આ સંદર્ભ લેખ "વસ્તી આનુવંશિકતા ડ્રિફ્ટ સિમ્યુલેટર" સાધનનો ઉપયોગ કરવા માટેની વૈજ્ઞાનિક પદ્ધતિઓ, ગાણિતિક સૂત્રો, મર્યાદાઓ અને ઇનપુટ પરિમાણોની વિગતવાર સમજૂતી આપે છે.
વસ્તી આનુવંશિકતા ડ્રિફ્ટ સિમ્યુલેટરની કાર્યપદ્ધતિ
આ સાધન ડિપ્લોઇડ Wright–Fisher મોડેલનો ઉપયોગ કરીને તટસ્થ આનુવંશિક ડ્રિફ્ટ (neutral genetic drift) નું અનુકરણ અને વિઝ્યુલાઇઝેશન પૂરું પાડે છે. એક કાલ્પનિક પ્રજનન વસ્તી સેટ કરીને, વપરાશકર્તાઓ બહુવિધ સ્વતંત્ર વસ્તીમાં એલીલ-આવૃત્તિના પથને ટ્રેક કરી શકે છે અને સરખામણી કરી શકે છે. આનાથી જોઈ શકાય છે કે પેઢીઓ દરમિયાન આનુવંશિક વિવિધતા કેવી રીતે નષ્ટ થાય છે અથવા સ્થિર (fixed) થાય છે. આ સિમ્યુલેટર એ સમજવામાં મદદ કરે છે કે સમય જતાં એલીલ આવૃત્તિઓ પર રેન્ડમ સેમ્પલિંગ કેવી અસર કરે છે, અને તે વાસ્તવિક ઉત્ક્રાંતિના પરિણામોની આગાહી કરવાનો દાવો કર્યા વિના સિમ્યુલેટેડ વિષમયુગ્મતા (heterozygosity), ફિક્સેશન અને નુકસાનના દરો દર્શાવે છે.
બધા પરિમાણો અને સિમ્યુલેટેડ વસ્તી સ્થાનિક રીતે પ્રક્રિયા થાય છે અને સંપૂર્ણપણે વપરાશકર્તાના બ્રાઉઝરમાં જ રહે છે. કોઈ ડેટા તમારા ઉપકરણની બહાર મોકલવામાં આવતો નથી.
વસ્તી સેટઅપ અને ઇનપુટ પરિમાણો
સિમ્યુલેશન શરૂ કરવા માટે, વપરાશકર્તાઓએ "વસ્તી સેટઅપ" ઇન્ટરફેસમાં નીચેના પરિમાણો પ્રદાન કરવાના રહેશે:
- પરિદ્રશ્યો (Presets): ઝડપી સેટઅપ માટે પૂર્વ-નિર્ધારિત વિકલ્પો ઉપલબ્ધ છે:
- નાની વસ્તી
- મોટી વસ્તી
- દુર્લભ એલીલ
- અસરકારક વસ્તી કદ, Ne: "પ્રજનન કરતા વ્યક્તિઓ" માં દાખલ કરવામાં આવે છે. આ 1 થી 100,000 સુધીની આખી પૂર્ણાંક સંખ્યા હોવી જોઈએ.
- શરૂઆતની એલીલ આવૃત્તિ, p₀: "પ્રમાણ, 0–1" તરીકે દાખલ કરવામાં આવે છે. આ કિંમત બંને સીમાઓ સહિત 0 અને 1 ની વચ્ચે હોવી જોઈએ.
- પેઢીઓ: "પેઢીઓ" માં દાખલ કરવામાં આવે છે. આ 1 થી 2,000 સુધીની આખી પૂર્ણાંક સંખ્યા હોવી જોઈએ.
- સ્વતંત્ર વસ્તી: "પ્રતિકૃતિઓ" માં દાખલ કરવામાં આવે છે. આ 1 થી 200 સુધીની આખી પૂર્ણાંક સંખ્યા હોવી જોઈએ.
- રેન્ડમ સીડ: સિમ્યુલેટેડ પથનું પુનઃઉત્પાદન કરવા માટે વપરાતું ટેક્સ્ટ ફીલ્ડ. તે 100 અથવા તેથી ઓછા અક્ષરોનું હોવું જોઈએ. વપરાશકર્તાઓ નવું રેન્ડમાઇઝ્ડ ઇનપુટ મેળવવા માટે "નવું સીડ" બટન પર ક્લિક કરી શકે છે.
