Modèles de sélection naturelle et génétique

 La sélection naturelle est l’un des moteurs principaux de l’évolution biologique. Elle agit en favorisant la survie et la reproduction des individus porteurs d’allèles conférant un avantage adaptatif dans un environnement donné. La génétique moderne permet de modéliser ces processus avec précision, en reliant les effets des allèles sur la fitness aux variations de leurs fréquences au sein des populations. Les modèles de sélection naturelle et génétique constituent ainsi des outils essentiels pour comprendre comment les populations évoluent et s’adaptent.

Principes fondamentaux de la sélection naturelle

La sélection naturelle repose sur trois conditions principales :

• Variation phénotypique entre individus,

• Héritabilité de ces variations,

• Différences de survie ou de reproduction liées aux variations phénotypiques.

Ces conditions génèrent un tri naturel des allèles, favorisant ceux qui augmentent la fitness.

Modèle de sélection directionnelle

Ce modèle décrit une situation où un allèle confère un avantage constant, entraînant une augmentation progressive de sa fréquence dans la population. Par exemple, si l’allèle A améliore la survie, sa fréquence tend à passer de p à 1.

Le changement de fréquence peut être modélisé par :

$$\Delta p = \frac{p q (w_A - w_a)}{\bar{w}}$$

où $p$ et $q$ sont les fréquences des allèles, $w_A$ et $w_a$ les valeurs de fitness, et $\bar{w}$ la fitness moyenne.

Sélection stabilisante

Dans ce cas, la sélection favorise un phénotype intermédiaire, réduisant la variance phénotypique. Cela peut se modéliser par une diminution des fréquences des allèles extrêmes. La sélection stabilisante maintient la population autour d’un optimum adaptatif.

Sélection disruptive

La sélection disruptive favorise les phénotypes extrêmes au détriment des intermédiaires. Ce type de sélection peut entraîner une divergence génétique et favoriser la spéciation. Les modèles incorporent souvent des fonctions de fitness bimodales.

Modèles de dominance et de co-dominance

La dominance décrit l’interaction entre allèles au sein d’un locus. Selon que l’allèle avantageux soit dominant, récessif ou co-dominant, la dynamique des fréquences varie.

• Dominance complète : le génotype hétérozygote a la même fitness que l’homozygote dominant.

• Co-dominance : le génotype hétérozygote a une fitness intermédiaire.

• Dominance partielle ou absence de dominance : fitness des hétérozygotes entre les deux extrêmes.

Ces différences modifient la vitesse d’évolution des fréquences alléliques.

Sélection dépendante de la fréquence

Dans certains cas, la fitness d’un allèle dépend de sa fréquence dans la population :

• Sélection négative dépendante de la fréquence : un allèle rare a un avantage (par exemple, dans la lutte contre les parasites).

• Sélection positive dépendante de la fréquence : un allèle devient plus avantageux à mesure qu’il est fréquent.

Ces modèles introduisent des dynamiques complexes, parfois oscillatoires.

Sélection multi-locus et épistasie

La sélection peut aussi agir sur plusieurs loci simultanément, avec des interactions entre gènes (épistasie). Ces modèles sont plus complexes mais plus réalistes, car ils intègrent la génétique du phénotype complexe.

Les simulations informatiques sont souvent nécessaires pour étudier ces systèmes, particulièrement pour des traits quantitatifs.

Applications des modèles de sélection

• Compréhension de l’adaptation locale : les modèles expliquent comment des populations s’adaptent à différents environnements.

• Étude des maladies génétiques : certains allèles délétères sont maintenus par sélection équilibrante.

• Conservation : gestion génétique pour éviter la perte d’allèles avantageux.

• Amélioration génétique : sélection artificielle basée sur la génétique des populations.

Limites et développements futurs

Les modèles classiques reposent sur des hypothèses simplificatrices, comme la population panmictique, taille constante, et absence de mutation ou migration. La génomique moderne et la bioinformatique permettent désormais d’intégrer plus de paramètres et de modéliser des scénarios évolutifs complexes.