Informasi

12.4: Model Ketergantungan Keanekaragaman - Biologi

12.4: Model Ketergantungan Keanekaragaman - Biologi



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Model yang bergantung pada waktu di bagian sebelumnya sering digunakan sebagai proksi untuk menangkap proses seperti inovasi utama atau radiasi adaptif (Rabosky 2014). Banyak dari teori ini menunjukkan bahwa tingkat diversifikasi harus bergantung pada jumlah spesies yang hidup pada waktu atau tempat tertentu, bukan waktu (Phillimore dan Price 2008; Etienne dan Haegeman 2012; Etienne et al. 2012; Rabosky 2013; Moen dan Morlon 2014) ). Oleh karena itu, kami mungkin ingin mendefinisikan tingkat spesiasi dengan cara yang benar-benar bergantung pada keragaman daripada menggunakan waktu sebagai proxy:

$$ lambda(t) = lambda_0 (1 - frac{N_t}{K}) label{12.8}$$

Karena tingkat spesiasi sekarang bergantung pada jumlah garis keturunan daripada waktu, kami tidak dapat memasukkan ekspresi ini ke dalam rumus umum kami (Morlon et al. 2011). Sebagai gantinya, kita dapat menggunakan pendekatan yang digariskan oleh Etienne et al. (2012) dan Etienne et al. (2016). Pendekatan ini berfokus pada solusi numerik untuk persamaan diferensial bergerak maju melalui waktu di pohon. Ide keseluruhan dari pendekatan ini mirip dengan Morlon, tetapi detailnya berbeda; kemungkinan dari Etienne et al. (2012) harus secara langsung dibandingkan dengan semua kemungkinan yang disajikan dalam buku ini asalkan pengkondisiannya sama dan dikalikan dengan jumlah total pengaturan topologi, (n + 1)!, untuk mendapatkan kemungkinan untuk pohon daripada untuk waktu percabangan. Pendekatan Etienne juga dapat menangani pengambilan sampel yang tidak lengkap di bawah model pengambilan sampel yang seragam.

Sebagai contoh, kita dapat menyesuaikan model dasar spesiasi yang bergantung pada keragaman dengan pohon filogenetik salamander tanpa paru yang diperkenalkan di atas. Dengan melakukan itu, kami menemukan perkiraan ML dari λ0 = 0.099, μ = 0, dan K = 979,9, dengan kemungkinan log 537.3 dan AIC -1068.7. Ini adalah peningkatan substansial atas salah satu model variasi waktu yang dipertimbangkan di atas, dan bukti ketergantungan keragaman di antara salamander tanpa paru-paru.

Pendekatan yang bergantung pada kepadatan dan waktu telah menjadi sangat populer, karena model diversifikasi yang bergantung pada waktu konsisten dengan banyak model ekologi tentang bagaimana klad multispesies dapat berevolusi seiring waktu. Misalnya, model radiasi adaptif berdasarkan peluang ekologis memprediksi bahwa, ketika relung terisi dan peluang ekologis “habis”, maka kita akan melihat tingkat diversifikasi yang menurun seiring waktu (Etienne dan Haegeman 2012; Rabosky dan Hurlbert 2015). Sebaliknya, beberapa model memprediksi bahwa spesies menciptakan peluang baru bagi spesies lain, dan dengan demikian memprediksi percepatan diversifikasi melalui waktu (Emerson dan Kolm 2005). Ini adalah hipotesis yang masuk akal, tetapi ada tantangan statistik: dalam setiap kasus, setidaknya ada satu model konseptual berbeda yang memprediksi pola yang sama persis. Dalam kasus diversifikasi yang melambat, pola prediksi plot garis keturunan-melalui waktu yang membengkok ke bawah menuju hari ini juga dapat berasal dari model di mana garis keturunan terakumulasi pada tingkat yang konstan, tetapi kemudian tidak sepenuhnya diambil sampelnya pada hari ini ( Pybus dan Harvey 2000). Dengan kata lain, jika kita kehilangan beberapa spesies hidup dari pohon filogenetik kita dan kita tidak memperhitungkannya, maka kita akan salah mengira model kematian kelahiran tingkat konstan sebagai sinyal perlambatan diversifikasi melalui waktu. Tentu saja, metode yang telah kita bahas dapat menjelaskan hal ini. Beberapa metode bahkan dapat menjelaskan fakta bahwa taksa yang hilang mungkin non-acak, karena taksa yang hilang cenderung langka atau tidak terdiferensiasi dengan baik dari garis keturunan saudara mereka (misalnya seringkali lebih muda dari yang diharapkan secara kebetulan; Cusimano dan Renner 2010; Brock et al Namun, jumlah sebenarnya spesies dalam suatu clade selalu tidak pasti dan, dalam setiap kasus, harus diketahui cara kerjanya. Jadi, penjelasan alternatif yang sering kali layak adalah bahwa kita kehilangan spesies di pohon kita, dan kita tidak tahu berapa banyak. Selain itu, karena sebagian besar sinyal untuk metode ini berasal dari peristiwa percabangan terbaru di pohon, beberapa simpul "hilang" mungkin terlalu dangkal bagi ahli taksonomi untuk menyebut hal ini "spesies. Dengan kata lain, kesimpulan kami tentang ketergantungan keanekaragaman dari pohon filogenetik sangat bergantung pada pemahaman kami tentang bagaimana kami mengambil sampel taksa yang relevan.

