进化的一个核心问题在于如何定量理解生物种群中突变积累的过程。然而，受限于传统技术的测序精度，之前研究主要集中于高丰度的突变。合作实验室、加州大学旧金山分校Raul Andino课题组使用所开发的CirSeq技术，测量了小儿麻痹症病毒37代传代培养的高精度测序数据，其准确度可达RNA病毒突变率下限，使得我们能够以极高的分辨率来理解包括低丰度突变在内的各种突变。在数据中，我们观察到极其丰富的突变轨迹模式。
受观察启发，我们开发了数学模型来描述突变的不同动力学模式。在此基础上，进一步开发了一套模型选择流程，对于给定突变的丰度轨迹，在考虑到模型复杂度的基础上，来识别其最适合的模型。这些模型可以用来推断进化作用力的影响，包括一阶作用力比如突变率和适应度（fitness），以及高阶作用力比如相互作用（epistasis）、无性干涉（clonal interference）以及搭便车效应（hitchhiking）。具体来讲，我们识别了一些位点独立的突变（只依赖一阶作用力）。其中，中性突变线性积累，有利突变在饱和前指数增长、并且最终固定在种群中，而有害突变持续积累，直至最终达到突变选择平衡。我们也识别了受高阶作用力影响、偏离了这些简单动力学模式的突变轨迹。例如，有利突变和有害突变之间的正相互作用，可以使得这个有害突变轨迹发生转折，丰度从当前所处的没有相互作用的突变选择平衡上升到一个更高的平衡。
对于本研究中病毒种群整体来讲，搭便车效应和无性干涉是最常见的进化作用力。在当前研究的较短时间尺度下，受相互作用影响的突变比例并不高，没有显著影响突变的适合度分布。通过全面分析位点突变组成变化，本研究揭示了包括突变率、适合度、相互作用、无性干涉、搭便车效应在内的进化作用力是如何影响种群动力学和进化的。
该研究成果于2020年1月发布在bioRxiv预印版平台上（doi: https://doi.org/10.1101/2020.01.16.908129）。该论文的三位共同第一作者为汤超教授指导的研究生常畅博士（当前单位为哈佛大学分子与细胞生物学系和工程与应用科学学院）、IBM Almaden研究所的Simone Bianco博士，以及加州大学Raul Andino教授指导的研究生Ashley Acevedo博士。