પદ્ધતિ, ધારણાઓ અને મર્યાદાઓ
આ પૃષ્ઠ Nature Education અને Stanford Human Genetics લખાણ દ્વારા વર્ણવેલ તટસ્થ ડિપ્લોઇડ Wright–Fisher મોડેલને લાગુ કરે છે. દરેક નવી પેઢી એ અગાઉની પેઢીમાંથી 2Ne એલીલ નકલોનું રેન્ડમ સેમ્પલ છે. સ્ત્રોતોની ચકાસણી 6 ઓગસ્ટ 2026 ના રોજ કરવામાં આવી છે.
મોડેલની મુખ્ય ધારણાઓ
આ સાધન નીચેની આદર્શ પરિસ્થિતિઓ ધારે છે:
- સતત અસરકારક વસ્તી કદ.
- અલગ બિન-ઓવરલેપિંગ પેઢીઓ.
- રેન્ડમ સ્વતંત્ર સેમ્પલિંગ.
- પસંદગીયુક્ત તટસ્થતા (selective neutrality).
- એક અનલિંક્ડ બે-એલીલ લોકસ.
- કોઈ ઉત્પરિવર્તન (mutation) કે સ્થળાંતર (migration) નહીં.
જ્યારે પસંદગી, વસ્તીમાં ફેરફાર, જાતિ અથવા પ્રજનન-સફળતાની અસમાનતા, ઓવરલેપિંગ પેઢીઓ, ઇનબ્રીડિંગ, લિંકેજ, જનીન પ્રવાહ અથવા વસ્તી માળખું મહત્વપૂર્ણ હોય ત્યારે આનો ઉપયોગ પૂર્વાનુમાન તરીકે કરશો નહીં. આ સ્ટોકેસ્ટિક જૈવિક મોડેલ પર એન્જિનિયરિંગ સેફ્ટી ફેક્ટર લાગુ પડતું નથી.
ગણતરી અને ચોકસાઈ
દરેક દ્વિપદી ડ્રો ચોક્કસ Bernoulli સેમ્પલિંગનો ઉપયોગ કરે છે; કોઈ સામાન્ય અંદાજનો ઉપયોગ થતો નથી. ગણતરીઓ JavaScript ડબલ પ્રિસિઝન જાળવી રાખે છે. આવૃત્તિઓ 1 ÷ (2Ne) ના વધારા પર રહે છે; પ્રદર્શન વધુમાં વધુ છ દશાંશ સ્થાનો સુધી રાઉન્ડ ઓફ થાય છે.
બ્રાઉઝર વધુમાં વધુ 5,000,000 આયોજિત એલીલ-નકલ ડ્રોની મર્યાદા લાગુ કરે છે, જેની ગણતરી 2Ne × પેઢીઓ × પ્રતિકૃતિઓ તરીકે થાય છે. જો આ ગુણાકાર મર્યાદા ઓળંગે, તો સિમ્યુલેશન અટકી જશે.
સૂત્ર, કિંમતોની ગોઠવણી અને ચોકસાઈ
સિમ્યુલેશન દરમિયાન ગણતરીઓ માટે નીચેના ગાણિતિક સૂત્રોનો ઉપયોગ થાય છે:
- સંક્રમણ મોડેલ: દરેક પેઢી પર, Wright–Fisher સંક્રમણ આગામી એલીલ ગણતરીનું સેમ્પલ લે છે અને તેને ઉપલબ્ધ જનીન નકલો દ્વારા વિભાજિત કરે છે: Xₜ₊₁ ~ Binomial(2Ne, pₜ); pₜ₊₁ = Xₜ₊₁ ÷ (2Ne).
- મોમેન્ટ્સ: સેમ્પલિંગ પહેલાં, આ મોમેન્ટ્સ સંભવિત આગામી પેઢીઓની શ્રેણીનું વર્ણન કરે છે: E[Xₜ₊₁] = 2Ne·pₜ; Var(Xₜ₊₁) = 2Ne·pₜ(1 − pₜ); Var(pₜ₊₁) = pₜ(1 − pₜ) ÷ (2Ne).
