一类错误发生概率增大。大多数文献都用Bottleneck软件检测瓶颈效应,但检测的假设基础是种群大小稳定且不存在迁移,这显然与真实的情况有所差距。Hudson(2002)将迁移率和生活史特征代入模拟模型中,开发了模拟软件ms,该软件借助Wright-Fisher中性模型,融合了亚种群的基因重组、基因转换和对称迁移等参数,但并没有考虑选择的作用。Chikhi等(2010)利用ms软件模拟了种群结构、遗传多样性和取样策略对种群大小检测和定量的影响,发现遗传上显著分化的种群间如果存在迁移,将会产生错误的瓶颈效应信号,因为迁移可能引入了稀有等位基因。在ms软件的基础上,Ewing和Hermisson(2010)开发了msms软件,不仅加入了选择作用,而且能够检测结构性种群中存在的选择性清除,包括从持续的遗传变异和频发突变中获得的适应。
4 计算机模拟在实际应用中应注意的问题4.1 模拟软件的选择和使用目前,大多数计算机模拟软件都是针对动物保护设计的(Hoban et al.,2012)。计算机模拟应用于野生动物研究一般包括如下几个步骤:搞清楚研究目的并确定计算机模拟的目标;设置多个模拟条件并构建模拟情境;为每种条件或情境准备参数和赋值;选择合适的计算机模拟程序;对模拟生成的数据进行分析;如有必要还需验证模拟的结果。
计算机模拟软件在输入文件格式上有差异,但模拟后的输出文件格式比较统一,可以用于后续的分析。输出文件的内容主要是基因型、单倍型或者等位基因频率。值得一提的是,每个软件都有相应的教程,研究者可以先用教程里的样例数据在程序上试一遍,熟悉了软件的运行环境之后,再根据研究目的(物种特征、生活史特征等)、已有数据和操控性选择软件并准备自己的数据。
4.2 模拟结果的准确性计算机模拟的功能越来越强大、应用范围越来越广,但由于使用了过于具体和高度参数化的模型,使其模拟结果的准确性受到质疑(Peck,2004)。因此,在使用计算机模拟时要注重数据的准确性、模型的合理性和应用的科学性(Mayr,2004)。首先,参数运用过多的复杂模型并不是最好的,最好比较一下简单模型和复杂模型的模拟结果。其次,模拟的结果并不是对真实状况绝对和完美的反映,而是估计了不同作用因子的相对强度,产生了概率分布的区间范围、管理措施的评级和边界值的大致阈值。在选择参数时,最好能将参数定义一个范围,在代入数据时单组数据比多组数据要好。最后,对模拟错误率的报告也非常重要,比如用古DNA或非损伤性样品时,应考虑等位基因丢失和错误等位基因的情况(Coombs et al.,2010)。
由于采用的模型和假设不同,不同的模拟软件对同样的问题得出的结果也会有所差异,Balkenholo和L and guth(2011)认为这属于正常现象。比如在研究地理阻隔的出现和遗传变异出现之间的时间差问题上,由于后代分布、代际重叠、扩散模型和遗传信号检测方法的不同,不同的研究得出的结论也存在差异(L and guth & Cushman,2010;Blair et al.,2012;Lloyd et al.,2013)。不过,这也提醒研究者在进行计算机模拟时,不要过分依赖一款软件的模拟结果。
5 展望计算机模拟始终是对真实世界的简单模拟,无论是基于何种模拟功能,如何确保模拟结果的准确性始终是应用计算机模拟工具的首要任务。不同的野生动物,其历史特征和现实状况也各不相同,在应用计算机模拟时应该加以区别对待。基于个体的种群模型是根据物种的个体数据构建的,因此每个物种都需要构建描述其特殊特征的模型。在进行遗传模拟时,需要将生态过程、疾病、气候考虑进来,甚至有必要建立多物种的模型,还需要将数量性状和选择整合进来,只有这样才能更准确地预测其种群动态并制定合理、有效的保护管理对策(Kremer et al.,2012;De Mita et al.,2013)。古DNA和全基因组测序技术的发展,为野生动物研究提供了庞大的数据基础,而数据处理技术的迅猛发展也提升了计算机模拟的运行效率(Aberer & Stamatakis,2013)。因此,在进行模拟设计时,需要动物保护学、计算生物学、统计学、遗传学和管理学方面的专家通力合作,构建全面而系统的模型,从不同角度正确地解释模拟结果,以期使计算机模拟成为野生动物保护的一个标准工具。
Aberer AJ, Stamatakis A. 2013. Rapid forward-in-time simulation at the chromosome and genome level[J]. BMC Bioinformatics, 14(1):216. |
Anderson CNK, Ramakrishnan U, Chan YL, et al. 2005. Serial SimCoal:a population genetics model for data from multiple populations and points in time[J]. Bioinformatics, 21(8):1733-1734. |
Anderson EC, Dunham KK. 2005. Spip 1.0:a program for simulating pedigrees and genetic data in age-structured papulations[J]. Molecular Ecology Notes, 5(2):459-461. |
Andrew RL, Bernatchez L, Bonin A, et al. 2013. A road map for molecular ecology[J]. Molecular Ecology, 22:2605-2626. |
Archer FI, Martien KK, Taylor BL, et al. 2010. A simulation-based approach to evaluating population structure in non-equilibrial populations[J]. Journal of Cetacean Research & Management, 11(2):101-113. |
Armstrong DP, Seddon PJ. 2008. Directions in reintroduction biology[J]. Trends in Ecology & Evolution, 23(1):20-25. |
Balkenhol N, Landguth EL. 2011. Simulation modelling in landscape genetics:on the need to go further[J]. Molecular Ecology, 20(4):667-670. |
Balloux F, Amos W, Coulson T. 2004. Does heterozygosity estimate inbreeding in real populations?[J]. Molecular Ecology, 13(10):3021-3031. |
Balloux F. 2001. EASYPOP (version 1.7):a computer program for population genetics simulations[J]. Journal of Heredity, 92(3):301-302. |
