Milocco, Lisandro2022-09-072022-09-202022-09-072022-09-30http://hdl.handle.net/10138/347815Understanding the genotype-phenotype map (GPM), or how specific genetic variation relates to specific phenotypic variation, is a fundamental objective of biology. Particularly for the study of evolution, the GPM is important since it bridges genes, the heritable units, with the traits that interact with the environment and determine fitness. The applied field of quantitative genetics approximates the GPM using linear statistical models. This approximation is the basis of many important applications, including methods to predict the response to selection in a population. The other major field concerned with the GPM is evolutionary developmental biology or evo-devo, which studies the gene and cell interactions by which the phenotype is built through the process of development. A main result from this field is that the GPM is notoriously complex and nonlinear, with genetic effects being highly dependent on genetic background, biophysical factors and the environment. This can be in conflict with the linear approximation of quantitative genetics. Because evo-devo and quantitative genetics have developed independently, there is a gap in the understanding of how these conceptualizations of the GPM fit with each other, what are their limitations, and if there is a potential to improve our ability to make prediction about evolutionary systems by combining insights from both approaches. This thesis deals with these issues. The thesis can be divided in two parts. The first part consists of theoretical work studying in detail how quantitative genetics predictions and models behave under complex and nonlinear GPMs that arise from development. For this, I performed large-scale evolutionary simulations using a realistic representation of the GPM given by a computational model of tooth development. Using this set of simulations, I first studied how well the linear approximation of quantitative genetics is able to predict the response to selection. I found that predictions using the linear approximation can be biased when the GPM is nonlinear. In other words, there can be a significant part of the response to selection that is missed by the linear approximation. Using the same set of simulations, I studied how the linear approximation evolves in a complex GPM. I found that the evolutionary dynamics of the linear approximation are highly dependent on the GPM, and differ substantially from what is expected for a linear GPM. These dynamics are not purely stochastic, but rather deterministic ways in which the linear approximation changes as a reflection of the curvature of the GPM. In the second part of my thesis, I use the insight obtained in the first part to develop an applied method that uses techniques of quantitative genetics, combined with insight from evo-devo, to provide better predictions of evolutionary response to selection. The method uses a Kalman filter to combine information from selection acting on each generation, with information from the evolutionary time-series. I test the method with the simulated dataset using the model of tooth development, and also with an artificial selection experiment on the wing of the fruit fly, where 16000 flies were measured. The new method is able to improve predictions and is a promising path to combine knowledge from both fields studying the GPM. In this way, the work in this thesis shows that rather than being a nuisance, the nonlinear nature of the GPM contains information that can improve our understanding of evolutionary processes.Ett centralt mål inom biologin är att förstå hur genetisk variation är kopplad till fenotypisk variation, det så kallade genotyp-fenotypförhållandet eller GPM (genotype-phenotype map). För studiet av evolutionen är GPM viktig eftersom det kopplar ihop generna, som ärvs från en generation till nästa, med fenotyper, som är de egenskaperna hos organismen som interagerar med miljön och bestämmer fitness. Det finns två stora områden som studerar GPM. Å ena sidan finns det kvantitativ genetik, som approximerar GPM med linjära statistiska modeller. Denna approximation används i många viktiga tillämpningar inklusive metoder för att förutsäga evolution. Å andra sidan finns det evolutionär utvecklingsbiologi eller evo-devo, som studerar gen- och cellinteraktionerna genom vilka fenotypen byggs upp. Ett viktigt resultat från detta område är att GPM är komplex och olinjär, med genetiska effekter som är beroende av andra gener, biofysiska faktorer och miljön. Detta kan stå i konflikt med den linjära approximationen av kvantitativ genetik. I min doktorsavhandling undersöker jag hur idéerna om GPM som kommer från evo-devo och kvantitativ genetik passar ihop, vilka deras begränsningar är och om det är möjligt att kombinera båda områdena för att förbättra evolutionära förutsägelser. Avhandlingen är baserad på tre separata studier (artiklarna I–III). I den första artikeln undersökte jag hur väl kvantitativ-genetiska modeller kan förutsäga evolution i en komplex GPM genererad från en beräkningsmodell för tandutveckling. Med dessa simuleringar fann jag att evolutionära förutsägelser som använder kvantitativ genetik kan vara fel när GPM är olinjär. I den andra artikeln studerade jag hur den linjära approximationen förändras under evolutionen på en komplex GPM. Jag fann att dynamiken för den linjära approximationen beror starkt på GPM, och skiljer sig väsentligt från vad som förväntas för en linjär GPM. I den tredje artikeln utvecklade jag en metod som använder tekniker för kvantitativ genetik, kombinerat med insikt från evo-devo, för att ge bättre evolutionära förutsägelser. Jag testade metoden med ett urvalsexperiment på fruktflugans vinge, där 16 000 flugor mättes. Den nya metoden kan förbättra förutsägelser och är en lovande väg för att kombinera kunskap från båda områdena som studerar GPM.application/pdfengJulkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.Publikationen är skyddad av upphovsrätten. Den får läsas och skrivas ut för personligt bruk. Användning i kommersiellt syfte är förbjuden.evolutionary biology, Evo-DevoURN:ISBN:978-951-51-8488-7Doctoral dissertation (article-based)