Informacja

Biostatystyka: Kierunkowość rozprzestrzeniania się pyłku

Biostatystyka: Kierunkowość rozprzestrzeniania się pyłku


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.

Jakich informacji szukam?

Pomyśl o drzewie, które rozsyła pyłek wszędzie. Z powodu wiatru większość ziaren pyłku będzie kierowana w jednym kierunku. Wyobraź sobie, że dzielimy obszar 2D wokół drzewa, w którym ziarna pyłku spadają na dwa połówki dysków o jednakowej wielkości. Krążki wybraliśmy tak, aby zminimalizować liczbę ziaren pyłku wpadających na jeden półkrążek i maksymalnie zwiększyć ilość pyłku spadającego na drugi półkrążek.

Informacje, których potrzebuję jaka część ziarna pyłku wpada do każdego dysku? Czy jest to $frac{0.5}{0.5}$ (w takim przypadku wiatr nie zadziała), czy jest to coś w rodzaju $frac{0.8}{0.2}$?

Skąd czerpać informacje?

Czytałem ten artykuł o kierunkowości rozprzestrzeniania się pyłku i próbowałem wydobyć informacje, których potrzebuję.

Na stronach 4 i 5 wyjaśniają swoją analizę w sekcjiprocedura statystyczna. Dokładniej, w pierwszym akapicie piątej strony zdają się opisywać znaczenie parametrów, które próbują oszacować. Jednym z nich jest tzwparametr kierunkowości$delta$. Nie rozumiem, jak interpretować ten parametr $delta$. Ten parametr jest częścią regresji logistycznej, jak sądzę (chociaż autorzy go jako taką nie charakteryzują) „sukcesu godowego” $y$ wobec zmiennych $d$ („odległość”) i $h$ („wysokość”) oraz zmienna kątowa $a = cos(alpha_0 - alpha)$. ($alpha_0$ to „przypuszczalny dominujący kierunek efektywnego rozprzestrzeniania się pyłku”, który najwyraźniej nie jest szacowany na podstawie tych danych.) Odpowiednimi parametrami modelu są $eta$, $gamma$ i $delta$, odpowiednio, stąd

$$phi_j = Pr(y_j = 1) = frac{expleft(eta d_j + gamma h_j + delta a_j ight)}{sum_{k=1}^r expleft (eta d_k + gamma h_k + delta a_kprawo)}$$

gdzie indeks $j$ obejmuje wszystkie $r$ „samce w sąsiedztwie”.

Ich wyniki

Korzystając z maksymalnego prawdopodobieństwa, odkryli, żeparametr kierunkowości, $hatdelta = 0,56$ (SE = 0,15$; dół strony 6).

Pytanie

Jak mogę odnieść ich odkrycie do informacji, których potrzebuję (nawet jeśli jest to tylko przybliżone przybliżenie)?

Myślę, że muszę zrozumieć tzw.parametr kierunkowości$delta$ Czy możesz mi pomóc zinterpretować znaczenie tego parametru $delta$?


Referencja:

Burczyk, Adams i Shimizu, Wzorce godowe i rozproszenie pyłku w naturalnej sosnie szyszkowej… stoisko. Dziedziczność 77 (1996) s. 251-260.


Nie otrzymując żadnej odpowiedzi na Biology.SE, zadałem to samo pytanie tutaj na Mathematics.SE, ale niestety pytanie nie przyciąga uwagi!


(To nie jest odpowiedź, ale miejmy nadzieję, że pomoże to przejść przez projekt eksperymentalny i po prostu rozwiązać równanie.)

Skąd masz, że α0 nie zostało określone na podstawie ich danych? Na str. 10 (256), stwierdzają: „Przeważającym kierunkiem efektywnego rozprzestrzeniania się pyłku w dzielnicach (a0), które najlepiej pasowały do ​​modelu, był 91 stopni na północ (niemal na wschód).”

Wartość parametru najlepszego dopasowania δ wynosząca 0,56 (który określa wielkość wpływu kąta między męskim drzewem a wiatrem) jest również określana przez ich model (tabela 1, model 9) oparty na ich próbce.

Ta matematyka to dla mnie za dużo do rozwiązania, ale oto, w jaki sposób mógłbym przejść przez konfigurację eksperymentalną, aby po prostu rozwiązać równanie matematyczne:

Ponieważ szukasz tylko efektu wiatru/kierunkowości, ustawisz wysokość drzewa i odległość między drzewami tak, aby były równe. Zatem βd i γh pozostaną stałe i zniosą się, gdy rozwiążesz a.

Następnie chcesz określić, pod jakim kątem uzyskasz najwyższą i najniższą liczbę pyłków. Ustaw a0 na kierunek wiatru a aj na kąt pomiędzy a0 a połową tarczy. Najwyższa liczba pyłków miałaby miejsce przy aj = a0. Najniższa liczba pyłków nastąpi przy aj = (a0-180) lub (a0-π lub jakakolwiek jednostka kąta jest odpowiednia. Stupid trig.).

Przy tych ustawieniach powinno być możliwe wyznaczenie wartości ϕ gdzie aj = a0 i gdzie aj = a0-180.

Następnie można uzyskać proporcję ziaren pyłku wpadających do każdego dysku, znajdując stosunek ϕj(a0-180) / ϕj(a0).

Założenia: 1) Istnieje liniowa korelacja między ϕ, „sukcesem godowym (tj. płodnością) każdego krzyżującego się samca w sąsiedztwie” a rozkładem rozprzestrzeniania się ziaren pyłku.

2) To, że a0 („Główny kierunek efektywnego rozprzestrzeniania się pyłku w dzielnicach”) jest całkowicie spowodowane wiatrem. Tutaj mogłem zobaczyć teren jako czynnik, który spowodowałby efekt wiatru xδ, taki, że x<1. Gdyby tak było, wyliczony stosunek wysoki/niski pyłek byłby wyższy niż rzeczywisty.


Rozprzestrzenianie się pyłku, wzorce godowe i zanieczyszczenie pyłkiem w sadzie nasiennym zapylonym przez owady Schima superba Ogród. et Champ.

