فرایند مورن

از ویکی‌پدیا، دانشنامهٔ آزاد
پرش به ناوبری پرش به جستجو

فرایند مورن یا مدل مورن، (به انگلیسی: Moran process or Moran model) یک فرایند تصادفی ساده است که در زیست‌شناسی برای توصیف جمعیت‌های محدود از آن استفاده می‌شود. این فرایند پس از پاتریک مورن، که برای اولین بار این مدل را در سال ۱۹۵۸ پیشنهاد کرد، نام‌گذاری شد.[۱] از این فرایند می‌توان برای مدل کردن فرایندهای افزاینده‌ی-انواع مانند جهش و تأثیرات کاهنده‌ی-انواع مانند رانش ژنتیکی و انتخاب طبیعی استفاده کرد. فرایند مورن می‌تواند پویایی احتمالاتی را در یک جمعیت محدود با اندازهٔ ثابت N که در آن دو آلل A و B در حال رقابت برای غلبه هستند، توصیف کند. این دو آلل همتاساز واقعی - موجوداتی که رونوشت‌هایی از خودشان درست می‌کنند - در نظر گرفته شده‌اند.

در هر گام زمانی، یک موجود (که از یکی از گونه‌های A یا B است) به‌طور تصادفی برای تولید مثل و یک موجود به‌طور تصادفی برای مرگ انتخاب می‌شود؛ بنابراین از ثابت ماندن اندازهٔ جمعیت اطمینان حاصل می‌شود. برای انتخاب از میان موجودات لازم است احتمال انتخاب موجودات با سازگاری بیشتر، بیشتر باشد. یک موجود یکسان می‌تواند در یک گام هم برای مرگ و هم تولید مثل انتخاب شود.

رانش خنثی[ویرایش]

وجود رانش خنثی بر اساس این باور است که یک جهش خنثی می‌تواند در سرتاسر یک جمعیت پخش شود به‌طوری‌که نهایتاً منجر به گم شدن آلل اصلی بشود. یک جهش خنثی سازگاری موجود با محیط را نسبت به حالت قبلی افزایش یا کاهش نمی‌دهد. فرایند مورن می‌تواند این پدیده را توصیف کند.

اگر تعداد موجودات گونهٔ A با i مشخص شده باشد، بنابراین فرایند مورن روی فضای حالت i = ۰, … , N تعریف می‌شود. از آنجایی که تعداد موجودات A حداکثر به اندازهٔ یکی در هر گام زمانی تغییر می‌کند، فقط یک‌گذار بین دو حالت i و i - 1 و دو حالت i و i + 1 وجود دارد؛ بنابراین ماتریس‌گذار این فرایند تصادفی، یک ماتریس سه‌قطری است و احتمال‌های آن از روابط زیر به دست می‌آیند:

نشان دهنده احتمال رفتن از حالت i به حالت j است. برای درک روابط احتمال‌های گذار، باید به تعریف فرایند رجوع شود که در آن همیشه یک موجود برای تولید مثل و یک موجود برای مرگ انتخاب می‌شود. از آنجایی که فرایند چندین جهش را مدل نمی‌کند، زمانی که همهٔ موجودات گونهٔ A بمیرند، هرگز دوباره در جمعیت مطرح نمی‌شوند و برعکس؛ بنابراین . به دلیل مشابه اندازهٔ جمعیت موجودات A زمانی که به N برسد و کل جمعیت را فرا بگیرد، همیشه N می‌ماند؛ بنابراین . حالت‌های ۰ و N، جذب‌کننده و حالت‌های ۱, … , N − ۱ گذرا نامیده می‌شود. احتمال‌های‌گذار میانی می‌توانند با در نظر گرفتن اولین جمله به عنوان احتمال انتخاب فردی که فراوانی گونهٔ آن یکی افزایش می‌یابد و جملهٔ دوم به عنوان احتمال انتخاب یک موجود از موجودات آن گونه برای مرگ، توجیه شوند. بدیهی است که اگر دو موجود انتخاب شده برای تولید مثل و مرگ هر دو از یک گونه باشند، تعداد موجودات گونه‌ها تغییری نمی‌کند.

در نهایت جمعیت به یکی از حالات جذب‌کننده می‌رسد و تا ابد در آن حالت می‌ماند. در حالت‌های گذرا، نوسانات تصادفی رخ می‌دهد ولی نهایتاً جمعیت A یا منقرض می‌شود یا به تثبیت می‌رسد. این یکی از مهم‌ترین تفاوت‌ها با فرایندهای قطعیست که نمی‌توانند رخدادهای تصادفی را مدل کنند. امیدریاضی و واریانس تعداد افراد گونهٔ A، X(t)، در زمان t، هنگامی که حالت اولیهٔ X(0) = i داده شده باشد به صورت زیر محاسبه می‌شود:

احتمال رسیدن A به تثبیت، احتمال تثبیت خوانده می‌شود. برای یک فرایند مورن ساده این احتمال برابر xi = i/N. است.

از آنجایی که تمامی افراد جمعیت سازگاری یکسانی دارند، تمام آن‌ها شانس یکسانی برای این که جد کل جمعیت باشند، دارند. این احتمال برابر 1/N است و بنابراین جمع این احتمال برای کل افراد گونهٔ A برابر i/N. است. زمان متسط رسیدن به حالت جذب از حالت i در رابطهٔ زیر ارائه شده‌است:

برای Nهای بزرگ تقریب زیر برقرار است:

انتخاب طبیعی[ویرایش]

اگر یک آلل نسبت به آلل دیگر مزیت سازگاری بیشتر را داشته باشد، احتمال انتخاب شدن آن برای تولید مثل افزایش می‌یابد. این نکته می‌تواند با در نظر گرفتن مقدار سازگاری برای موجودات گونهٔ A و میزان سازگاری برای موجودات گونهٔ B که در آن i برابر تعداد موجودات گونهٔ A در حالت کنونی باشد، در مدل داخل شود. ماتریس‌گذار فرایند تصادفی به صورت سه-قطری و احتمال‌های‌گذار به صورت زیر خواهند بود:

در این روابط دیگر ، i / N نیست، بلکه به میزان سازگاری گونهٔ A بستگی دارد و بنابراین به صورت زیر است:

همچنین در این مورد، احتمال‌های تثبیت با شروع از حالت i به صورت رابطهٔ بازگشتی زیر تعریف می‌شود:

که رابطهٔ بستهٔ آن به صورت زیر است:

در این رابطه تعریف شده‌است.

منابع[ویرایش]

  1. Moran, P. A. P. (1958). "Random processes in genetics". Mathematical Proceedings of the Cambridge Philosophical Society. 54 (1): 60–71. doi:10.1017/S0305004100033193.