A network perspective on the genetic population struture of seagrass Posidonia oceanica
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Informaatio- ja luonnontieteiden tiedekunta |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2009
Department
Major/Subject
Laskennallinen tekniikka
Mcode
S-114
Degree programme
Teknillisen fysiikan ja matematiikan tutkinto-ohjelma
Language
en
Pages
87
Series
Abstract
Populaatiobiologiassa käytettyjen perinteisten mallipohjaisten menetelmien tiedetään suoriutuvan huonosti, jos käytettävä data ei toteuta niissä tehtyjä oletuksia. Tässä työssä tutkitaan mahdollisuutta käyttää verkostotieteen uusimpia yhteisönhakumenetelmiä populaatiorakenteen löytämiseen geneettisestä samankaltaisuusverkosta, joka on muodostettu 1468 meriheinä Posidonia oceanican yksilön geenisekvenssien perusteella. Käytetyistä mikrosatelliittisekvensseistä voidaan rakentaa geneettinen samankaltaisuusverkko usealla eri tavalla. Työssä kokeiltiin useita tällaisia tapoja, joista sopivin valittiin käyttöön. Useimpia verkostotieteen menetelmiä ei ole suunniteltu sovellettaviksi täysiin painotettuihin verkkoihin, joita tässä työssä käytetyt samankaltaisuusverkot ovat. Tästä johtuen osa verkostomenetelmistä jouduttiin muokkaamaan samankaltaisuusverkoille sopiviksi sekä laskennalliselta toteutukseltaan että yleiseltä toiminnaltaan. Työssä tutkitaan yhteisönhakumenetelmien löytämien geneettisten ryhmien rakennetta sekä vertaillaan näiden suhdetta maantieteeseen ja samoille yksilöille rakennettuun fylogeniapuuhun. Käytetyistä verkostomenetelmistä löydetään useita puutteita ja rajoituksia, mutta näihin ongelmiin ehdotetaan ratkaisuja ja viitoitetaan samalla tietä mahdolliselle lisätutkimukselle.In this Thesis, the objective is to study the possibility of applying state-of-the-art community detection methods of network science to genetic networks built of closely related individuals, as the traditional model based methods in population genetics are known make too restrictive assumptions and to perform poorly for data which does not fulfil these assumptions. A data set of 1468 sequenced specimens of the Mediterranean sea grass Posidonia oceanica is used to test the suggested methods. As there is no unique, ail-purpose measure for the genetic distance between individuals, several such measures are investigated and the most appropriate is selected for constructing the genetic distance network used in this Thesis. Most methods in network theory are riot designed for weighted, full networks used in this Thesis, and thus some computational limitations are encountered, which are solved by using different algorithmic approaches. Results of different hierarchical community detection methods are examined, analyzed with respect to the underlying geography, and finally compared to results obtained from phylogeny methods, which also allow hierarch2cal clustering. Several limitations are identified in the network methods used, and possible solutions and future research directions are suggested.Description
Supervisor
Kaski, KimmoThesis advisor
Saramäki, JariKeywords
kompleksiset systeemit, kompleksiset verkot, hierarkkinen yhteisöhaku, painotetut verkot, geneettiset verkot, complex systems, complex networks, hierarchical community detection, weighted networks, genetic networks