Przepływ pyłku i wzorce kojarzeń są najważniejszymi czynnikami wpływającymi na strukturę genetyczną owadopylnych drzew leśnych i są istotnymi elementami zarządzania genetycznego w sadach nasiennych. Zbadaliśmy przepływ pyłku, system kojarzeń i poziom zanieczyszczenia pyłkiem w sadzie nasiennym klonów Schima superba Ogród. et Champ. Łącznie, przy użyciu 13 polimorficznych loci mikrosatelitarnych, zidentyfikowano 328 potomstwa otwartego zapylania pochodzącego z 11 drzew matecznych. W sumie zidentyfikowano 203 rodziny rodzeństwa, które zagnieździły się wśród 11 badanych dawców nasion. Wskaźnik sukcesu reprodukcyjnego mężczyzn od 0,49 do 7,77% dla większości rodziców płci męskiej, ze średnią 2,44%. Ponad 80% krzyżówek znaleziono w odległości do 60 m, a najczęstsza odległość zapylania między rodzicem żeńskim a rodzicami męskimi wynosiła około 20 m. Analiza systemu kojarzeń wykazała, że ​​poziom krzyżowania był bardzo wysoki (T m = 1.000, wskaźnik krzyżowania = 98,5%) w sadzie nasiennym i że było średnio 2,3 skutecznych dawców pyłku (n ep) na rodzica płci żeńskiej. Ponadto na sukces godowy poszczególnych samców w sąsiedztwie umiarkowanie wpływała ich płodność i kierunek ich lokalizacji w stosunku do drzew matecznych. Zanieczyszczenie pyłkiem spoza plantacji nasiennej było wysokie (7,01%). Nasze odkrycia są cenne dla oceny sadów nasiennych i warto zastosować strategie zarządzania pyłkiem, aby zmniejszyć zanieczyszczenie pyłkiem i podnieść jakość genetyczną produkowanych nasion.

To jest podgląd treści subskrybowanych, dostęp za pośrednictwem Twojej instytucji.


Bibliografia

Adams, W T. 1983. Zastosowanie izoenzymów w hodowli drzew. W: Tanksley, SD i Orton, TJ (red.) Izozymy w genetyce i hodowli roślin, część A, s. 381-400. Elsevier Science Publ, Amsterdam.

Adams, WT. 1992. Dyspersja genów w populacjach drzew leśnych. Nowe Lasy, 6, 217–240.

Adams, WT i Birkes, DS. 1989. Schematy godów w sadach nasiennych. W: Obrady z 20. Konferencji Poprawy Drzew w Lesie Południowym, 26-30 czerwca 1989 r., s. 75–86. Charleston, Karolina Południowa.

Adams, WT i Birkes, DS. 1991. Szacowanie wzorców kojarzeń w populacjach drzew leśnych. W: Fineschi, S., Malvolti, ME, Cannata, F. i Hattemer, H.H. (red.) Markery biochemiczne w genetyce populacyjnej drzew leśnych, s. 157–172. SPB Academic Publishing, Haga, Holandia.

Adams, WT, Birkes, DS i Erickson, V J. 1992. Wykorzystanie markerów genetycznych do pomiaru przepływu genów i rozprzestrzeniania się pyłku w sadach nasiennych drzew leśnych. W: Wyatt, R. (red.) Ekologia i ewolucja rozmnażania roślin, s. 37–61. Chapman i Hall, Nowy Jork.

Brown, A H D. 1990. Charakterystyka genetyczna systemów kojarzeń roślin. W: Brown, AHD, Clegg, MT, Kahler, AL i Weir, BS (red.) Genetyka populacji roślin, hodowla i zasoby genetyczne, s. 145-162. Sinauer Associates, Sunderland, MA.

Brown, AHD, Barrett, SCH, and Moran, G F. 1985. Estymacja systemu kojarzeń w drzewach leśnych: modele, metody i znaczenia. W: Gregorius, H.-R. (ed) Genetyka populacji w leśnictwie, s. 32–49. Springer-Verlag, Berlin.

Burczyk J. 1991. System kojarzeń w sadzie klonowym sosny zwyczajnej w Polsce. Ann Sci, 48, 443–451.

Clegg, MT 1980. Pomiary systemów kojarzenia roślin. Biologia, 30, 814–818.

Conkle, MT, Hodgskiss, PD, Nunnally, LB i Hunter, SC 1982. Elektroforeza w żelu skrobiowym nasion drzew iglastych: podręcznik laboratoryjny. Ogólny raport techniczny Służby Leśnej USDA PSW-64. 18. s.

Crow, JF i Kimura, M. 1970. Wprowadzenie do teorii genetyki populacyjnej. Harper i Row, Nowy Jork.

Di-Giovanni, F i Kevan, P G. 1991. Czynniki wpływające na dynamikę pyłku i jego znaczenie dla zanieczyszczenia pyłkiem: przegląd. Czy J Forest Res, 21, 1155–1170.

El-Kassaby, Y A i Reynolds, S. 1990. Fenologia rozrodu, równowaga rodzicielska i dodatkowe masowe zapylanie w sadzie nasiennym świerka Sitka. Leśny Zarząd Ecol, 31, 45–54.

El-Kassaby, Y A, Fashler, AM K i Sziklai, O. 1984. Fenologia rozrodu i jej wpływ na genetycznie ulepszoną produkcję nasion w sadzie daglezjowym. Silvae Genet, 33, 120–125.

El-Kassaby, Y A, Meagher, MD, Parkinson, J i Portlock, FT. 1987. Dziedziczenie allozymów, heterozygotyczność i współczynnik krzyżowania między Pinus monticola w pobliżu Ladysmith w Kolumbii Brytyjskiej. Dziedziczność, 58, 173–181.

El-Kassaby, Y A, Russell, J, i Ritland, K. 1994. Mieszane krycie w eksperymentalnej populacji zachodniego cedru czerwonego, Tuja plicata. J Hered, 85, 228–231

Erickson, V J i Adams, W T. 1989. Sukces godowy w przybrzeżnym sadzie nasiennym daglezji, na który wpływ ma odległość i fenologia flory. Czy J Forest Res, 19, 1248–1255.

Eriksson, G, Jonsson, A i Lindgren, D. 1973. Kwitnienie w próbie klonowania Picea abies Kras. Stadnina Leśna Suec, 110, 1–45.

Furnier, G R i Adams, W T. 1986. System kojarzeń w naturalnych populacjach sosny Jeffrey. Jestem J Botem, 73, 1009–1015.

