ขีดจำกัดความผิดพลาดสำหรับหน่วยที่จำลองตัวเองได้เดี่ยว

สำหรับหน่วยที่จำลองตัวเองได้เดี่ยว เช่น RNA หรือจีโนมอย่างง่าย ความแม่นยำในการคัดลอกที่จำกัดทำให้มีข้อจำกัดพื้นฐานต่อปริมาณข้อมูลทางพันธุกรรมที่สามารถรักษาไว้ได้ ข้อจำกัดนี้คือ ขีดจำกัดความผิดพลาด: อัตราการกลายพันธุ์สูงสุดต่อเบส (μ) ที่ลำดับฟังก์ชันยังสามารถถ่ายทอดได้อย่างเสถียร ขีดจำกัดนี้ถูกกำหนดร่วมกันโดยความแม่นยำในการจำลองตัวเองและความยาวของลำดับ L ในภาพลักษณ์ของหน่วยเดี่ยวในอุดมคติ ความเสถียรต้องให้ μ ดังนั้นความยาวเสถียรสูงสุดจึงมีสเกลเป็น Lₘₐₓ ≈ 1/μ เทียบเท่ากัน ความน่าจะเป็นของการจำลองตัวเองที่ปราศจากข้อผิดพลาดของลำดับความยาว L คือ qᴸ โดย q คือความแม่นยำต่อตำแหน่ง เมื่อ L เพิ่มขึ้น qᴸ จะลดลงแบบเอกซ์โพเนนเชียล และที่ μ จะถึงขีดจำกัดความผิดพลาด

ต่ำกว่าขีดจำกัด การคัดเลือกสามารถรักษาลำดับฟังก์ชันไว้ได้แม้มีการกลายพันธุ์ซ้ำ ๆ และประชากรถูกอธิบายด้วยการกระจายตัวแบบควอซีสปีชีส์ที่ศูนย์กลางอยู่ที่ลำดับมาสเตอร์ เหนือขีดจำกัด การกลายพันธุ์สะสมเร็วกว่าที่การคัดเลือกจะกำจัดออกได้ ข้อมูลดั้งเดิมสูญหาย และประชากรเข้าสู่สภาวะที่การกลายพันธุ์ครอบงำ เรียกว่า หายนะจากความผิดพลาด นี่เป็นข้อจำกัดของหน่วยจำลองตัวเองเดี่ยว ไม่ใช่สมบัติของเครือข่ายไฮเปอร์ไซเคิล และเป็นการวางคอขวดทางข้อมูลที่การจัดระเบียบโมเลกุลขนาดใหญ่กว่าต้องเอาชนะ

นัยสำคัญที่สำคัญ

การพึ่งพาร่วมกัน: ขีดจำกัดขึ้นอยู่กับทั้งความแม่นยำในการจำลองตัวเองและความยาวของลำดับ ลำดับที่ยาวกว่าต้องการอัตราการกลายพันธุ์ต่อเบสที่ต่ำกว่า
ข้อจำกัดทางข้อมูล: สำหรับความแม่นยำที่กำหนด ความยาวสูงสุดที่รักษาไว้ได้คือ Lₘₐₓ ≈ 1/μ
สมดุลระหว่างการคัดเลือกกับการกลายพันธุ์: ต่ำกว่าขีดจำกัด การคัดเลือกยังคงรักษาลำดับฟังก์ชัน เหนือขีดจำกัดจะเกิดหายนะจากความผิดพลาด
เหตุผลจูงใจในการรวมหน่วย: เนื่องจากหน่วยเดี่ยวไม่สามารถรักษาข้อมูลได้เพียงพอสำหรับฟังก์ชันที่ซับซ้อน การรวมเอนทิตีที่จำลองตัวเองได้หลายตัว (เช่น ในไฮเปอร์ไซเคิล) จึงกลายเป็นสิ่งจำเป็น

หมายเหตุทางประวัติศาสตร์

แนวคิดขีดจำกัดความผิดพลาดถูกกำหนดขึ้นอย่างเป็นทางการโดย Manfred Eigen ในปี 1971 และพัฒนาต่อร่วมกับ Peter Schuster แนวคิดนี้ให้พื้นฐานเชิงปริมาณสำหรับขนาดจีโนมสูงสุดของตัวจำลองตัวเองในยุคแรก และจูงใจให้เกิดไฮเปอร์ไซเคิลในฐานะวิธีการเอาชนะข้อจำกัดนี้

ขอบเขตขีดจำกัดความผิดพลาด

กราฟแสดงความยาวลำดับเสถียรสูงสุด Lₘₐₓ เทียบกับอัตราการกลายพันธุ์ต่อเบส μ ขอบเขตไฮเพอร์โบลิก Lₘₐₓ ≈ 1/μ แยกพื้นที่การรักษาข้อมูลอย่างเสถียร (ด้านล่าง) ออกจากสภาวะหายนะจากความผิดพลาด (ด้านบน) เส้นแนวนอนที่ค่า L หนึ่งจะตัดกับเส้นโค้งที่ค่า μ วิกฤต

คำถาม 1

ขีดจำกัดความผิดพลาดสำหรับหน่วยจำลองตัวเองเดี่ยวคืออะไร?

อัตราการกลายพันธุ์ต่อเบสสูงสุดที่ข้อมูลของลำดับยังสามารถรักษาไว้ได้

อัตราที่การกลายพันธุ์ที่เป็นประโยชน์สะสมในประชากร

จำนวนข้อผิดพลาดในการคัดลอกโดยเฉลี่ยที่เกิดขึ้นต่อรอบการจำลองตัวเอง

ขนาดจีโนมที่เล็กที่สุดที่สามารถเข้ารหัสเอนไซม์รีพลิเคส

คำถาม 2

หากอัตราการกลายพันธุ์ต่อเบสคือ

⁻⁴ และความยาวจีโนมคือ

⁴ สถานะของตัวจำลองตัวเองโดยประมาณเป็นอย่างไร?

