3
Aplicação de q̄m, σm e vm para Prever a Perda de Informação
HYC-1979 Lesson 3: Error Threshold and Early Replicative Units
00:00

No Ăąmbito do modelo de quasispĂ©cies e organização constante, a persistĂȘncia de uma sequĂȘncia com significado Ă© prevista pelo produto q̄ₘvₘ σₘ. Esta Ășnica grandeza combina fidelidade de cĂłpia, vantagem seletiva e comprimento da sequĂȘncia numa regra de decisĂŁo para a manutenção da informação.

Curvas de Estabilidade do Limiar de Erro Comprimento mantĂ­vel vₘ em função da precisĂŁo de cĂłpia por sĂ­mbolo q̄ₘ para σₘ = 10, 100 e 1000 0.995 0.996 0.997 0.998 0.999 1.000 0 2000 4000 6000 8000 q̄ₘ (precisĂŁo de cĂłpia por sĂ­mbolo) vₘ (comprimento mantĂ­vel) vₘₐₓ = ln σₘ / (1 − q̄ₘ) σₘ = 10 σₘ = 100 σₘ = 1000 Informação perdida acima de todas as curvas Mantida abaixo de todas as curvas CritĂ©rio de DecisĂŁo q̄ₘvₘ σₘ > 1 manter q̄ₘvₘ σₘ = 1 limiar q̄ₘvₘ σₘ < 1 perda RegiĂ”es perda para qualquer σₘ depende de σₘ mantida para qualquer σₘ Verificação PrĂĄtica σₘ = 100, q̄ₘ = 0,999 vₘ = 4000 → 1,8 > 1 mantida vₘ = 5000 → 0,67 < 1 perdida

Conceitos Fundamentais

  • q̄ₘ Ă© a precisĂŁo mĂ©dia de cĂłpia por sĂ­mbolo ou nucleĂłtido. A probabilidade de copiar fielmente toda a sequĂȘncia de vₘ sĂ­mbolos Ă© q̄ₘvₘ, pelo que as penalizaçÔes de fidelidade crescem exponencialmente com o comprimento da sequĂȘncia.
  • σₘ Ă© a vantagem seletiva da sequĂȘncia com significado em relação aos seus mutantes. Um σₘ maior eleva a carga mutacional tolerada e permite sequĂȘncias mantĂ­veis mais longas.
  • vₘ Ă© o comprimento da sequĂȘncia ou o nĂșmero de sĂ­mbolos que devem ser mantidos. Um vₘ maior aumenta o alvo mutacional e reduz a taxa de erro mĂĄxima tolerĂĄvel por sĂ­mbolo.

Critério de Decisão

Mantenha a informação se q̄ₘvₘ σₘ > 1. Perca a informação se q̄ₘvₘ σₘ < 1. A igualdade define o limiar de erro. Para q̄ₘ prĂłximo de 1, o comprimento mĂĄximo mantĂ­vel Ă© aproximadamente vₘₐₓ ≈ ln σₘ / (1 − q̄ₘ), evidenciando o compromisso entre fidelidade, vantagem seletiva e comprimento.

Exemplo

Para σₘ = 100 e q̄ₘ = 0,999, vₘₐₓ ≈ sĂ­mbolos. Uma sequĂȘncia de vₘ = 4000 dĂĄ q̄ₘvₘ σₘ ≈ , pelo que a informação Ă© mantida. Uma sequĂȘncia de vₘ = 5000 dĂĄ q̄ₘvₘ σₘ ≈ , pelo que a informação Ă© perdida.

Pressupostos e LimitaçÔes

Esta previsĂŁo aplica-se a uma sequĂȘncia dominante com significado sob organização constante e sem recombinação nem compartimentação. PrevĂȘ a deslocalização das quasispĂ©cies, e nĂŁo a degradação fĂ­sica. Maior q̄ₘ, maior σₘ ou menor vₘ favorecem a manutenção; menor q̄ₘ, seleção mais fraca ou maior vₘ favorecem a perda.

CompreensĂŁo do Limiar de Erro
O produto q̄ₘvₘ σₘ nĂŁo Ă© apenas uma pontuação; Ă© um limiar. Quando desce abaixo de 1, a seleção jĂĄ nĂŁo consegue manter a sequĂȘncia selvagem contra a nuvem de mutantes, e a população deslocaliza-se no espaço de sequĂȘncias.