Blair C, Weigel DE, Balazik M, et al. 2012.A simulation-based evaluation of methods for inferring linear barriers to gene flow[J]. Molecular Ecology Resources, 12:822-833. |
Brekke P, Bennett PM, Santure AW. 2011. High genetic diversity in the remnant island population of hihi and the genetic consequences of re-introduction[J]. Molecular Ecology, 20(1):29-45. |
Bruford MW, Ancrenaz M, Chikhi L. 2010. Projecting genetic diversity and population viability for the fragmented orang-utan population in the Kinabatangan floodplain, Sabah, Malaysia[J]. Endangered Species Research, 12(3):249-261. |
Campos PF, Kristensen T, Orlando L, et al. 2010. Ancient DNA sequences point to a large loss of mitochondrial genetic diversity in the saiga antelope (Saiga tatarica) since the Pleistocene[J]. Molecular Ecology, 19(22):4863-4875. |
Chikhi L, Sousa VC, Luisi P, et al. 2010. The confounding effects of population structure, genetic diversity and the sampling scheme on the detection and quantification of population size changes[J]. Genetics, 186:983-995. |
Coombs JA, Letcher B, Nislow KH. 2010. Pedagog:software for simulating eco-evolutionary population dynamics[J]. Molecular Ecology Resources, 10(3):558-563. |
Cornet JM, Pudlo P, Veyssier J, et al. 2014. DIYABC v2.0:a software to make approximate Bayesian computation inferences about population history using single nucleotide polymorphism, DNA sequence and microsatellite data[J].Bioinformatics, 30(8):1187-1189. |
Craighead JJ, Varney JR, Craighead FC. 1974. A population analysis of the Yellowstone grrizzly bears[M]. Missoula:Mont For and Conserv Exp Sta Bull. |
Currat M, Ray N, Excoffier L. 2004. SPLATCHE:a program to simulate genetic diversity taking into account environmental heterogeneity[J]. Molecular Ecology Notes, 4(1):139-142. |
Dalén L, Nystr m V, Valdiosera C, et al. 2007. Ancient DNA reveals lack of postglacial habitat tracking in the arctic fox[J]. Proceedings of the National Academy of Sciences, 104(16):6726-6729. |
Davidson AD, Hamilton MJ, Boyer AG, et al. 2009. Multiple ecological pathways to extinction in mammals[J]. Proceedings of the National Academy of Sciences, 106(26):10702-10705. |
De Mita S, Thuillet AC, Gay L, et al. 2013. Detecting selection along environmental gradients:analysis of eight methods and their effectiveness for outbreeding and selfing populations[J]. Molecular Ecology, 22:1383-1399. |
Elith J, Leathwick JR. 2009. Species distribution models:ecological explanation and prediction across space and time[J]. Annual Review of Ecology Evolution & Systematics, 40(40):677-697. |
Epperson BK, McRae BH, Scribner K. 2010. Utility of computer simulations in landscape genetics[J]. Molecular Ecology, 19(17):3549-3564. |
Ewing G, Hermisson J. 2010. MSMS:a coalescent simulation program including recombination, demographic structure and selection at a single locus[J]. Bioinformatics, 26(16):2064-2065. |
Excoffier L, Foll M. 2011. Fastsimcoal:a continuous-time coalescent simulator of genomic diversity under arbitrarily complex evolutionary scenarios[J]. Bioinformatics, 27(9):1332-1334. |
Godefroid S, Piazza C, Rossi G, et al. 2011. How successful are plant species reintroductions?[J]. Biological Conservation, 144(2):672-682. |