- વિષમયુગ્મતા ઘટાડો: અસમાન એલીલ જોડીઓનો અપેક્ષિત હિસ્સો t પેઢીઓમાં નીચે મુજબ ઘટે છે: H₀ = 2p₀(1 − p₀); Hₜ = H₀(1 − 1 ÷ (2Ne))ᵗ.
પ્રથમ પેઢીના ઉદાહરણની ગણતરીઓ
- પ્રથમ પેઢી 2 ×
‹population›=‹copies›એલીલ-નકલ ડ્રોનો ઉપયોગ કરે છે. - E[X₁] =
‹copies›×‹frequency›=‹mean›A નકલો. - પ્રથમ પેઢી માટે, Var(X₁) =
‹copies›×‹frequency›× (1 −‹frequency›) =‹variance›; SD(p₁) =‹sd›. - પ્રથમ પ્લોટ કરેલી પ્રતિકૃતિએ X₁ =
‹sampled›A નકલોનું સેમ્પલ લીધું, તેથી p₁ =‹sampled›÷‹copies›=‹frequency›.
સિમ્યુલેશન આઉટપુટ અને પરિણામો
સિમ્યુલેશન સફળતાપૂર્વક ચાલ્યા પછી, સાધન નીચેના પરિણામો અને ચાર્ટ પ્રદર્શિત કરે છે:
એલીલ-આવૃત્તિના પથ (ચાર્ટ)
ચાર્ટનું શીર્ષક એલીલ-આવૃત્તિના પથ છે.
- X-axis: પેઢી
- Y-axis: એલીલ આવૃત્તિ p
- ચાર્ટમાં એક સંદર્ભ રેખા છે: અપેક્ષિત p = p₀.
- ચાર્ટની ARIA લેબલ વિગત:
પુનરાવર્તિત સિમ્યુલેટેડ વસ્તી માટે પેઢી દ્વારા એલીલ આવૃત્તિ. - પથ દર્શક સંદેશ:
‹total› માંથી ‹shown› પથ દર્શાવે છે; દરેક પ્રતિકૃતિનો સારાંશમાં સમાવેશ કરવામાં આવ્યો છે.
સારાંશ આંકડા (Summary Statistics)
- p = 1 પર સ્થિર: ફિક્સેશન પામેલા પથની સંખ્યા.
- p = 0 પર ગુમાવેલ: લુપ્ત થયેલા એલીલ પથની સંખ્યા.
- T દ્વારા શોષાયેલ નથી: જે પથ હજુ સુધી કોઈ સીમા પર પહોંચ્યા નથી.
- સરેરાશ અંતિમ p: છેલ્લી પેઢીમાં સરેરાશ એલીલ આવૃત્તિ.
- T પર અપેક્ષિત H: સૈદ્ધાંતિક અપેક્ષિત વિષમયુગ્મતા.
- T પર સરેરાશ સિમ્યુલેટેડ H: સિમ્યુલેશનમાં જોવા મળેલી સરેરાશ વિષમયુગ્મતા.
- સરેરાશ શોષણ પેઢી: જો શોષણ ન થાય, તો તે પહોંચ્યા નથી દર્શાવે છે.
સંભવિત ભૂલો અને ચેતવણીઓ
ખોટા ઇનપુટ્સ દાખલ કરવા પર સિમ્યુલેટર નીચેની ભૂલો દર્શાવશે:
- જો ઇનપુટ સંખ્યા ન હોય:
‹field›: “‹token›” એ સંખ્યા નથી. - જો અપૂર્ણાંક દાખલ કરવામાં આવે:
‹field›: પૂર્ણાંક સંખ્યા દાખલ કરો. - વસ્તી કદ મર્યાદા બહાર હોય:
અસરકારક વસ્તી કદ 1 થી 100,000 સુધીની પૂર્ણાંક સંખ્યા હોવી જોઈએ. - શરૂઆતની આવૃત્તિ મર્યાદા બહાર હોય:
શરૂઆતની એલીલ આવૃત્તિ બંને સીમાઓ સહિત 0 અને 1 ની વચ્ચે હોવી જોઈએ. - પેઢીઓ મર્યાદા બહાર હોય:
પેઢીઓ 1 થી 2,000 સુધીની પૂર્ણાંક સંખ્યા હોવી જોઈએ. - પ્રતિકૃતિઓ મર્યાદા બહાર હોય:
સ્વતંત્ર વસ્તી 1 થી 200 સુધીની પૂર્ણાંક સંખ્યા હોવી જોઈએ. - સીડ ખાલી હોય:
રેન્ડમ સીડ દાખલ કરો જેથી સિમ્યુલેશનનું પુનરાવર્તન કરી શકાય. - સીડ ખૂબ લાંબુ હોય:
રેન્ડમ સીડને 100 અથવા તેથી ઓછા અક્ષરો સુધી મર્યાદિત રાખો. - વર્કલોડ મર્યાદા ઓળંગાય ત્યારે:
આ સેટઅપ ‹draws› એલીલ-નકલ ડ્રોનું આયોજન કરે છે, જે બ્રાઉઝરની ‹limit› મર્યાદાથી વધુ છે. વસ્તીનું કદ, પેઢીઓ અથવા પુનરાવર્તનો ઘટાડો.