Demikian pula, pola diferensiasi yang dipercepat meniru pola yang disebabkan oleh kepunahan. Pohon filogenetik dengan tingkat spesiasi dan kepunahan yang tinggi tetapi konstan hampir tidak mungkin dibedakan dari pohon tanpa tingkat kepunahan dan tingkat spesiasi yang dipercepat sepanjang waktu.

Kedua peringatan di atas tentu patut dipertimbangkan ketika menginterpretasikan hasil uji diversifikasi dari data filogenetik. Dalam banyak kasus, menambahkan informasi fosil akan memungkinkan peneliti untuk membedakan antara alternatif yang disebutkan, meskipun metode yang mengikat fosil dan pohon bersama-sama masih relatif kurang berkembang (tetapi lihat Slater dan Harmon 2013). Dan banyak metode saat ini akan memberikan hasil yang ambigu ketika beberapa model memberikan penjelasan yang setara untuk data - seperti yang kita harapkan!


Penerapan

Kemampuan inti COBRApy diaktifkan oleh satu set kelas (Gambar 1) yang mewakili organisme (Model), reaksi biokimia (Reaksi), dan biomolekul (Metabolit dan Gen). Kode inti dapat diakses melalui Python atau Jython (Python untuk Java). COBRApy berisi: (1) cobra.io: paket input/output untuk membaca / menulis model SBML [21] dan membaca / menulis struktur COBRA Toolbox MATLAB. (2) cobra.flux_analysis: paket untuk melakukan operasi FBA umum, termasuk penghapusan gen dan analisis variabilitas fluks [18]. (3) cobra.topology: paket untuk melakukan analisis struktural – versi saat ini berisi algoritma metabolit reporter dari Patil & Nielsen [22]. (4) cobra.test: rangkaian pengujian unit dan data pengujian. (5) cobra.solver: antarmuka ke paket pengoptimalan linier. Dan, (6) cobra.mlab: antarmuka ke COBRA Toolbox untuk MATLAB.

Kelas inti di COBRA untuk Python dengan atribut dan metode utama yang terdaftar. Atribut dan metode tambahan dijelaskan dalam dokumentasi.


Pratinjau Konten

Misalnya, status imunisasi adalah pengubah efek yang kuat dari hubungan antara paparan patogen tertentu dan penyakit berikutnya dari patogen itu. Sebagai pengubah efek, status imunisasi kemudian memodifikasi respons biologis orang tersebut. Kehadiran modifikasi efek mendukung hubungan sebab akibat karena menyiratkan proses yang masuk akal secara biologis.