Fyfe, JL i Bailey, NT J. 1951. Badania hodowli roślin w roślinach strączkowych pastewnych. 1. Naturalne krzyżowanie w fasoli ozimej. J Rolnictwo Sci, 41, 371–378.

Hamrick, J L. 1989. Izozymy i analiza struktury genetycznej w populacjach roślin. W: Soltis, DE i Soltis, PS (red.) Izozymy w biologii roślin, s. 78–105. Dioscorides Press, Portland OR.

Hamrick, JL, Godt, MJW, Murawski, DA i Loveless, MD 1991. Korelacje między cechami gatunkowymi a różnorodnością allozymów: implikacje dla biologii konserwatorskiej. W: Falk, DA i Holsinger, KE (red.) Genetyka i ochrona rzadkich roślin, s. 75–86. Oxford University Press, Nowy Jork.

Handel, S N. 1983. Ekologia zapylania, struktura populacji roślin i przepływ genów. W: Real, L. (red.) Biologia zapylania, s. 163–211. Prasa akademicka, Nowy Jork.

Jonsson, A, Ekberg, I i Eriksson, G. 1976. Kwitnienie w sadzie nasiennym Pinus sylvestris L. Stadnina. Las Suec, 135, 1–38.

Koski, V. 1970. Badanie dyspersji pyłku jako mechanizmu przepływu genów u drzew iglastych. Commun Inst Forest Fenn, 70, 4, 1–78.

Lanner, RM 1966. Potrzebne: nowe podejście do badania dyspersji pyłków. Silvae Genet, 15, 50–52.

Ledig, FT. 1986. Heterozygotyczność, heteroza i przystosowanie u roślin rozrodczych. W: Soulé, ME (red.) Biologia konserwatorska: nauka o niedostatku i różnorodności, s. 77–104. Sinauer, Sunderland MA.

Levin, DA 1981. Dyspersja a przepływ genów w roślinach. Ann Mo Bot Gard, 68, 233–253.

Levin, DA i Kerster, HW. 1974. Przepływ genów w roślinach nasiennych. W: Dobzhansky, T., Hecht, MT i Steere, WC (red.) Biologia ewolucyjna, Tom. 7, s. 139–220. Plenum Press, Nowy Jork.

Millar, CI, Strauss, SH, Conkle, MT i Westfall, RD. 1988. Różnicowanie allozymów i biosystematyka kalifornijskich sosen zamkniętych (Pinus podrozdział. Oocarpae). Systemowy bot, 13, 351–370.

Mitton, J B. 1992. Dynamiczne systemy kojarzeń drzew iglastych. Nowe Lasy, 6, 197–216.

Mitton, JB, Linhart, YB, Sturgeon, KB, and Hamrick, JL. 1979. Polimorfizmy allozymu wykryte w dojrzałej tkance igły sosny Ponderosa. J Hered, 70, 86–89.

Morris, R W i Spieth, PT 1978. Strategie pobierania próbek do wykorzystania żeńskich gametofitów do oceny heterozygotyczności u drzew iglastych. Teor Appl Genet, 51, 217–222.

Müller, G. 1977. Zapłodnienie krzyżowe w drzewostanie iglastym wnioskowane na podstawie markerów genów enzymatycznych w nasionach. Silvae Genet, 26, 223–226.

Muona, O i Harju, A. 1989. Efektywne liczebności populacji, zmienność genetyczna i system kojarzeń w naturalnych drzewostanach i sadach nasiennych Pinus sylvestris. Silvae Genet, 38, 221–228.

Neale, DB i Adams, W T. 1985. System kojarzeń w naturalnych i schronowych drzewostanach daglezji. Teor Appl Genet, 71, 201–207.

Perry, DJ, i Danick, BP. 1986. Dynamika systemu kojarzeń sosny wyżynowej w Albercie, Kanada. Silvae Genet, 35, 190–195.

Perry, DJ i Knowles, P. 1990. Dowody wysokiego samozapłodnienia w naturalnych populacjach cedru wschodniego (Thuja occidentalis). Czy J Bot, 68, 663–668.

Rao, CR 1970. Zaawansowane metody statystyczne w badaniach biometrycznych. Wyd. Hafnera Co., Darien, CT.

Rao, CR 1973. Liniowe wnioskowanie statystyczne i jego zastosowania, wyd. John Wiley and Sons, Nowy Jork.

Ritland, K i El-Kassaby, Y A. 1985. Charakter chowu wsobnego w sadzie nasiennym daglezji na podstawie wydajnego modelu wielomiejscowego. Teor Appl, Genet, 71, 375–384.

Roeder, K, Devlin, B i Lindsay, B G. 1989. Zastosowanie metod maksymalnego prawdopodobieństwa do danych genetycznych populacji do szacowania indywidualnej płodności. Biometria, 45, 363–379.

Schoen, DJ i Stewart, SC 1986. Różnice w męskich inwestycjach reprodukcyjnych i męskim sukcesie reprodukcyjnym w świerku białym. Ewolucja, 40, 1109–1120.

Shen, H H, Rudin, D i Lindgren, D. 1981. Badanie wzorca zapylania w sadzie nasiennym sosny zwyczajnej za pomocą analizy izoenzymów. Silvae Genet, 30, 7–15.

Silen, RR. 1962. Rozważania dotyczące dyspersji pyłku dla daglezji. J Leśnictwo, 60, 790–795.

Sorensen, FC 1972. Drzewo z sadu nasiennego jako próbnik pyłku: model i przykład. Nota badawcza Służby Leśnej USDA PNW-175, 11. s.

Strauss, SH i Conkle, MT 1986. Segregacja, łączenie i różnorodność allozymów w sosnie szyszkowej. Teor Appl Genet, 72, 483–493.

Wang, C W, Perry, TO i Johnson, AG 1960. Dyspersja pyłku sosny slash (Pinus elliotii Engelm.) ze szczególnym uwzględnieniem zarządzania sadami nasiennymi. Silvae Genet, 4, 78–86.

Wheeler, NC, Adams, WT i Hamrick, JL. 1993. Dystrybucja pyłku w wiatropylnych sadach nasiennych. W: Bramlett, DL, Askew, GR, Blush, TD, Bridgwater, FE i Jett, JB (red.) Postępy w zarządzaniu pyłkami, s. 25–31. Podręcznik usług rolniczych USDA 698.