Gotelli NJ, Ellison GN. 2004. A primer of ecological statistics[M]. Sunderland Massachusetts:Sinauer Associates. |
Guillaume F, Rougemont J. 2006. Nemo:an evolutionary and population genetics programming framework[J]. Bioinformatics, 22(20):2556-2557. |
Henle K, Lindenmayer DB, Margules CR, et al. 2004. Species survival in fragmented landscapes:where are we now?[J]. Biodiversity & Conservation, 13(1):1-8. |
Hoban S, Bertorelle G, Gaggiotti OE. 2012. Computer simulations:tools for population and evolutionary genetics[J]. Nature Reviews Genetics, 13(2):110-122. |
Hoban S, Gaggiotti O, Bertorelle G. 2013. Sample planning optimization tool for conservation and population genetics (SPOTG):a software for choosing the appropriate number of markers and samples[J]. Methods in Ecology and Evolution, 4(3):299-303. |
Hoban S. 2014. An overview of the utility of population simulation software in molecular ecology[J]. Molecular Ecology, 23(10):2383-2401. |
Hudson RR. 2002. Generating samples under a Wright-Fisher neutral model of genetic variation[J]. Bioinformatics, 18:337-338. |
IUCN. 1987. The IUCN position statement on translation of living organisms:introductions, reintroductions and restocking[M]. Gland:International Union for the Conservation of Nature. |
Kremer A, Ronce O, Robledo-Arnuncio JJ, et al. 2012. Long-distance gene flow and adaptation of forest trees to rapid climate change[J]. Ecology Letters, 15(4):378-392. |
Kuo CH, Janzen F. 2003. BottleSim:a bottleneck simulation program for long-lived species with overlapping generations[J]. Molecular Ecology Notes, 3(4):669-673. |
Landguth EL, Cushman SA. 2010. CDPOP:a spatially explicit cost distance population genetics program[J]. Molecular Ecology Resources, 10(1):156-161. |
Landguth EL, Fedy BC, Oyler-McCance SJ, et al. 2012. Effects of sample size, number of markers, and allelic richness on the detection of spatial genetic pattern[J]. Molecular Ecology Resources, 12(2):276-284. |
Leblois R, Estoup A, Rousset F. 2009. IBDSIM:a computer program to simulate genotypic data under isolation by distance[J]. Molecular Ecology Resources, 9(1):107-109. |
Liu G, Shafer A, Zimmermann W, et al. 2014. Evaluating the reintroduction project of Przewalski's horse in China using genetic and pedigree data[J]. Biological Conservation, 171:288-298. |
Lloyd MW, Campbell L, Neel MC. 2013. The power to detect recent fragmentation events using genetic differentiation methods[J]. PLoS One, 8:e63981. |
Marjoram P, Tavaré S. 2006. Modern computational approaches for analysing molecular genetic variation data[J]. Nature Reviews Genetics, 7(10):759-770. |
Mayr E. 1970. Populations, species, and evolution:an abridgement of animal species and evolution[M]. Cambridge:Belknap Press of Havard University Press. |
Mayr M. 2004. Uses and abuses of mathematics in biology[J]. Science, 303(5659):790-793. |
McCleery RH, Perrins CM, Sheldon BC, et al. 2008. Age-specific reproduction in a long-lived species:the combined effects of senescence and individual quality[J]. Proceedings of the Royal Society B:Biological Sciences, 275(1637):963-970. |
