Abstract The eco-evolutionary history of penguins is profoundly influenced by their shift from temperate to cold environments. Breeding only in Antarctica during the winter, the Emperor penguin appears as an extreme outcome of this process, with unique features related to insulation, heat production and energy management. However, whether this species actually diverged from a less cold-adapted ancestor, thus more similar in ecology to its sister species, the King penguin, is still an open question. As the Antarctic niche shift likely resulted in vast changes in selective pressure experienced by the Emperor penguin, the identification and relative quantification of the genomic signatures of selection, unique to each of these sister species, could answer this question. Applying a suite of phylogeny-based methods on 7,651 orthologous gene alignments of seven penguins and 13 other birds, we identified a set of candidate genes showing significantly different selection regimes either in the Emperor or in the King penguin lineage. Our comparative approach unveils a more pervasive selection shift in the Emperor penguin, supporting the hypothesis that its extreme cold adaptation is a derived state from a more King penguin-like ecology. Among the candidate genes under selection in the Emperor penguin, four genes (TRPM8, LEPR, CRB1, and SFI1) were identified before in other cold adapted vertebrates, while, on the other hand, 161 genes can be assigned to functional pathways relevant to cold adaptation (e.g., cardiovascular system, lipid, fatty acid and glucose metabolism, insulation, etc.). Our results show that extreme cold adaptation in the Emperor penguin largely involved unique genetic options which, however, affect metabolic and physiological traits common to other cold-adapted homeotherms.

Abstract Purifying selection is the most pervasive type of selection, as it constantly removes deleterious mutations arising in populations, directly scaling with population size. Highly expressed genes appear to accumulate fewer deleterious mutations between divergent species’ lineages, pointing towards gene expression as an additional driver of purifying selection. However, estimates of the effect of gene expression on segregating deleterious variants in natural populations are lacking, as well as an understanding of the relative contribution of population size and gene expression to overall purifying selection pressure. Here, we analyse genomic and transcriptomic data from two natural populations of closely related sister species with different demographic histories, the Emperor ( Aptenodytes forsteri ) and the King penguins ( A. patagonicus), and demonstrate that purifying selection at the population-level depends on the level of gene expression, with larger effects than population size. Deleterious segregating variants spread less in the population when they are in genes with higher expression rate. Leveraging realistic forward simulations, we estimate that the top 10% of the most highly expressed genes in a genome experience a selection pressure corresponding to an average selection coefficient of −0.1, which decreases to a selection coefficient of −0.01 for the top 50%. Gene expression appears to be a fundamental driver of purifying selection in natural populations, also effective at small population size. We suggest gene expression could be used as a proxy for gene selection coefficients ( i.e. , distribution of fitness effects), which are notoriously difficult to derive in non-model species under real-world conditions.

Gene expression can accelerate ecological divergence by rapidly tweaking the response of an organism to novel environments, with more divergent environments exerting stronger selection and, supposedly, requiring faster adaptive responses. Organisms adapted to extreme environments provide ideal systems to test this hypothesis, particularly when compared to related species with milder ecological niches. The Emperor penguin (Aptenodytes forsteri) is the only warm-blooded vertebrate breeding in the harsh Antarctic winter, in stark contrast with the less cold-adapted sister species, the King penguin (A. patagonicus). Assembling the first de novo transcriptomes and analysing multi-tissue (brain, kidney, liver, muscle, skin) RNAseq data from natural populations of both species, we quantified the shifts in tissue-enhanced genes, co-expression gene networks, and differentially expressed genes characterising Emperor penguin adaptation to extreme Antarctic ecology. Our analyses revealed the crucial role played by muscle and liver in temperature homeostasis, fasting and whole-body energy metabolism (glucose/insulin regulation, lipid metabolism, fatty acid beta-oxidation, and blood coagulation). Repatterning at the regulatory level appears as more important in the brain of the Emperor penguin, showing the lowest signature of differential gene expression but the largest co-expression gene network shift. Nevertheless, over-expressed genes related to mTOR signalling in the brain and the liver support their central role in cold and fasting responses. Besides contributing to understanding the genetics underlying complex traits, like body energy reservoir management, our results provide a first insight into the role of gene expression in adaptation to one of the most extreme environmental conditions endured by an endotherm.

Abstract Automatic monitoring of wildlife is becoming a critical tool in the field of ecology. In particular, Radio-Frequency IDentification (RFID) is now a widespread technology to assess the phenology, breeding, and survival of many species. While RFID produces massive datasets, no established fast and accurate methods are yet available for this type of data processing. Deep learning approaches have been used to overcome similar problems in other scientific fields and hence might hold the potential to overcome these analytical challenges and unlock the full potential of RFID studies. We present a deep learning workflow, coined “RFIDeep”, to derive ecological features, such as breeding status and outcome, from RFID mark-recapture data. To demonstrate the performance of RFIDeep with complex datasets, we used a long-term automatic monitoring of a long-lived seabird that breeds in densely packed colonies, hence with many daily entries and exits. To determine individual breeding status and phenology and for each breeding season, we first developed a one-dimensional convolution neural network (1D-CNN) architecture. Second, to account for variance in breeding phenology and technical limitations of field data acquisition, we built a new data augmentation step mimicking a shift in breeding dates and missing RFID detections, a common issue with RFIDs. Third, to identify the segments of the breeding activity used during classification, we also included a visualisation tool, which allows users to understand what is usually considered a “black box” step of deep learning. With these three steps, we achieved a high accuracy for all breeding parameters: breeding status accuracy = 96.3%; phenological accuracy = 86.9%; breeding success accuracy = 97.3%. RFIDeep has unfolded the potential of artificial intelligence for tracking changes in animal populations, multiplying the benefit of automated mark-recapture monitoring of undisturbed wildlife populations. RFIDeep is an open source code to facilitate the use, adaptation, or enhancement of RFID data in a wide variety of species. In addition to a tremendous time saving for analyzing these large datasets, our study shows the capacities of CNN models to autonomously detect ecologically meaningful patterns in data through visualisation techniques, which are seldom used in ecology.