Wright, JW. 1953. Badania dyspersji pyłków: niektóre zastosowania praktyczne. J Leśnictwo, 51, 114–118.

Xie, CY, Danick, BP i Yeh, FC. 1991. System kojarzeń w naturalnych populacjach Tuja orientalis. Czy J Forest Res, 21, 333–339.

Yazdani, R, Lindgren, D i Stewart, S. 1989. Rozproszenie genów w populacji Pinus sylvestris. Scand J Forest Res, 4, 295–306.


1. WSTĘP

Rozproszenie genów przez nasiona i pyłki w dużej mierze wpływa na przestrzenną strukturę genetyczną na małą skalę (FSGS) populacji roślin, a FSGS odzwierciedla wielkość sąsiedztwa Wrighta (Wright, 1943, 1946), na przykład SStatystyka p wyrażająca intensywność FSGS szacuje odwrotność wielkości sąsiedztwa przy pewnych założeniach (Vekemans i Hardy, 2004 ). Dlatego badania nad rozproszeniem genów i wynikającym z tego wpływem na FSGS są bardzo ważne dla wyjaśnienia dynamiki ewolucyjnej populacji roślin. Chociaż FSGS populacji roślin jest konsekwencją różnych czynników ekologicznych (Hamrick et al., 1993 Hardy et al., 2006 Ueno et al., 2006 Vekemans & Hardy, 2004 ), rozprzestrzenianie się nasion ma krytyczny wpływ na kształtowanie FSGS (Browne et al., 2018 Grivet et al., 2009 Nakanishi et al., 2009), ponieważ transportuje zarówno męskie, jak i żeńskie gamety w celu określenia ostatecznych lokalizacji genotypów (Browne et al., 2018 Grivet et al., 2009) oraz jest bardziej ograniczony przestrzennie w porównaniu z rozprzestrzenianiem się pyłku u wielu gatunków (np. Browne et al., 2018 Nakanishi et al., 2009 ). W przeciwieństwie do tego, rozprzestrzenianie się pyłku może wpływać na zasięg FSGS, na przykład zapylenie zależne od odległości zwiększa proporcję pełnego rodzeństwa w skupiskach rodzeństwa matczynego wokół każdego rodzica nasion (Nakanishi i in., 2009). Taki odrębny wpływ rozprzestrzeniania się nasion i pyłku na FSGS nie został w pełni wyjaśniony (ale zob. np. Browne et al., 2018), podczas gdy łączny efekt rozprzestrzeniania się nasion i pyłku, czasami wraz z innymi czynnikami ekologicznymi, został badane w wielu badaniach (Born i in., 2012 Hamrick i in., 1993 Hardy i in., 2006 Ueno i in., 2006 Vekemans i Hardy, 2004). Zrozumienie takich odrębnych efektów wymaga wyjaśnienia wzorców rozprzestrzeniania się nasion i pyłku oraz wynikającego z tego FSGS rozproszonych i ustalonych osobników pochodzących z szacowanych dyspersji genów jednocześnie.

Wiele wiedzy na temat odległości rozprzestrzeniania się genów przez nasiona i pyłek uzyskano przy użyciu wysoce polimorficznych markerów molekularnych (Hardy, 2009). Jednak tylko ograniczona liczba badań dotyczyła kierunku dyspersji genów przez pyłek (Austerlitz et al., 2007 Burczyk et al., 1996 , 2004 Burczyk & Prat, 1997 ), a kierunek dyspersji genów przez nasiona rzadko był studiował (ale patrz García i in., 2007). Ponadto, według naszej wiedzy, związek między odległością a kierunkiem efektywnego rozproszenia genów nie został zbadany, prawdopodobnie dlatego, że podstawowy model (np. Tufto i in., 1997) zakładał, że prawdopodobieństwo kierunku rozproszenia jest niezależne od odległości rozproszenia. . Ten rodzaj zależności byłby istotny dla dynamiki genetycznej populacji, ponieważ izolacja genetyczna na odległość byłaby wzmacniana lub uniemożliwiana w kierunku odpowiednio krótkiego lub dalekiego rozproszenia genów (Born i in., 2012). Co więcej, większość badań FSGS, zwykle wyrażanych jako związek między pokrewieństwem a fizyczną odległością między osobnikami (Vekemans i Hardy, 2004 ), przeprowadzono za pomocą izotropowych analiz autokorelacji przestrzennej (Born i in., 2012). Takie analizy nie mogą wyjaśnić wpływu kierunkowości dyspersji genów na FSGS. W gatunkach przenoszonych przez wiatr i/lub wiatropylnych kierunek wiatru wpływa na częstotliwość rozprzestrzeniania się nasion (Bullock i Clarke, 2000) i/lub rozprzestrzeniania się pyłku (Damialis i in., 2005 Silva Palacios i in., 2000) w poszczególnych kierunkach . Ponadto Born i in. (2012) spodziewali się w swoich badaniach nad anizotropią FSGS, że siła FSGS zmieniała się w zależności od kierunków i była najsłabsza i najsilniejsza w kierunkach zgodnych i ortogonalnych z dominującym kierunkiem wiatru, odpowiednio, w warunkach wiatru zapylanego i wiatru- gatunki rozproszone. W przypadku takich gatunków rozproszenie genów na duże odległości miałoby miejsce przy efektywnym kierunku wiatru, to znaczy odległość rozproszenia genów zależałaby od kierunku rozproszenia, a w konsekwencji FSGS w tym kierunku jest uważany za słaby ze względu na nakładające się cienie genów (Born i in., 2012). Jednak taki odrębny wpływ kierunkowości rozprzestrzeniania się nasion lub pyłku na FSGS nie został wyjaśniony.

