Informacja

12.4: Modele zależne od różnorodności – biologia

12.4: Modele zależne od różnorodności – biologia


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.

Modele zależne od czasu w poprzedniej sekcji są często używane jako proxy do uchwycenia procesów, takich jak kluczowe innowacje lub promieniowanie adaptacyjne (Rabosky 2014). Wiele z tych teorii sugeruje, że tempo dywersyfikacji powinno zależeć od liczby gatunków żyjących w określonym czasie lub miejscu, a nie od czasu (Phillimore i Price 2008; Etienne i Haegeman 2012; Etienne i in. 2012; Rabosky 2013; Moen i Morlon 2014 ). Dlatego możemy chcieć zdefiniować tempo specjacji w sposób prawdziwie zależny od różnorodności, zamiast używać czasu jako zastępstwa:

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

Ponieważ tempo specjacji zależy teraz od liczby linii genealogicznych, a nie od czasu, nie możemy wstawić tego wyrażenia do naszego ogólnego wzoru (Morlon et al. 2011). Zamiast tego możemy zastosować podejście nakreślone przez Etienne et al. (2012) oraz Etienne i in. (2016). Podejście to skupia się na numerycznych rozwiązaniach równań różniczkowych poruszających się w czasie w drzewie. Ogólna idea podejścia jest podobna do Morlona, ​​ale szczegóły różnią się; prawdopodobieństwa z Etienne et al. (2012) powinny być bezpośrednio porównywalne ze wszystkimi prawdopodobieństwami przedstawionymi w tej książce, pod warunkiem, że uwarunkowania są takie same i są pomnożone przez całkowitą liczbę układów topologicznych (n + 1)!, aby uzyskać prawdopodobieństwo dla drzewa, a nie dla czasów rozgałęzień. Podejście Etienne'a może również zajmować się niepełnym pobieraniem próbek w ramach jednolitego modelu pobierania próbek.

Jako przykład możemy dopasować podstawowy model zależnej od różnorodności specjacji do naszego drzewa filogenetycznego salamandry bezpłucnej przedstawionego powyżej. W ten sposób uzyskujemy oszacowanie ML wynoszące λ0 = 0.099, μ = 0 i K = 979,9, z logarytmicznym prawdopodobieństwem 537,3 i AIC -1068,7. Jest to znacząca poprawa w stosunku do któregokolwiek z modeli zmieniających się w czasie omówionych powyżej i dowód na zależność różnorodności wśród salamandr bezpłucnych.

Zarówno podejścia zależne od gęstości, jak i od czasu stały się bardzo popularne, ponieważ modele dywersyfikacji zależne od czasu są spójne z wieloma ekologicznymi modelami ewolucji wielogatunkowych kladów w czasie. Na przykład adaptacyjne modele promieniowania oparte na szansach ekologicznych przewidują, że gdy nisze są zapełnione, a szansa ekologiczna „wykorzystana”, to powinniśmy zaobserwować malejące tempo dywersyfikacji w czasie (Etienne i Haegeman 2012; Rabosky i Hurlbert 2015). W przeciwieństwie do tego, niektóre modele przewidują, że gatunki stwarzają nowe możliwości dla innych gatunków, a tym samym przewidują przyspieszenie dywersyfikacji w czasie (Emerson i Kolm 2005). Są to rozsądne hipotezy, ale istnieje wyzwanie statystyczne: w każdym przypadku istnieje co najmniej jeden koncepcyjnie odmienny model, który przewiduje dokładnie ten sam wzorzec. W przypadku spowalniającej dywersyfikacji, przewidywany wzorzec wykresu linia w czasie, który pochyla się w kierunku współczesności, może również pochodzić z modelu, w którym linie gromadzą się w stałym tempie, ale następnie nie są w pełni próbkowane na dzień dzisiejszy ( Pybusa i Harveya 2000). Innymi słowy, jeśli brakuje nam niektórych żyjących gatunków z naszego drzewa filogenetycznego i nie bierzemy tego pod uwagę, wówczas pomylilibyśmy model śmierci przy urodzeniu ze stałym współczynnikiem za sygnał spowolnienia dywersyfikacji w czasie. Oczywiście mogą to tłumaczyć metody, które omówiliśmy. Niektóre metody mogą nawet wyjaśniać fakt, że brakujące taksony mogą być nielosowe, ponieważ brakujące taksony są albo rzadkie, albo słabo zróżnicowane od linii siostrzanych (np. często młodsze niż oczekiwano przypadkowo; Cusimano i Renner 2010; Brock i in. Jednak rzeczywista liczba gatunków w kladzie jest zawsze dość niepewna i w każdym przypadku musi być znana, aby metoda zadziałała.Tak więc alternatywnym wyjaśnieniem, które często jest możliwe, jest to, że brakuje nam gatunków w naszym drzewie, i nie wiemy, ile ich jest.Ponadto, ponieważ większość sygnału dla tych metod pochodzi z ostatnich zdarzeń rozgałęzień w drzewie, niektóre „brakujące” węzły mogą być po prostu zbyt płytkie, aby taksonomowie mogli nazywać te rzeczy „gatunkami”. Innymi słowy, nasze wnioski dotyczące zależności różnorodności od drzew filogenetycznych są silnie zależne od naszego zrozumienia, w jaki sposób pobraliśmy próbki odpowiednich taksonów.