વારંવાર પૂછાતા પ્રશ્નો (FAQ)
પ્રશ્ન: મારે વસ્તી ગણતરીનું કદ દાખલ કરવું જોઈએ કે અસરકારક વસ્તી કદ? ઉત્તર: અસરકારક વસ્તી કદ, Ne દાખલ કરો: એક આદર્શ પ્રજનન વસ્તીનું કદ જે તમે અભ્યાસ કરવા માંગો છો તે વસ્તી જેટલા જ દરે ડ્રિફ્ટ થશે. જ્યારે જાતિ ગુણોત્તર, પ્રજનન સફળતા, વસ્તીની વધઘટ અથવા વસ્તીનું માળખું અસમાન હોય ત્યારે વસ્તી ગણતરીનું કદ ઘણું મોટું હોઈ શકે છે.
પ્રશ્ન: વિષમયુગ્મતા ઘટવા છતાં સરેરાશ એલીલ આવૃત્તિ p₀ ની નજીક કેમ રહી શકે છે? ઉત્તર: ઘણી સ્વતંત્ર વસ્તીમાં તટસ્થ ડ્રિફ્ટની કોઈ ચોક્કસ દિશા હોતી નથી, તેથી અપેક્ષા મુજબ સરેરાશ આવૃત્તિ p₀ રહે છે. જો કે, વ્યક્તિગત વસ્તી 0 અથવા 1 તરફ ફેલાય છે, અને બંને સીમાઓ પર વિષમયુગ્મતા શૂન્ય હોય છે. તેથી, સમગ્ર વસ્તીની સરેરાશ લગભગ યથાવત રહેવા છતાં પણ વિવિધતા નષ્ટ થાય છે.
પ્રશ્ન: શું અંતિમ ફિક્સેશનની તટસ્થ સંભાવના શરૂઆતની આવૃત્તિ જેટલી જ હોય છે? ઉત્તર: હા, કોઈ ઉત્પરિવર્તન અથવા સ્થળાંતર વિનાના આ તટસ્થ મોડેલમાં, p₀ આવૃત્તિથી શરૂ થતા એલીલની અંતિમ ફિક્સેશનની સંભાવના p₀ અને ગુમાવવાની સંભાવના 1 − p₀ છે. ઉપર દર્શાવેલા દરો માત્ર દાખલ કરેલી પેઢીઓ અને પુનરાવર્તનોની સંખ્યાને આવરી લે છે, તેથી તેઓ સીડ સાથે બદલાશે.
પ્રશ્ન: શું આનાથી વાસ્તવિક વસ્તી શું કરશે તેનું અનુમાન લગાવી શકાય છે? ઉત્તર: ના. તે જાણીજોઈને આદર્શ બનાવેલા તટસ્થ Wright–Fisher મોડેલ હેઠળના પરિણામો દર્શાવે છે. વાસ્તવિક અનુમાનો માટે અસરકારક કદના અને આ કેસ માટે મહત્વપૂર્ણ એવા કોઈપણ પસંદગી, ઉત્પરિવર્તન, સ્થળાંતર, બદલાતા વસ્તી કદ, ઓવરલેપિંગ પેઢીઓ, લિંકેજ અને વસ્તી માળખાના સમર્થનક્ષમ અંદાજોની જરૂર પડે છે.