W przypadku populacji rozmieszczonych stosunkowo długo, ale wąsko, często obserwowanych w lasach łęgowych wzdłuż strumienia, kierunki potencjalnego rozprzestrzeniania się nasion i pyłku względem osi długiej populacji (tj. kierunku populacji) mogą wpływać na odpowiednie skuteczne rozprzestrzenianie się w obrębie populacji, ponieważ efektywne rozprzestrzenianie zależą od pierwotnych wzorców rozprzestrzeniania się (odzwierciedlone w postaci jądra dyspersyjnego) i przestrzennych układów odpowiednich siedlisk (dla nasion) lub konspecyficznych osobników żeńskich (dla pyłku) (Hardy, 2009 ). Jeśli rozproszenie jest potencjalnie długie, częstotliwość i średnia odległość efektywnego rozproszenia w takiej populacji może wzrosnąć wraz z przeważającym kierunkiem rozproszenia zbliżającym się do kierunku populacji i być odpowiednio najwyższa i najdłuższa, gdy przeważający kierunek rozproszenia przebiega wzdłuż kierunku populacji. Odwrotnie, częstotliwość i średnia odległość efektywnych rozproszeniów w obrębie populacji może być odpowiednio najniższa i najkrótsza, a wskaźnik imigracji może być najwyższy, gdy przeważający kierunek rozproszenia jest prostopadły do ​​kierunku populacji. Taki proces może wpływać na izolację genetyczną na podstawie odległości w populacji i tym samym być odzwierciedlony jako anizotropia FSGS. Co więcej, jako izotropowy FSGS, na anizotropię FSGS w różny sposób wpłynie rozprzestrzenianie się nasion i pyłku, aw dużej mierze rozproszenie nasion. Lasy łęgowe pełnią ważne funkcje ekologiczne (Naiman i Decamps, 1997) i zaleca się ich ochronę (Rodewald i Bakermans, 2006). Chociaż wcześniejsze badania genetyczne nad gatunkami drzew w takich lasach wykazały przydatną wiedzę dla ochrony genetycznej (Goto et al., 2006 Kikuchi et al., 2011 Saeki et al., 2018 Sato et al., 2006 ), szczegółowe efekty kierunkowości w W celu wyjaśnienia dynamiki genetycznej i zachowania różnorodności genetycznej należy wziąć pod uwagę oddzielne rozproszenie genów za pośrednictwem nasion i pyłku.

Cercidiphyllum japonicum Sieb. et Zucc. to dwupienny, wiatropylny i rozproszony przez wiatr gatunek drzewa (Katsuta et al., 1998), który tworzy długą i niską gęstość populacji wzdłuż strumienia i obejmuje lasy łęgowe w Japonii wraz z innymi gatunkami drzew (Isagi et al. , 2005 ). Gatunek ten powinien być odpowiedni do badania na dużą skalę odrębnych wzorców rozprzestrzeniania się genów za pośrednictwem nasion i pyłku. Badane udziały osobników rozrodczych nawet w rozproszonym potomstwie można jednoznacznie podzielić na rodzicielskie nasienne lub rodzicielskie pyłkowe ze względu na diecezję gatunku, co powinno podnieść precyzję bezpośrednich i pośrednich analiz dotyczących dyspersji genów. Ponadto przy użyciu tego gatunku można zbadać kierunkowość rozprzestrzeniania się genów za pośrednictwem nasion i pyłku w związku z kierunkiem wiatru oraz ich wpływ na FSGS. Wcześniejsze badanie (Sato i in., 2006) doniosło o rozproszeniu genów na duże odległości C. japonicum, ze średnią 129 m i maksymalnie 666 m dla rozprzestrzeniania pyłku i maksymalnie 302 m dla rozprzestrzeniania się nasion, a także nieistotnym FSGS wśród dorosłych na terenie badania. Jednak w badaniu nie udało się określić dokładnego schematu skutecznego rozprzestrzeniania się nasion ze względu na miejsca pobierania próbek sadzonek ograniczone do obszarów wokół żeńskich drzew C. japonicum. Co więcej, FSGS dorosłych odzwierciedlałoby skutki nakładania się pokoleń i innej dynamiki demograficznej wśród osobników w długim okresie, co utrudniłoby wykrycie genetycznych skutków rozprzestrzeniania się nasion i pyłku jednosezonowego. Wyjaśnienie bardziej nieskomplikowanego procesu, w którym bieżące rozproszenie genów w ciągu jednego roku wpływa na wynikowy FSGS, wymagałoby zbadania rozproszonego potomstwa w bieżącym roku, które właśnie się pojawiło.

W niniejszym badaniu przeanalizowaliśmy wzorce kierunkowego rozprzestrzeniania nasion i pyłku oraz ich odrębny wpływ na anizotropię FSGS wśród sadzonek z bieżącego roku C. japonicum. W badaniu wykorzystano następujące etapy: (a) zbadanie modelu maksymalnego prawdopodobieństwa w celu oszacowania rozsiewania jąder nasion i pyłku, z uwzględnieniem wpływu kierunków rozprzestrzeniania się nasion i pyłku oraz wielkości osobników dorosłych przy użyciu podejścia opartego na modelu sąsiedztwa (b) analizy regresji efektywne odległości rozprzestrzeniania się nasion i pyłku w populacji w stosunku do ich odpowiednich kierunków rozprzestrzeniania w oparciu o zrekonstruowane pochodzenie oszacowane przez model największego prawdopodobieństwa (c) analizy izotropowe i anizotropowe FSGS wśród siewek oraz (d) porównania między kierunkiem najsłabszego FSGS sadzonki i kierunki o najczęstszym lub najdłuższym rozprzestrzenianiu się nasion i najczęstszym rozprzestrzenianiu się pyłku.