Morrissey MB, Wilson AJ. 2010. Pedantics:an r package for pedigree-based genetic simulation and pedigree manipulation, characterization and viewing[J]. Molecular Ecology Resources, 10(4):711-719. |
Narum SRR, Banks M, Beacham TD, et al. 2008. Differentiat in salmon populations at broad and fine geographical scales with microsatellites and single nucleotide polymorphisms[J]. Molecular Ecology, 17:3464-3477. |
Nichols JD, Williams BK. 2006. Monitoring for conservation[J]. Trends in Ecology & Evolution, 21(12):668-673. |
Peck SL. 2004. Simulation as experiment:a philosophical reassessment for biological modeling[J]. Trends in Ecology & Evolution, 19(10):530-534. |
Peng B, Kimmel M. 2005. SimuPOP:a forward-time population genetics simulation environment[J]. Bioinformatics, 21(18):3686-3687. |
Pinsky ML, Newsome SD, Dickerson BR, et al. 2010. Dispersal provided resilience to range collapse in a marine mammal:insights from the past to inform conservation biology[J]. Molecular Ecology, 19(12):2418-2429. |
Puebla O, Bermingham E, McMillan WO. 2012. On the spatial scale of dispersal in coral reef fishes[J]. Molecular Ecology, 21(23):5675-5688. |
Robinson SP, Simmons LW, Kennington WJ. 2013. Estimating relatedness and inbreeding using molecular markers and pedigrees:the effect of demographic history[J]. Molecular Ecology, 22(23):5779-5792. |
Rosenberg N, Nordborg AM. 2002. Genealogical trees, coalescent theory and the analysis of genetic polymorphisms[J]. Nature Reviews Genetics, 3(5):380-390. |
Santure AW, Stapley J, Ball AD, et al. 2010. On the use of large marker panels to estimate inbreeding and relatedness:empirical and simulation studies of a pedigreed zebra finch population typed at 771 SNPs[J]. Molecular Ecology, 19(7):1439-1451. |
Shafer A, Gattepaille LM, Stewart REA, et al. 2015. Demographic inferences using short-read genomic data in an approximate Bayesian computation framework:in silico evaluation of power, biases and proof of concept in Atlantic warlus[J]. Molecular ecology, 24(2):328-345. |
Shapiro B, Drummond AJ, Rambaut A, et al. 2004. Rise and fall of the Beringian steppe bison[J]. Science, 306(5701):1561-1565. |
Strand AE, Niehaus JM. 2007. KERNELPOP, a spatially explicit population genetic simulation engine[J]. Molecular Ecology Notes, 7(6):969-973. |
Thalmann O, Fischer A, Lankester F, et al. 2007. The complex evolutionary history of gorillas:insights from genomic data[J]. Molecular Biology and Evolution, 24(1):146-158. |
Wasserman TN, Cushman SA, Shirk AS, et al. 2012. Simulating the effects of climate change on population connectivity of American marten (Martes americana) in the northern Rocky Mountains, USA[J]. Landscape Ecology, 27(2):211-225. |
Weiser EL, Grueber CE, Jamieson IG. 2012. AlleleRetain:a program to assess management options for conserving allelic diversity in small, isolated populations[J]. Molecular Ecology Resources, 12(6):1161-1167. |
Williams BK, Nichols JD, Conroy MJ, et al. 2002. Analysis and management of animal populations:modeling, estimation, and decision making[M]. San Diego:Academic Press. |
Zhu L, Hu Y, Qi D, et al. 2013. Genetic consequences of historical anthropogenic and ecological events on giant pandas[J]. Ecology, 94(10):2346-2357. |