Effektiva modeller för genetisk dataanalys

Martina Favero som disputerade i matematisk statistik vid KTH 2021, har tack vare ett anslag från Knut och Alice Wallenbergs Stiftelse erhållit en postdoktoral tjänst hos professor Paul Jenkins vid University of Warwick, Coventry, Storbritannien.

Vad berätta DNA-sekvenser om människans historia? När tämjdes hästar? Hur snabbt muterar coronaviruset? Dessa är exempel på frågor som studeras inom populationsgenetiken. Området skapades genom en förening av två skenbart oförenliga teorier från mitten av 1800-talet: Darwins evolutionslära, som bygger på naturligt urval och slumpen, och Mendels arvsmodeller för hur egenskaper ärvs från föräldrar till barn.

I början av 1900-talet tillkom de matematiska modeller för populationsgenetik som används än idag. Modellerna slog samman båda teorierna för att förklara hur en populations genetiska sammansättning utvecklas över tid under påverkan av naturligt urval, mutationer, parning, migration och annat. Slumpen spelar stor roll för utvecklingen av en population, så sannolikhetsteorin är ett värdefullt verktyg för att till exempel avgöra hur genetiska egenskaper varierar i en population.

Trots att det idag finns ett antal välfungerande metoder för att analysera genetiska data, så utmanas de av den enorma mängden data som har blivit tillgängliga genom framstegen inom sekvenseringsteknologin för DNA. Detta utgör ett problem för de klassiska statistiska metoderna, eftersom de befintliga algoritmerna ofta leder till   praktiskt ogörliga beräkningar, eller så ger de opålitliga uppskattningar. Därför måste de klassiska metoderna bli bättre samtidigt som nya modeller behöver utvecklas. Syftet med Martina Faveros projekt är att skapa nya matematiska metoder för effektivare och mer tillförlitliga beräkningar inom populationsgenetiken.