Konsekuensi tidak mengidentifikasi pengubah efek

Jika modifikasi efek tidak dikenali, penduga hubungan faktor risiko dengan hasil (misalnya, RR) menjadi rata-rata tertimbang antara RR dalam satu tingkat X (misalnya, diimunisasi) dan RR dari tingkat X lainnya ( tidak diimunisasi).

Metode untuk memperhitungkan modifikasi efek

Saat merancang dan melakukan studi:

  1. Konseptualisasikan faktor (variabel) mana yang mungkin menjadi pengubah efek
  2. Tidak cocok dengan pengubah efek potensial
  3. Kumpulkan informasi tentang pengubah efek potensial (semakin banyak semakin baik!)
  4. Pertimbangkan untuk memberdayakan penelitian agar dapat menguji pengubah efek (aturan praktis – 4 kali ukuran sampel yang diperlukan untuk menguji keberadaan modifikasi efek)

Dalam analisis sebuah studi:

  1. Konseptualisasikan pengubah efek potensial, menggunakan pengetahuan Anda tentang bidang penelitian, pengalaman sebelumnya (dari diri Anda sendiri dan orang lain). Ajukan serangkaian pertanyaan (misalnya Untuk paparan E, penyakit D dan faktor X, pengubah efek potensial: apakah ada hubungan antara E dan D? apakah secara biologis masuk akal bahwa hubungan antara E dan D berbeda untuk tingkat X? perbedaan terdeteksi dalam penelitian ini?)
  2. Perkirakan hubungan kasar (tidak disesuaikan) antara paparan dan penyakit.
  3. Stratifikasi dengan pengubah efek potensial untuk mendapatkan estimator khusus strata. Bandingkan/uji signifikansi perbedaan antara penduga khusus strata.
  4. Gunakan model statistik dengan istilah interaksi.

Pertimbangan

  1. Jika estimator khusus strata berbeda secara signifikan satu sama lain, variabel stratifikasi kemungkinan besar akan menjadi pengubah efek utama.
  2. Metode statistik (Uji Breslow-Day untuk Homogenitas OR dari metode Extended Mantel-Haenszel, uji kemungkinan -2 log dari regresi logistik) tersedia untuk menguji signifikansi statistik dari pengubah efek potensial, dan untuk menghitung estimator asosiasi Paparan-Penyakit sesuai dengan tingkat pengubah efek signifikan.
  3. Sebagian besar studi epidemiologi tidak dirancang untuk memiliki kekuatan statistik yang cukup untuk secara statistik mengidentifikasi pengubah efek potensial (seringkali bukan tujuan utama).

Ketiadaan bukti tidak sama dengan Bukti ketidakhadiran.

“Interaksi antara Paparan dan ras, jenis kelamin… dalam hubungannya dengan Penyakit diuji secara statistik dengan memasukkan istilah interaksi ke dalam model regresi logistik, dan tidak ada satupun yang ditemukan signifikan secara statistik pada tingkat p < 0,15”.

Pengubah efek adalah hubungan nyata atau hipotesis dalam alam, tidak hanya diamati dalam kumpulan data, dibandingkan dengan pembaur. Setelah diidentifikasi sebagai pengubah efek, variabel tidak diperlakukan sebagai pengganggu.

Contoh

Berikut adalah contoh modifikasi efek:

Insiden PJK
Frekuensi
Persen
Baris Pct
Kol Pct
0 1 Total
0 1191 25 1216
1 93 13 106
Total 1248 38 1322

Rasio peluang = 6,66

Insiden PJK
Frekuensi
Persen
Baris Pct
Kol Pct
0 1 Total
0 1003 70 1073
1 77 12 89
Total 1080 82 1162

Rasio peluang = 2,23

Menggabungkan kedua jenis kelamin, OR = 4.30. Jadi, jenis kelamin mengubah efek diabetes pada kejadian PJK.


Biologi Perkembangan. edisi ke-6.