Wnioski

Postępy w badaniach nad ekologią rozprzestrzeniania się roślin będą determinowane przez naszą zdolność do pokonywania wyzwań związanych ze skalą przestrzenną i heterogenicznością, skalą czasową i złożonością systemu. Zwiększenie skali przestrzennej badań empirycznych pozostanie koniecznością uniknięcia nieobiektywnych opisów dyspersji oraz jej ekologicznych i ewolucyjnych konsekwencji. Należy opracować i zastosować nowe schematy wnioskowania i przewidywania, aby lepiej opisać tempo i trajektorie efektywnych migracji nasion i pyłku w różnych skalach przestrzennych w kontekście środowiskowym i demograficznym, uwzględniając zależne od krajobrazu elementy ruchów wektorów i propagul. Będzie to prawdopodobnie wymagało połączenia podejść mechanistycznych i fenomenologicznych (np. genetycznych), które w nieuniknionym kompromisie między zasięgiem przestrzennym, intensywnością próbkowania i dokładnością, powinny poważnie ocenić oczekiwaną moc statystyczną i niepewność dla niskich częstotliwości (ale nadal ważne z ekologicznego i ewolucyjnego punktu widzenia) szybkości rozprzestrzeniania się, specyfikacje błędnych modeli i ograniczone pobieranie próbek. Kwestie skali czasowej będą przenikać badania ekologii rozproszenia roślin, od bardziej znaczącej charakterystyki wzorców średniego rozproszenia, biorąc pod uwagę zmienność rozproszenia w ciągu i pomiędzy porami roku, poprzez ocenę konsekwencji takiej zmienności rozproszenia czasowego dla dynamiki populacji i społeczności, po długoterminowe prognozy o trwałości populacji i gatunków w oparciu o obserwowane i modelowane sprzężenia zwrotne między rozproszeniem, demografią i ewolucją w zmieniających się środowiskach. Wreszcie wystarczające przybliżenie dynamicznej złożoności środowisk, sieci i społeczności ekologicznych będzie miało zasadnicze znaczenie dla scharakteryzowania wszystkich istotnych mechanizmów biotycznych i abiotycznych napędzających rozprzestrzenianie się roślin i ich wrażliwości na zmiany globalne, a także dla lepszego zrozumienia ekologicznych konsekwencji rozprzestrzeniania się w zmieniających się środowiskach. Z pewnością będziemy musieli w coraz większym stopniu gromadzić dane i wiedzę ekspercką z wielu dyscyplin, aby sprostać tym wielkim wyzwaniom, dla których zalecamy nie tylko dalsze wspólne wysiłki badawcze, ale także wdrożenie, standaryzację i wykorzystanie otwartych repozytoriów danych i modeli dotyczących rozproszenia.


Wybór modelu i estymacja parametrów

Jądra dyspersyjne można oszacować na podstawie danych empirycznych dotyczących rozmieszczenia nasion rozproszonych (metody Eulera) lub trajektorii nasion dyspergujących (metody Lagrange'a) (Bullock, Shea i Skarpaas 2006). Podejście Eulera jest bardziej powszechne i zazwyczaj obejmuje liczenie liczby nasion w pułapkach na nasiona w różnych pozycjach w stosunku do jednego lub większej liczby źródeł nasion. Oszacowanie rozproszenia nasion na podstawie takich danych wymaga również określenia rozkładu prawdopodobieństwa obserwowanej liczby nasion w funkcji oczekiwanej liczby nasion (rozkład błędu), którym w najprostszym przypadku jest rozkład Poissona (np. Ribbens, Silander i Pacala 1994 ). . Ponadto, gdy nie jest znana liczba nasion rozpraszanych z każdego źródła nasion, należy również dopasować model produkcji nasion. Tak więc w praktyce kompletny model będzie często zawierał cztery podmodele: (1) zniekształcone mapowanie odległości, (2) zniekształcony rozkład odległości, (3) produkcję nasion i (4) rozkład błędów.

W praktyce szacowanie parametrów często opiera się na danych dotyczących dystrybucji nasion ze scenariuszy z wieloma źródłami nasion, takich jak deszcz nasion przechwycony przez pułapki nasion, które są rozproszone po lesie z wieloma drzewami reprodukcyjnymi. Dla dowolnej lokalizacji (x, tak) w polu, zniekształcona odległość rodległość,i do źródła i jest funkcją odległości do tego źródła i parametrów βi, γi,i,x,i,tak,i dla tego źródła, jak opisano powyżej. Dwuwymiarowe jądro dyspersyjne Pi źródła i zależy od tych zniekształconych parametrów odległościowych oraz od postaci i parametrów zniekształconego rozkładu odległości Di, które mogą się różnić w zależności od drzew (ryc. 5). Oczywiście złożoność modelu można znacznie zmniejszyć, jeśli założy się, że jeden lub więcej parametrów jest równych dla wszystkich źródeł. Redukcję parametrów można również osiągnąć poprzez powiązanie parametrów z innymi mierzonymi atrybutami źródeł. Na przykład płodność może być proporcjonalna do wielkości rośliny, a przesunięcie może być proporcjonalne do wysokości rośliny. Zwłaszcza w przypadku modelu eliptycznego liczbę parametrów można dodatkowo zmniejszyć w wielu praktycznych sytuacjach, zakładając, że obrót i przesunięcie przebiegają w tym samym kierunku (rys. 2). Jest to rozsądne ograniczenie w wielu przypadkach, gdy przeważające wiatry przesuwają i rozciągają rozkład nasion wszystkich drzew w jednym kierunku.

Linie konturowe hipotetycznych cieni nasiennych dwóch drzew, gdy parametry modelu dystorsji eliptycznej różnią się między drzewami. Wartości parametrów dla pierwszego drzewa to , ψ1 = −π/4, γ1 = 3, β1 = 1 dla drugiego drzewa są to , ψ2 = π/6, γ2 = 1,5, β2 = 1. Taka sytuacja mogłaby powstać, gdyby dwa drzewa wypuściły nasiona w różnym czasie, przy różnych warunkach wiatru.

Wspominamy tu pokrótce o ryzyku przeparametryzacji. Na przykład, gdy γ = 0 i β = 1, linie konturowe o zniekształconej odległości zmniejszają się do okręgów wokół wyimaginowanego środka źródła, a zatem parametr obrotu ψ jest nieokreślony (wszystkie wartości dają takie samo odwzorowanie zniekształconej odległości). Podobnie, gdy γ = 0, dokładnie takie same kontury można uzyskać zmieniając mimośrodowość β na 1/β i jednocześnie zwiększając lub zmniejszając obrót o π/2 (rys. 4a,c). W takich przypadkach potrzebne są dodatkowe redukcje parametrów lub ograniczenia.