Podobnie wzorzec przyspieszającego różnicowania naśladuje wzorzec spowodowany wyginięciem. Drzewo filogenetyczne o wysokich, ale stałych szybkościach specjacji i wymierania jest prawie niemożliwe do odróżnienia od drzewa bez szybkości wymierania i specjacji, które przyspieszają w czasie.

Oba powyższe zastrzeżenia z pewnością warto wziąć pod uwagę przy interpretacji wyników testów dywersyfikacji z danych filogenetycznych. W wielu przypadkach dodanie informacji o skamielinach pozwoli badaczom na wiarygodne rozróżnienie podanych alternatyw, chociaż metody łączące skamieniałości i drzewa są nadal stosunkowo słabo rozwinięte (ale patrz Slater i Harmon 2013). A wiele obecnych metod da niejednoznaczne wyniki, gdy wiele modeli dostarczy równoważnych wyjaśnień dla danych - jak mamy nadzieję!


Realizacja

Podstawowe możliwości COBRApy są dostępne dzięki zestawowi klas (Rysunek 1), które reprezentują organizmy (Model), reakcje biochemiczne (Reakcja) i biomolekuły (Metabolit i gen). Podstawowy kod jest dostępny za pośrednictwem Pythona lub Jythona (Python for Java). COBRApy zawiera: (1) cobra.io: pakiet wejścia/wyjścia do odczytu/zapisu modeli SBML[21] oraz odczytu/zapisu struktur COBRA Toolbox MATLAB. (2) cobra.flux_analysis: pakiet do wykonywania typowych operacji FBA, w tym delecji genów i analizy zmienności strumienia [18]. (3) cobra.topology: pakiet do wykonywania analizy strukturalnej – aktualna wersja zawiera algorytm metabolitów reporterowych Patil & Nielsen [22]. (4) cobra.test: zestaw testów jednostkowych i danych testowych. (5) cobra.solvers: interfejsy do pakietów optymalizacji liniowej. Oraz (6) cobra.mlab: interfejs do COBRA Toolbox for MATLAB.

Klasy podstawowe w COBRA for Python z wyszczególnionymi kluczowymi atrybutami i metodami. Dodatkowe atrybuty i metody są opisane w dokumentacji.


Podgląd treści

Na przykład stan immunizacji jest silnym modyfikatorem efektu zależności między ekspozycją na konkretny patogen a następującą po nim chorobą wywołaną przez ten patogen. Jako modyfikator efektu, stan immunizacji modyfikuje następnie odpowiedź biologiczną osoby. Obecność modyfikacji efektu potwierdza związek przyczynowy, ponieważ sugeruje biologicznie prawdopodobny proces.

Konsekwencje braku identyfikacji modyfikatora efektu

Jeśli modyfikacja efektu nie zostanie rozpoznana, estymator związku czynnika ryzyka z wynikiem (np. RR) staje się średnią ważoną między RR na jednym poziomie X (np. immunizowany) a RR z innego poziomu X ( nie uodporniony).

