"SimOutbreakSelection(SOS)：基于模拟的流行病驱动选择检测工具优化采样设计与分析策略"

本研究针对流行病爆发驱动自然选择的检测难题，开发了SimOutbreakSelection(SOS)模拟框架。研究人员通过SLiM22正向模拟和FST、jSFS等选择扫描方法，解决了传统方法对短期选择（如黑死病、牛瘟）检测效力不足的问题。结果表明，比较死亡与幸存者样本能显著提高检测效能，但即使50%死亡率的严重疫情也仅引起等位基因频率的适度变化，提示需要大样本量（n≥500）才能获得足够统计效力。该工具为设计高灵敏度流行病选择研究提供了重要方法论支持。

　　

历史上，从黑死病到牛瘟的流行病爆发曾对多个物种造成毁灭性打击。虽然理论上这些疫情可能驱动宿主保护性基因变异的强自然选择，但现有研究鲜有明确证据。这或许因为传统选择扫描方法（如F_ST）主要针对长期连续选择设计，而流行病选择具有短期爆发、作用于现存变异的特点。更关键的是，大规模死亡事件会加剧遗传漂变，使得选择信号更难识别。面对这一方法论瓶颈，来自欧洲的研究团队在《Nature Communications》发表了创新性解决方案。

研究团队开发了SimOutbreakSelection(SOS)模拟框架，整合SLiM²²正向模拟与多种选择扫描统计量计算功能。该工具允许用户自定义流行病参数（如瓶颈规模、选择强度）和采样方案，通过模拟评估不同条件下检测选择信号的统计效力。关键技术包括：1）基于SLiM的非Wright-Fisher模型模拟疫情选择过程；2）多时间点采样设计（疫情前/后、幸存者/死亡者）；3）综合应用F_ST、jSFS、iHS等选择检测方法；4）非洲水牛和瑞典中世纪人群的实证模拟验证。

框架设计原理

SOS通过三个核心模块运作：首先输入群体历史模拟数据（如基于PSMC²⁶的非洲水牛群体史），然后定义疫情参数（瓶颈规模、持续时间）和选择模型（显性/隐性/加性遗传模式，以生存率V_AA/V_Aa/V_aa量化选择强度），最后指定采样时间点进行批量模拟。其创新性在于采用绝对适合度（viability）模型，更贴合流行病死亡率数据。

牛瘟疫情模拟案例

以非洲水牛90%种群崩溃的牛瘟疫情为例，模拟显示：

• 仅用20个现代样本时，iHS检测效力不足5%
• 比较疫情前后样本（n=50）时，F_ST对强选择（V_AA=1）的检测效力超80%
• 加性遗传模式下，起始等位基因频率(f_A)从0.1增至0.4可使检测效力提升44%

黑死病模拟启示

对中世纪瑞典黑死病（50%死亡率）的模拟发现：

• 隐性选择模型需要n>500样本才能获得可靠效力
• "死亡vs幸存者"比较方案显著优于传统"疫情前后"设计（n=100时效力达88%）
• 即使强选择(V_AA=1)也仅引起等位基因频率0.05-0.15的微小变化

方法论突破与局限

研究通过等位基因频率轨迹分析（图4）揭示：疫情选择信号强度主要取决于瓶颈规模而非选择系数。虽然SOS为流行病选择研究提供了标准化评估工具，但其效能仍受样本量、遗传模式假设（如误判显隐性会严重低估所需样本量）和病原暴露均匀性假设的影响。作者特别开发的"混合墓地"参数可部分缓解死亡误分类问题。

这项研究的意义在于：首次建立了流行病选择检测的功率评估体系，解释了既往研究阴性结果可能源于样本不足（如最大规模黑死病研究仅n=206）。工具已开源（GitHub），可拓展应用于象群象牙选择⁴⁷、农药驱动选择⁴⁸等短期选择事件研究。未来结合古DNA技术和该方法，有望重新评估流行病在人类适应性进化中的作用。