Wstęp

Owady są ważnymi zapylaczami zarówno w siedliskach przyrodniczych, jak iw systemach rolniczych. Na całym świecie ponad 87% roślin kwitnących i około 35% upraw korzysta z zapylania przez zwierzęta [1–2]. Zdecydowana większość owoców i warzyw, niektóre rośliny pastewne (lucerna i koniczyna) oraz rośliny oleiste (rzepak) wymagają owadów do zapylania i późniejszej produkcji nasion [3]. Owady zapylające przenoszą pyłek z kwiatka na kwiatek, a po założeniu nasiona przenoszą geny przekazywane przez pyłek. Przemieszczanie się genów przez owady zapylające może prowadzić do ucieczki, a następnie rozprzestrzeniania się genetycznie zmodyfikowanych cech i wywołania przypadkowej obecności lub niepożądanego przepływu genów [4]. Obawa przed niepożądanym przepływem genów wzrosła w wyniku większej powierzchni obsadzonej roślinami genetycznie modyfikowanymi (GE) i większej liczby cech genetycznie modyfikowanych. Niepożądany przepływ genów wpływa nie tylko na pola uprawne przeznaczone na rynki o wyraźnym poziomie tolerancji na cechy genetycznie modyfikowane [5], takie jak rynek konwencjonalny, organiczny i eksportowy, ale także na dzikie i dzikie populacje [6–7]. Pomimo nadchodzącego wzrostu liczby upraw GMO zapylanych przez owady, nasza wiedza na temat czynników wpływających na przemieszczanie się genów przez pyłek przez owady zapylające pozostaje ograniczona. Lepsze zrozumienie, w jaki sposób zachowania żerujące zapylaczy są powiązane z przepływem genów, poprawiłoby przewidywanie ryzyka przepływu genów dla roślin zapylanych przez owady. Pomogłoby to również ukierunkować rozwój strategii zarządzania zapylaczami w celu zmniejszenia niepożądanego przepływu genów, co z kolei ułatwiłoby współistnienie różnych rynków i ograniczyłoby możliwość introgresji transgenów do populacji dzikich lub zdziczałych [6].

Oczekuje się, że różne zachowania żerujące zapylaczy, w tym miejsce zamieszkania, pokonywane odległości i szybkość potykania się, będą miały wpływ na przepływ genów. Rezydencja reprezentuje całkowitą liczbę kwiatów odwiedzonych w grządce przez zapylacz podczas żerowania, podczas gdy wskaźnik potknięcia to odsetek kwiatów odwiedzonych przez zapylacza, którego znamiona i pylniki są uwalniane ze stępki. Zaproponowano, że rezydencja jest odwrotnie proporcjonalna do przepływu genów [8–9]. Kiedy zapylacze przenoszą się z pola genetycznie modyfikowanego na pole konwencjonalnej uprawy, niosą na swoich ciałach pyłek genetycznie modyfikowany. Jedynie pyłek genetycznie modyfikowany na obszarach ciała zapylacza, które wchodzą w kontakt ze znamionami kwiatów, osadza się na kwiatach kolejno odwiedzanych przez zapylacza. Pyłek przechowywany w woreczkach pyłkowych nie bierze udziału w procesie zapylania i wraca do ula, aby nakarmić młode [10–11]. The more flowers a pollinator visits in succession during a foraging bout, the greater the chance that most of the GE pollen be deposited in the first field visited and not be moved to the next field [9]. Therefore, high residence limits gene flow and residence is expected to be inversely proportional to gene flow [8].

Besides residence, the distances traveled by pollinators can affect gene flow. Pollinators pick up pollen from anthers and deposit pollen on stigmas as they move between successive flowers, inflorescences, and plants. The distance traveled by pollen will be generally shorter than the distance traveled by the pollinators [12]. Previous work by Levey et al. [13–14] demonstrated how distances and directions traveled by birds moving from perch to perch at a local scale could be used to model and predict gene flow patterns of the seeds they ingest at a landscape level. For pollinators, the net distance traveled will be affected by how they move among successively visited flowers, inflorescences and plants. Some pollinator species move randomly among flowers, inflorescences and plants, while others tend to move in the same direction within a foraging bout, a process known as directionality of movement [15]. Pollinators that exhibit directionality of movement will tend to move greater net distances relative to pollinators with random movements [16]. Pollinators that move greater net distances are expected to move pollen and genes further. In addition to the patterns of pollinator movement among flowers, the preference of pollinators for specific directions can influence the pattern of pollen dispersal and gene flow. Such preferences could result in biased pollen dispersal and gene flow over the landscape. To date, a pattern of non-uniform gene flow, where gene flow prevails in some directions, has not been examined in insect-pollinated plants. It has, however, been identified in some wind-pollinated plant species, where gene flow is biased in the direction of prevailing winds [17].

Pollen dispersal and gene flow can also be affected by the tripping rate or the proportion of visited flowers whose stigmas and anthers are exposed by a pollinator [12]. In certain plant species, including species in the legume family, bees must depress the keel petals at the base of the flower in order to release the anthers and style in a process called tripping. Tripping is necessary before pollination and subsequent seed set can occur. To illustrate the impact of tripping rate on pollen dispersal and gene flow, imagine a pollinator that carries GE pollen on its body and is moving into a field of conventional flowers and tripping a low proportion of the flowers it visits. Because pollen is not deposited on stigmas or removed from anthers of non-tripped flowers, more GE pollen remains on the pollinator's body and is available for pollinating flowers in the next field visited, relative to a pollinator that trips all the flowers visited in the first field. Therefore, GE pollen will move greater distances overall when a lower percentage of visited flowers are tripped by a pollinator. Lower tripping rate of flowers is therefore expected to increase pollen dispersal distances [12] and because tripping rate influences seed set [18], lower tripping rate is expected to increase gene dispersal distances.

In this study, we first examined and contrasted the behavior of three bee species, two social bees, the honey bee, Apis mellifera, and the common eastern bumble bee, Bombus impatiens, and a solitary bee, the alfalfa leafcutting bee, Megachile rotundata, foraging on Medicago sativa kwiaty. We focused on behaviors likely to affect gene flow. We also examined whether each bee species exhibited directionality of movement within foraging bouts and whether it displayed an overall preference for some directions. Medicago sativa is an open-pollinated plant with high levels of phenotypic and genetic variation and it is visited by different bee species. Two genetically engineered (GE) traits are currently commercially available, the Roundup Ready (RR) trait, which provides resistance to glyphosate, and a low-lignin content alfalfa which increases the digestibility of m. sativa to cows. The risk of unwanted gene flow and escape of GE genes is therefore a great concern for this plant species and RR genes have been detected in various feral populations [7]. Foraging behaviors and gene flow distances can vary among pollinator species [19–23] and some foraging behaviors may help predict differences in gene flow for distinct pollinator species. To link foraging behavior to gene flow, we ranked each foraging behavior among bee species, used the ranking to predict relative gene flow and tested predictions against empirical gene flow data. Differences in foraging behaviors provided mechanisms to explain observed differences in gene flow among bee species and pinpointed management strategies to mitigate gene flow. Given the current increase in GE crops over the agricultural landscape and the deployment of new gene editing technologies, the approach developed here can be expanded to benefit other insect-pollinated crops.


