Abstract Microbial communities are accompanied by a diverse array of viruses. Through infections of abundant microbes, these viruses have the potential to mediate competition within the community, effectively weakening competitive interactions and promoting coexistence. This is of particular relevance for host-associated microbial communities, since the diversity of the microbiota has been linked to host health and functioning. Here, we study the interaction between two key members of the microbiota of the freshwater metazoan Hydra vulgaris . The two commensal bacteria Curvibacter sp. and Duganella sp. protect their host from fungal infections, but only if both of them are present. Coexistence of the two bacteria is thus beneficial for Hydra . Intriguingly, Duganella sp. appears to be the superior competitor in vitro due to its higher growth rate when both bacteria are grown seperately, but in coculture the outcome of competition depends on the relative initial abundances of the two species. The presence of an inducible prophage in the Curvibacter sp. genome which is able to lytically infect Duganella sp., led us to hypothesise that the phage modulates the interaction between these two key members of the Hydra microbiota. Using a mathematical model we show that the interplay of the lysogenic life-cycle of the Curvibacter phage and the lytic life-cycle on Duganella sp. can explain the observed complex competitive interaction between the two bacteria. Our results highlight the importance of taking lysogeny into account for understanding microbe-virus interactions and show the complex role phages can play in promoting coexistence of their bacterial hosts.

Abstract In evolutionary biology, bet-hedging refers to a strategy that reduces the variance of reproductive success at the cost of reduced mean reproductive success. In unpredictably fluctuating environments, bet-hedgers benefit from higher geometric mean fitness despite having lower arithmetic mean fitness than their specialist competitors. We examine the extent to which sexual reproduction can be considered a type of bet-hedging, by clarifying past arguments, examining parallels and differences to evolutionary games, and by presenting a simple model examining geometric and arithmetic mean payoffs of sexual and asexual reproduction. Sex typically has lower arithmetic mean fitness than asex, while the geometric mean fitness can be higher if sexually produced offspring are not identical. However, asexual individuals that are heterozygotes can gain conservative bet-hedging benefits of similar magnitude while avoiding the costs of sex. This highlights that bet-hedging always has to be specified relative to the payoff structure of relevant competitors. It also makes it unlikely that sex, at least when associated with significant male production, evolves solely based on bet-hedging in the context of frequently and repeatedly occupied environmental states. Future work could usefully consider bet-hedging in open-ended evolutionary scenarios with de novo mutations.

Abstract Sexually antagonistic (SA) genetic variation—in which genotypes favoured in one sex are disfavoured in the other—is predicted to be common and has been documented in several animal and plant populations, yet we currently know little about its pervasiveness among species or its population genetic basis. Recent applications of genomics in studies of SA genetic variation have highlighted considerable methodological challenges to the identification and characterisation of SA genes, raising questions about the feasibility of genomic approaches for inferring SA selection. The related fields of local adaptation and statistical genomics have previously dealt with similar challenges, and lessons from these disciplines can therefore help overcome current difficulties in applying genomics to study SA genetic variation. Here, we integrate theoretical and analytical concepts from local adaptation and statistical genomics research—including F ST and F IS statistics, genome-wide association studies (GWAS), pedigree analyses, reciprocal transplant studies, and evolve-and-resequence (E&R) experiments—to evaluate methods for identifying SA genes and genome-wide signals of SA genetic variation. We begin by developing theoretical models for between-sex F ST and F IS , including explicit null distributions for each statistic, and using them to critically evaluate putative signals of sex-specific selection in previously published datasets. We then highlight new statistics that address some of the limitations of F ST and F IS , along with applications of more direct approaches for characterising SA genetic variation, which incorporate explicit fitness measurements. We finish by presenting practical guidelines for the validation and evolutionary analysis of candidate SA genes and discussing promising empirical systems for future work. Impact Summary Genome sequences carry a record of the evolutionary and demographic histories of natural populations. Research over the last two decades has dramatically improved our ability to detect genomic signals of adaptation by natural selection, including several widely-used methods for identifying genes underlying local adaptation and quantitative trait variation. Yet the application of these methods to identify sexually antagonistic (SA) genes—wherein variants that are adaptive for one sex are maladaptive for the other—remains under-explored, despite the potential importance of SA selection as a mechanism for maintaining genetic variation. Indeed, several lines of evidence suggest that SA genetic variation is common within animal and plant populations, underscoring the need for analytical methods that can reliably identify SA genes and genomic signals of SA genetic variation. Here, we integrate statistics and experimental designs that were originally developed within the fields of local adaptation and statistical genomics and apply them to the context of sex-specific adaptation and SA genetic variation. First, we evaluate and extend statistical methods for identifying signals of SA variation from genome sequence data alone. We then apply these methods to re-analyse previously published datasets on allele frequency differences between sexes—a putative signal of SA selection. Second, we highlight more direct approaches for identifying SA genetic variation, which utilise experimental evolution and statistical associations between individual genetic variants and fitness. Third, we provide guidelines for the biological validation, evolutionary analysis, and interpretation of candidate SA polymorphisms. By building upon the strong methodological foundations of local adaptation and statistical genomics research, we provide a roadmap for rigorous analyses of genetic data in the context of sex-specific adaptation, thereby facilitating insights into the role and pervasiveness of SA variation in adaptive evolution.