Ada dua cara utama untuk membentuk tabung saraf. Di dalam neurulasi primer, sel-sel yang mengelilingi lempeng saraf mengarahkan sel-sel pelat saraf untuk berproliferasi, berinvaginasi, dan terjepit dari permukaan untuk membentuk tabung berongga. Di dalam neurulasi sekunder, tabung saraf muncul dari tali sel padat yang tenggelam ke dalam embrio dan kemudian berongga (kavitas) untuk membentuk tabung berongga. Sejauh mana mode konstruksi ini digunakan bervariasi di antara kelas vertebrata. Neurulasi pada ikan secara eksklusif sekunder. Pada burung, bagian anterior tabung saraf dibangun oleh neurulasi primer, sedangkan tabung saraf caudal ke pasangan somit ke 27 (yaitu, segala sesuatu di belakang tungkai belakang) dibuat oleh neurulasi sekunder (Pasteels 1937 Catala et al. 1996. ). Pada amfibi, seperti Xenopus, sebagian besar tabung saraf kecebong dibuat oleh neurulasi primer, tetapi tabung saraf ekor berasal dari neurulasi sekunder (Gont et al. 1993). Pada tikus (dan mungkin juga manusia), neurulasi sekunder dimulai pada atau sekitar tingkat somit 35 (Schoenwolf 1984 Nievelstein et al. 1993).


Departemen Sumber Daya Alam Ohio Meluncurkan Kumpulan Data Stocking Ikan

Letnan Gubernur Jon Husted, Direktur InnovateOhio, mengumumkan perluasan Portal DataOhio dengan penambahan kumpulan data penebaran ikan baru melalui Departemen Sumber Daya Alam Ohio pada Kamis, 17 Juni 2021.

odx-share "Departemen Sumber Daya Alam Ohio Luncurkan Dataset Tebar Ikan"

Departemen Pendidikan Ohio Bergabung dengan Portal DataOhio

Departemen Pendidikan Ohio (ODE) adalah lembaga negara bagian terbaru yang bergabung dengan Portal DataOhio - sejak peluncuran perdananya pada Desember 2020.

odx-share "Departemen Pendidikan Ohio Bergabung dengan Portal DataOhio"

Selamat datang di Portal DataOhio

Portal DataOhio memberikan inovasi, transparansi, dan wawasan

odx-share "Selamat datang di Portal DataOhio"

Kumpulan Data Awal Portal DataOhio

Peluncuran perdana Portal DataOhio ini memberikan wawasan tentang 200 kumpulan data dan lebih dari 60 visualisasi

odx-share "DataOhio Portal Dataset Awal"

OBM Bermitra dengan Tim Intelijen Bisnis DAS untuk Mengembangkan Dasbor Pengeluaran COVID

Dasbor data yang membantu memvisualisasikan dan merinci dana federal yang diberikan dan dihabiskan di Ohio untuk memerangi pandemi COVID-19

odx-share "OBM Bermitra dengan Tim Intelijen Bisnis DAS untuk Kembangkan Dasbor Pengeluaran COVID"

Negara Bagian Ohio Diakui oleh Survei Negara Digital

Negara Bagian Ohio diakui dengan nilai &ldquoA&rdquo dari Pusat Survei Negara Digital Pemerintah Digital 2020

odx-share "Negara Bagian Ohio Diakui oleh Survei Negara Digital"

Perintah Eksekutif Merayakan Kemajuan Teknologi untuk Ohio: InnovateOhio Platform

Lebih dari setahun setelah penandatanganan Perintah Eksekutif ini, Platform InnovateOhio telah memberikan nilai luar biasa dan banyak pencapaian menuju tujuan kepemimpinan negara bagian dalam membangun Ohio yang lebih kuat

odx-share "Perintah Eksekutif Merayakan Kemajuan Teknologi untuk Ohio: Platform InnovateOhio"

Departemen Kesehatan Ohio Menggunakan Visualisasi Data untuk Memandu Tanggapan COVID-19

Departemen Kesehatan Ohio Menggunakan Visualisasi Data untuk Memandu Tanggapan COVID-19

odx-share "Departemen Kesehatan Ohio Menggunakan Visualisasi Data untuk Memandu Tanggapan COVID-19"


Tonton videonya: Prakrikum biologi tentang keanekaragaman hayati tingkat gen (Agustus 2022).