Distorted-distance models for directional dispersal: a general framework with application to a wind-dispersed tree

  • APA
  • Autor
  • BIBTEX
  • Harvard
  • Standard
  • RIS
  • Vancouver

Research output : Contribution to journal › Article › Academic › peer-review

T1 - Distorted-distance models for directional dispersal: a general framework with application to a wind-dispersed tree

N2 - 1. Seed and pollen dispersal is often directionally biased, because of the inherent directionality of wind and many other dispersal vectors. Nevertheless, the vast majority of studies of seed and pollen dispersal fit isotropic dispersal kernels to data, implicitly assuming that dispersal is equally likely in all directions. 2. Here, we offer a flexible method for stochastic modelling of directional dispersal data. We show how anisotropic models can be constructed by combining standard dispersal functions with ‘distorted- distance functions’ that transform the circular contour lines of any isotropic dispersal kernel into non-circular shapes. Many existing anisotropic phenomenological models of seed and pollen dispersal are special cases of our framework. 3. We present functional forms for the specific case of elliptic distorted-distance functions, under which contour lines of the seed shadow become non-concentric, nested ellipses, and show how models using these functions can be constructed and parameterized. R-code is provided. 4. We applied the elliptic anisotropic models to characterize seed dispersal in the wind-dispersed Neotropical tree Luehea seemannii (Malvaceae) on Barro Colorado Island, Panama. We used inverse modelling to fit alternative models to data of seed rain into seed traps, the locations of seed traps and adult trees, and tree size. 5. Our anisotropic model performed considerably better than commonly applied isotropic models, revealing that seed dispersal of L. seemannii was strongly directional. The best-fitting model combined a 3-parameter elliptic distorted-distance function that captured the strong directional biases with a 1-parameter exponential dispersal kernel, a 1-parameter negative binomial probability distribution describing the clumping of seed rain and a 1-parameter function relating tree fecundity to tree diameter. 6. The framework presented in this paper enables more flexible and accurate modelling of directional dispersal data. It is applicable not only to studies of seed dispersal, but also to a wide range of other problems in which large numbers of particles disperse fromone or more point sources.

AB - 1. Seed and pollen dispersal is often directionally biased, because of the inherent directionality of wind and many other dispersal vectors. Nevertheless, the vast majority of studies of seed and pollen dispersal fit isotropic dispersal kernels to data, implicitly assuming that dispersal is equally likely in all directions. 2. Here, we offer a flexible method for stochastic modelling of directional dispersal data. We show how anisotropic models can be constructed by combining standard dispersal functions with ‘distorted- distance functions’ that transform the circular contour lines of any isotropic dispersal kernel into non-circular shapes. Many existing anisotropic phenomenological models of seed and pollen dispersal are special cases of our framework. 3. We present functional forms for the specific case of elliptic distorted-distance functions, under which contour lines of the seed shadow become non-concentric, nested ellipses, and show how models using these functions can be constructed and parameterized. R-code is provided. 4. We applied the elliptic anisotropic models to characterize seed dispersal in the wind-dispersed Neotropical tree Luehea seemannii (Malvaceae) on Barro Colorado Island, Panama. We used inverse modelling to fit alternative models to data of seed rain into seed traps, the locations of seed traps and adult trees, and tree size. 5. Our anisotropic model performed considerably better than commonly applied isotropic models, revealing that seed dispersal of L. seemannii was strongly directional. The best-fitting model combined a 3-parameter elliptic distorted-distance function that captured the strong directional biases with a 1-parameter exponential dispersal kernel, a 1-parameter negative binomial probability distribution describing the clumping of seed rain and a 1-parameter function relating tree fecundity to tree diameter. 6. The framework presented in this paper enables more flexible and accurate modelling of directional dispersal data. It is applicable not only to studies of seed dispersal, but also to a wide range of other problems in which large numbers of particles disperse fromone or more point sources.


Podziękowanie

Part of this article was the Presidential Address to the annual meeting of the Canadian Society for Ecology and Evolution in Ottawa, July 2012. I thank Andrea Case, Aneil Agrawal, Asher Cutter, Sean Graham, Lawrence Harder, Boris Igic, Mark Rausher, Dan Schoen, James Thomson and Stephen Wright for valuable discussion and providing articles and unpublished manuscripts.

Funding statement

My work on plant reproductive systems has been supported by Discovery grants from the Natural Sciences and Engineering Research Council of Canada and funding through the Canada Research Chair's Program.


Data accessibility

This review does not use new raw data, but includes some re-analyses of previously published material. All the original data supporting the paper, R code, supplementary figures and summaries of analytical protocols are available at the author's GitHub repository (https://github.com/pedroj) and also deposited in the Dryad Digital Repository (Jordano 2017 ): http://datadryad.org/resource/doi:10.5061/dryad.k0v67.

Rys. S1. Dispersal events for pollen (left) and seeds (right) traced for Prunus mahaleb trees (white dots).

Rys. S2. Differential contributions of functional groups of frugivores to the short (SDDlok) and long-distance (LDDlok) local seed dispersal events for Prunus mahaleb.

Tabela S1. Summary of neighbourhood area sizes and estimated neighbourhood radius for tree species with different combination of dispersal modes.

Uwaga: Wydawca nie ponosi odpowiedzialności za treść ani funkcjonalność jakichkolwiek informacji pomocniczych dostarczonych przez autorów. Wszelkie zapytania (inne niż brakujące treści) należy kierować do odpowiedniego autora artykułu.


Obejrzyj wideo: Poławiaczka przedwylotkowa (Czerwiec 2022).


Uwagi:

  1. Gunnar

    Wiem, że należy to zrobić))))

  2. Landry

    Po prostu słodki !!

  3. Kurtis

    lubiłem))))))))))

  4. Odysseus

    Ale tak samo, bez kosmetyków ziołowych, nie ma sposobu, aby iść.



Napisać wiadomość