In this work, we study the effects of demographic structure on evolutionary dynamics, when selection acts on reproduction, survival, or both. In contrast with the previously discovered pattern that the fixation probability of a neutral mutant decreases while population becomes younger, we show that a mutant with constant selective advantage may have a maximum or a minimum of the fixation probability in populations with an intermediate fraction of young individuals. This highlights the importance of life history and demographic structure in studying evolutionary dynamics. We also illustrate the fundamental differences between selection on reproduction and on survival when age structure is present. In addition, we evaluate the relative importance of size and structure of the population in determining the fixation probability of the mutant. Our work lays the foundation for studying also density and frequency dependent effects in populations when demographic structures cannot be neglected.

After centuries of genetic studies, one of the most fundamental questions, i.e. in what cell types do DNA mutations regulate a phenotype, remains unanswered for most complex phenotypes. The current availability of hundreds of genome-wide association studies (GWASs) and single-cell RNA sequencing (scRNA-seq) of millions of cells provides a unique opportunity to address the question. In the present study, we firstly constructed an association landscape between over 20,000 single cell clusters and 997 complex phenotypes by a cross annotation framework with scRNA-seq expression profiles and GWAS summary statistics. We then performed an extensive overview of cell-type specificity and pleiotropy in human phenotypes and found most phenotypes (>90%) were moderately selectively associated with a limited number of cell types while a small fraction cell types (<10%) had strong pleiotropy in multiple phenotypes (~100). Moreover, we identified three cell type-phenotype mutual pleiotropy blocks in the landscape. The application of the single cell type-phenotype cross annotation framework (named SPA) also explained the T cell biased lymphopenia and suggested important supporting genes in severe COVID-19 from human genetics angle. All the cell type-phenotype association results can be queried and visualized at .

Abstract Linkage disequilibrium and disease-associated variants in non-coding regions make it difficult to distinguish truly associated genes from redundantly associated genes for complex diseases. In this study, we proposed a new conditional gene-based framework called MCGA that leveraged an improved effective chi-squared statistic to control the type I error rates and remove the redundant associations. MCGA initially integrated two conventional strategies to map genetic variants to genes, i.e., mapping a variant to its physically nearby gene and mapping a variant to a gene if the variant is a gene-level expression quantitative trait locus (eQTL) of the gene. We further performed a simulation study and demonstrated that the isoform-level eQTL was more powerful than the gene-level eQTL in the association analysis. Then the third strategy, i.e., mapping a variant to a gene if the variant is an isoform-level eQTL of the gene, was also integrated with MCGA. We applied MCGA to predict the potential susceptibility genes of schizophrenia and found that the potential susceptibility genes identified by MCGA were enriched with many neuronal or synaptic signaling-related terms in the Gene Ontology knowledgebase and antipsychotics-gene interaction terms in the drug-gene interaction database (DGIdb). More importantly, nine susceptibility genes were the target genes of multiple approved antipsychotics in DrugBank. Comparing the susceptibility genes identified by the above three strategies implied that strategy based on isoform-level eQTL could be an important supplement for the other two strategies and help predict more candidate susceptibility isoforms and genes for complex diseases in a multi-tissue context.