Strong selection can cause rapid evolutionary change, but temporal fluctuations in the form, direction and intensity of selection can limit net evolutionary change over longer time periods. Fluctuating selection could affect molecular diversity levels and the evolution of plasticity and ecological specialization. Nonetheless, this phenomenon remains understudied, in part because of analytical limitations and the general difficulty of detecting selection that does not occur in a consistent manner. Herein, I fill this analytical gap by presenting an approximate Bayesian computation (ABC) method to detect and quantify fluctuating selection on polygenic traits from population-genomic time-series data. I propose a model for environment-dependent phenotypic selection. The evolutionary genetic consequences of selection are then modeled based on a genotype-phenotype map. Using simulations, I show that the proposed method generates accurate and precise estimates of selection when the generative model for the data is similar to the model assumed by the method. Performance of the method when applied to an evolve-and-resequence study of host adaptation in the cowpea seed beetle (Callosobruchus maculatus) was more idiosyncratic and depended on specific analytical choices. Despite some limitations, these results suggest the proposed method provides a powerful approach to connect causes of (variable) selection to traits and genome-wide patterns of evolution. Documentation and open source computer software (fsabc) implementing this method are available from GitHub (https://github.com/zgompert/fsabc.git).

中文翻译：

---

估计异质环境中多基因性状选择的群体基因组方法

强选择会导致快速的进化变化，但是选择形式，方向和强度的时间波动会限制较长时间的净进化变化。选择的波动可能会影响分子多样性水平以及可塑性和生态专业化的演变。尽管如此，这种现象仍未得到充分研究，部分原因是分析方面的局限性以及检测未以一致方式发生的选择的一般困难。在本文中，我通过提出一种近似贝叶斯计算（ABC）方法来检测和量化来自种群基因组时间序列数据的多基因性状的波动选择，从而填补了这一分析空白。我提出了一个用于环境依赖性表型选择的模型。然后基于基因型-表型图对选择的进化遗传后果进行建模。通过仿真，我表明，当数据的生成模型与该方法假设的模型相似时，所提出的方法会生成准确而精确的选择估计。当该方法应用于the豆种子甲虫（Callosobruchus maculatus）宿主适应性的进化和序列研究时，该方法的性能更具特色，并取决于特定的分析选择。尽管有一些限制，但这些结果表明，所提出的方法提供了一种强有力的方法，可以将（可变）选择的原因与性状和全基因组进化模式联系起来。可从GitHub（https://github.com/zgompert/fsabc.git）获得实现此方法的文档和开源计算机软件（fsabc）。通过仿真，我表明，当数据的生成模型与该方法假设的模型相似时，所提出的方法会生成准确而精确的选择估计。当该方法应用于the豆种子甲虫（Callosobruchus maculatus）宿主适应性的进化和序列研究时，该方法的性能更具特色，并取决于特定的分析选择。尽管有一些限制，但这些结果表明，所提出的方法提供了一种强有力的方法，可以将（可变）选择的原因与性状和全基因组进化模式联系起来。可从GitHub（https://github.com/zgompert/fsabc.git）获得实现此方法的文档和开源计算机软件（fsabc）。通过仿真，我表明，当数据的生成模型与该方法假设的模型相似时，所提出的方法会生成准确而精确的选择估计。当该方法应用于the豆种子甲虫（Callosobruchus maculatus）宿主适应性的进化和序列研究时，该方法的性能更具特色，并取决于特定的分析选择。尽管有一些限制，但这些结果表明，所提出的方法提供了一种强有力的方法，可以将（可变）选择的原因与性状和全基因组进化模式联系起来。可从GitHub（https://github.com/zgompert/fsabc.git）获得实现此方法的文档和开源计算机软件（fsabc）。我表明，当数据的生成模型与该方法假设的模型相似时，提出的方法会生成准确而精确的选择估计。当该方法应用于the豆种子甲虫（Callosobruchus maculatus）宿主适应性的进化和序列研究时，该方法的性能更具特色，并取决于特定的分析选择。尽管有一些限制，但这些结果表明，所提出的方法提供了一种强有力的方法，可以将（可变）选择的原因与性状和全基因组进化模式联系起来。可从GitHub（https://github.com/zgompert/fsabc.git）获得实现此方法的文档和开源计算机软件（fsabc）。我表明，当数据的生成模型与该方法假设的模型相似时，提出的方法会生成准确而精确的选择估计。当该方法应用于the豆种子甲虫（Callosobruchus maculatus）宿主适应性的进化和序列研究时，该方法的性能更具特色，并取决于特定的分析选择。尽管有一些限制，但这些结果表明，所提出的方法提供了一种强有力的方法，可以将（可变）选择的原因与性状和全基因组进化模式联系起来。可从GitHub（https://github.com/zgompert/fsabc.git）获得实现此方法的文档和开源计算机软件（fsabc）。当该方法应用于the豆种子甲虫（Callosobruchus maculatus）宿主适应性的进化和序列研究时，该方法的性能更具特色，并取决于特定的分析选择。尽管有一些限制，但这些结果表明，所提出的方法提供了一种强有力的方法，可以将（可变）选择的原因与性状和全基因组进化模式联系起来。可从GitHub（https://github.com/zgompert/fsabc.git）获得实现此方法的文档和开源计算机软件（fsabc）。当该方法应用于the豆种子甲虫（Callosobruchus maculatus）宿主适应性的进化和序列研究时，该方法的性能更具特色，并取决于特定的分析选择。尽管有一些限制，但这些结果表明，所提出的方法提供了一种强大的方法，可以将（可变）选择的原因与性状和全基因组进化模式联系起来。可从GitHub（https://github.com/zgompert/fsabc.git）获得实现此方法的文档和开源计算机软件（fsabc）。这些结果表明，所提出的方法提供了一种强大的方法，可以将（可变）选择的原因与性状和全基因组进化模式联系起来。可以从GitHub（https://github.com/zgompert/fsabc.git）获得实现此方法的文档和开源计算机软件（fsabc）。这些结果表明，所提出的方法提供了一种强大的方法，可以将（可变）选择的原因与性状和全基因组进化模式联系起来。可以从GitHub（https://github.com/zgompert/fsabc.git）获得实现此方法的文档和开源计算机软件（fsabc）。