Metody uwzględniania modyfikacji efektów

Projektując i przeprowadzając badanie:

  1. Określ, które czynniki (zmienne) mogą być modyfikatorami efektów
  2. Nie dopasowuj potencjalnego modyfikatora efektu
  3. Zbierz informacje o potencjalnych modyfikatorach efektów (im więcej, tym lepiej!)
  4. Rozważ zasilenie badania, aby móc testować modyfikatory efektu (zasada – czterokrotność wielkości próbki, jaka byłaby wymagana do przetestowania obecności modyfikacji efektu)

W analizie studium:

  1. Konceptualizuj potencjalne modyfikatory efektu, wykorzystując swoją wiedzę z obszaru badań, wcześniejsze doświadczenia (od siebie i innych). Zadaj sekwencję pytań (np. w przypadku narażenia E, choroby D i czynnika X, potencjalny modyfikator efektu: czy istnieje związek między E i D? czy jest biologicznie prawdopodobne, że związek między E i D jest różny dla poziomów X? wykryto różnicę w tym badaniu?)
  2. Oszacuj surowy (nieskorygowany) związek między ekspozycją a chorobą.
  3. Stratyfikuj według potencjalnych modyfikatorów efektów, aby uzyskać estymatory specyficzne dla warstwy. Porównaj/testuj istotność różnic między estymatorami specyficznymi dla warstwy.
  4. Użyj modelu statystycznego z terminem interakcji.

Osąd

  1. Jeśli estymatory specyficzne dla warstwy znacznie się od siebie różnią, zmienna warstwowa prawdopodobnie będzie głównym modyfikatorem efektu.
  2. Dostępne są metody statystyczne (test Breslowa-Day dla jednorodności OR z rozszerzonej metody Mantela-Haenszela, test prawdopodobieństwa -2 log z regresji logistycznej) do testowania istotności statystycznej potencjalnych modyfikatorów skutków oraz do obliczania estymatorów związku narażenia z chorobą zgodnie z poziomami istotnych modyfikatorów efektów.
  3. Większość badań epidemiologicznych nie ma wystarczającej mocy statystycznej do statystycznej identyfikacji potencjalnych modyfikatorów skutków (często nie jest to główny cel).

Brak dowodów to nie to samo, co Dowód nieobecności.

„Interakcje między narażeniem a rasą, płcią… w związku z chorobą zostały przetestowane statystycznie poprzez wprowadzenie terminów interakcji do modeli regresji logistycznej i żaden z nich nie okazał się statystycznie istotny na poziomie p < 0,15”.

Modyfikator efektu to rzeczywista lub hipotetyczna zależność w Natura, nie tylko obserwowane w zbiorze danych, w porównaniu z czynnikiem zakłócającym. Po zidentyfikowaniu jako modyfikator efektu zmienna nie jest traktowana jako zaburzająca.

Przykład

Oto przykład modyfikacji efektu:

Incydent CHD
Częstotliwość
Procent
Pkt wiersza
Kol Pct
0 1 Całkowity
0 1191 25 1216
1 93 13 106
Całkowity 1248 38 1322

Iloraz szans = 6,66

Incydent CHD
Częstotliwość
Procent
Pkt wiersza
Kol Pct
0 1 Całkowity
0 1003 70 1073
1 77 12 89
Całkowity 1080 82 1162

Iloraz szans = 2,23

Łącząc obie płcie, OR = 4,30. W ten sposób płeć modyfikuje wpływ cukrzycy na występowanie CHD.


Biologia rozwojowa. Wydanie szóste.