ไม่ได้รับผลกระทบ เพราะอัตราการกลายพันธุ์ไม่ขึ้นกับความยาว

เสถียร เพราะ μ

อยู่ที่ขีดจำกัดความผิดพลาด เพราะ μ

อยู่ในสภาวะหายนะจากความผิดพลาด เพราะ μ

คำถาม 3

ความน่าจะเป็นของการจำลองตัวเองที่ปราศจากข้อผิดพลาดของลำดับความยาว L ที่มีความแม่นยำต่อตำแหน่ง q คือ:

1 − (q × L)

L × q

qᴸ

คำถาม 4

เกิดอะไรขึ้นเมื่ออัตราการกลายพันธุ์เกินขีดจำกัดความผิดพลาด?

การจำลองตัวเองกลายเป็นปราศจากข้อผิดพลาดเพื่อชดเชย

การกลายพันธุ์สะสมจนกระทั่งข้อมูลดั้งเดิมสูญหาย

ประชากรลู่เข้าสู่ลำดับเด่นเพียงหนึ่งเดียว

การคัดเลือกแข็งแกร่งขึ้นและฟื้นฟูลำดับมาสเตอร์

คำถาม 5

เหตุใดขีดจำกัดความผิดพลาดจึงจูงใจให้เกิดความจำเป็นในการจัดระเบียบแบบไฮเปอร์ไซเคิล?

ไฮเปอร์ไซเคิลจำลองตัวเองด้วยความแม่นยำต่อเบสที่สูงกว่า

ไฮเปอร์ไซเคิลเข้ารหัสจีโนมที่สั้นกว่าตัวจำลองตัวเองแบบแยกเดี่ยว

ตัวจำลองตัวเองแบบแยกเดี่ยวถูกจำกัดด้วยความเร็วในการจำลองตัวเอง

หน่วยจำลองตัวเองเดี่ยวไม่สามารถบรรทุกข้อมูลได้เพียงพอสำหรับฟังก์ชันที่ซับซ้อน

กรณีศึกษา: ขีดจำกัดความผิดพลาดของตัวจำลองตัวเอง RNA

ประยุกต์ใช้แนวคิดขีดจำกัดความผิดพลาดกับตัวจำลองตัวเอง RNA สมมติ

พิจารณาตัวจำลองตัวเอง RNA สายเดี่ยวที่มีความยาว

นิวคลีโอไทด์ ความแม่นยำในการจำลองตัวเองต่อนิวคลีโอไทด์คือ

ดังนั้นอัตราการกลายพันธุ์ต่อเบสคือ

สมมติว่าเงื่อนไขขีดจำกัดความผิดพลาดคือ μ

ข้อ

คำนวณ μ L สำหรับตัวจำลองตัวเองนี้ อยู่ต่ำกว่า อยู่ที่ หรืออยู่เหนือขีดจำกัดความผิดพลาด? สิ่งนี้บ่งบอกอะไรเกี่ยวกับการรักษาข้อมูลอย่างเสถียรของมัน?

คำตอบ:
μ

ดังนั้นจึงอยู่ที่ขีดจำกัดความผิดพลาดพอดี ความน่าจะเป็นของการจำลองตัวเองที่ปราศจากข้อผิดพลาดคือ qᴸ = 0.999¹⁰⁰⁰ ≈ e⁻¹ ≈ 0.37 หมายความว่ามีเพียงประมาณ 37% ของทายาทที่เป็นสำเนาถูกต้อง ความเสถียรอยู่ในระดับก้ำกึ่ง การเพิ่มขึ้นใด ๆ ของ L หรือ μ จะผลักให้เข้าสู่หายนะจากความผิดพลาด

ข้อ

สมมติว่าการกลายพันธุ์ที่เป็นประโยชน์ทำให้ความยาวของตัวจำลองตัวเองเพิ่มเป็นสองเท่าเป็น

ในขณะที่ยังคงความแม่นยำเดิม

μ L ใหม่คือเท่าไร? เกิดอะไรขึ้นกับประชากร? การจัดระเบียบแบบไฮเปอร์ไซเคิลจะช่วยเอาชนะข้อจำกัดนี้ได้อย่างไร?

คำตอบ:
μ ใหม่

ดังนั้นตัวจำลองตัวเองอยู่เหนือขีดจำกัดความผิดพลาด การกลายพันธุ์สะสมเร็วกว่าที่การคัดเลือกจะกำจัดได้ นำไปสู่หายนะจากความผิดพลาดและการสูญหายของข้อมูลดั้งเดิม ไฮเปอร์ไซเคิลสามารถช่วยได้โดยการรวมตัวจำลองตัวเองหลาย ๆ ตัวเข้าด้วยกัน หากแต่ละหน่วยสั้นกว่า (เช่น

แต่ละหน่วยสามารถรักษาข้อมูลของตัวเองได้ และการเชื่อมโยงเชิงตัวเร่งปฏิกิริยาระหว่างกันสามารถเข้ารหัสจีโนมฟังก์ชันที่ใหญ่ขึ้นได้โดยร่วมกัน กระจายภาระข้อมูลอย่างมีประสิทธิผล และเอาชนะขีดจำกัดความผิดพลาดของหน่วยเดี่ยว