Istnieją dwa główne sposoby tworzenia cewy nerwowej. w neuracja pierwotna, komórki otaczające płytkę nerwową kierują komórkami płytki nerwowej do proliferacji, inwazji i ściskania z powierzchni, tworząc pustą rurkę. w neuracja wtórna, cewa nerwowa powstaje z litego sznura komórek, który zapada się w zarodku, a następnie wydrąża (kawituje), tworząc pustą rurkę. Zakres, w jakim te sposoby konstrukcji są wykorzystywane, różni się w zależności od klasy kręgowców. Neurulacja u ryb jest wyłącznie wtórna. U ptaków, przednie części cewy nerwowej są konstruowane przez neurulację pierwotną, podczas gdy cewa nerwowa ogonowa do dwudziestej siódmej pary somitów (tj. wszystko za tylnymi kończynami) jest tworzona przez neurulację wtórną (Pasteels 1937 Catala et al. 1996 ). U płazów, takich jak Xenopus, większość cewy nerwowej kijanki powstaje w wyniku neurulacji pierwotnej, ale cewa nerwowa ogona wywodzi się z neurulacji wtórnej (Gont i wsp. 1993). U myszy (i prawdopodobnie także ludzi) wtórna neurulacja zaczyna się na poziomie somitu 35 lub w jego pobliżu (Schoenwolf 1984 Nievelstein i wsp. 1993).


Departament Zasobów Naturalnych Ohio wprowadza zestaw danych dotyczących hodowli ryb

Porucznik Jon Husted, dyrektor InnovateOhio, ogłosił rozszerzenie portalu DataOhio o nowy zestaw danych dotyczących zarybień za pośrednictwem Departamentu Zasobów Naturalnych Ohio w czwartek, 17 czerwca 2021 r.

odx-share "Departament Zasobów Naturalnych Ohio wprowadza zestaw danych dotyczących zarybień"

Ohio Department of Education dołącza do portalu DataOhio

Ohio Department of Education (ODE) to najnowsza agencja stanowa, która dołączyła do portalu DataOhio – od czasu jego inauguracji w grudniu 2020 roku.

odx-share "Departament Edukacji Ohio dołącza do portalu DataOhio"

Witamy w portalu DataOhio

Portal DataOhio zapewnia innowacyjność, przejrzystość i wgląd

odx-share "Witamy w portalu DataOhio"

Początkowe zbiory danych portalu DataOhio

Ta inauguracyjna premiera portalu DataOhio zapewnia wgląd w 200 zestawów danych i ponad 60 wizualizacji

odx-share "Początkowe zbiory danych portalu DataOhio"

OBM nawiązuje współpracę z zespołem DAS Business Intelligence w celu opracowania panelu wydatków COVID

Pulpit z danymi, który pomaga zwizualizować i uszczegółowić fundusze federalne przyznane i wydane w Ohio na walkę z pandemią COVID-19

odx-share "Partnerzy OBM z zespołem DAS Business Intelligence w celu opracowania panelu wydatków COVID"

Stan Ohio został uznany przez ankietę Digital States Survey

Stan Ohio został wyróżniony oceną &bdquoA&rdquo w badaniu Center for Digital Government Digital States Survey w 2020 r.

odx-share "Stan Ohio jest uznawany przez ankietę Digital States Survey"

Zamówienie wykonawcze świętuje postęp technologiczny w Ohio: Platforma InnovateOhio

Ponad rok po podpisaniu niniejszego Rozkazu Wykonawczego, Platforma InnovateOhio dostarczyła niesamowitą wartość i liczne osiągnięcia w kierunku przywództwa stanowego i celu w budowaniu silniejszego Ohio

odx-share "Zamówienie wykonawcze świętuje postęp technologiczny dla Ohio: Platforma InnovateOhio"

Departament Zdrowia stanu Ohio wykorzystuje wizualizacje danych, aby kierować odpowiedzią na COVID-19

Departament Zdrowia stanu Ohio wykorzystuje wizualizacje danych, aby kierować odpowiedzią na COVID-19

odx-share "The Ohio Department of Health wykorzystuje wizualizacje danych do kierowania odpowiedzią na COVID-19"


Obejrzyj wideo: Dlaczego bioróżnorodność jest tak ważna? - Kim Preshoff (Czerwiec 2022).


Uwagi:

  1. Tojazshura

    Przepraszam, pytanie zostało usunięte

  2. Stem

    Nie chciałbym opracowywać tego tematu.

  3. Ahmadou

    Przykro mi, to zakłóciło ... w podobną sytuację. Możliwe jest omówienie.

  4. Vijind

    Świetny pomysł

  5. Bagor

    I'm sorry, but I think you are wrong. Podyskutujmy. Email me at PM.

  6. Ace

    Łatwiej powiedzieć niż zrobić.



Napisać wiadomość