Information

Identifiziere eine kleine Spinne aus Südpolen / Osteuropa

Identifiziere eine kleine Spinne aus Südpolen / Osteuropa


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.

Kann jemand diese Spinne identifizieren, die ich gerade in meinem Haus gefunden habe?

Einzelheiten:

  • Lage: Kattowitz, Oberschlesien, Südpolen, Osteuropa (46,42 N, 17,78 O),
  • Größe: ~3-3,5 cm (von der Spitze eines Beins zur Spitze des gegenüberliegenden Beins) / < 1 cm (Leichenlänge),
  • Datum: 23. Juli 2020 (Sommer, ca. 10:30 Uhr).

Es ist ein Barn Funnel Weaver (Tegenaria Domestica), In Europa ist sie als Hausspinne bekannt.

Hier sind einige Fotos dieser Art, um die Ähnlichkeiten zu beweisen:

Was mir besonders ins Auge fiel, was klarer machte, dass es sich um diese Art handelte, waren die Farbmuster an Bauch und Cephalothorax, die von Ihnen erwähnte Größe, die Form der Fühler sowie die Lage.

Der leichte Farbtonunterschied kann auf eine andere Art der Art oder einfach auf das Wetter und den Lebensraum der Spinne zurückzuführen sein.


Die meisten Artenbestimmung erfordert eine mikroskopische Untersuchung der Genitalien, daher ist ein Foto für viele Artenbestimmung nur bis auf Gattungsebene zuverlässig. Also werde ich zuerst ein bisschen über die Gattung sprechen. Einige Arten können wir jedoch auf dem Foto ausschließen…

Aufgrund des Fehlens von Bändern in den Beinen ist es unwahrscheinlich, dass es sich um einen Scheunentrichterweber handelt und eher um eine der Riesenhausspinnen-Arten (der Gattung Eratigena). In Bezug auf die Gattung: Einige Quellen werden die Gattungen Eratigena und Tegenaria miteinander gleichsetzen, während die meisten sie mit einer bemerkenswerten kürzlichen Änderung der Hobo-Spinne was war mal Tegenaria agrestis und jetzt überlegt Eratigena agrestis. Die Taxonomie ändert sich ständig. Eine Hobo-Spinne hätte zwei dunkle Streifen, die in Längsrichtung auf dem Panzer verlaufen, wie der Scheunen-Trichterweber, die Ihr Exemplar nicht hat. Die Panzermarkierung von Riesenhausspinnen kann zwei dunkle Streifen oder ein anderes Muster aufweisen, das wie radiale Linien aussieht, die von der Mitte des Panzers ausgehen.

Ob es sich um E. atrica, E. duellica oder E. saeva handelt, ist schwer zu sagen. Sie alle sind mit dem gemeinsamen Namen als "Riesenhausspinne" bekannt. In Nordamerika ist bekannt, dass sich eine Art an der Ostküste und eine andere Art an der Westküste ausgebreitet hat. Aber in Europa denke ich, dass es nicht so einfach ist, bestimmte Arten mit Hilfe der Geographie auszuschließen, daher glaube ich nicht, dass es möglich ist, zu sagen, um welche Art von Riesen-Hausspinnen es sich handelt.

Hier ist ein Foto einer riesigen Hausspinne:

Sie verdunkeln ihre Farbe, wenn sie in ihrer Schale / ihrem Exoskelett wachsen, und nach der Häutung sind sie sehr hell (und anfällig).

Das zweite Foto soll E. Saeva sein:


Rhinolophus ferrumequinum

Die Große Hufeisennase (Rhinolophus ferrumequinum Schreber, 1774) ist eine Fledermaus aus der Familie der Rhinolophidae.

Systematik –
Aus systematischer Sicht gehört sie zur Eukaryota Domain, Animalia Kingdom, Phylum Chordata, Mammalia Class, Laurasiatheria Superorder, Chiroptera Order, Microchiroptera Suborder, Rhinolophidae Family und damit zur Gattung Rhinolophus und zur R. ferrumequinum Species.
Innerhalb dieser Art werden 7 Unterarten anerkannt, die mit der entsprechenden Zonierung:
– R.f. Ferrumequinum: verbreitet in Portugal, Spanien, Balearen, Frankreich, Korsika, Luxemburg, Großbritannien, Irland, Schweiz, Italien, Sizilien, Sardinien, Österreich, Südwestdeutschland, Südpolen, Osttschechien, Slowakei, Ungarn, Slowenien, Bosnien und Herzegowina, Kroatien, Montenegro, Nordmazedonien, Serbien, Albanien, Bulgarien, Rumänien, Moldawien, Westukraine und Krim, Europäische Türkei, Nordzypern, Marokko, Algerien und Tunesien
– R.f. creticum (Iliopoulou-Georgudaki & Ondrias, 1985): vorhanden auf der Insel Kreta
– R.f. irani (Cheesman, 1921): verbreitet in Anatolien, Kaukasus, Nord- und Westsyrien, Libanon, Nordisrael, Palästina, Nord- und Zentralirak, Iran, Südturkmenistan
– R.f. korai (Kuroda, 1938): präsent im Osten Südkoreas und auf der Insel Jeju
– R.f. Nippon (Temminck, 1835): verbreitet in den chinesischen Provinzen Jilin, Liaoning, Hebei, Peking, Shanxi, Henan, Shandong, Jiangsu, Shanghai, Zhejiang, Anhui, Sichuan, Guangxi, Hunan, Hubei, Shaanxi, Gansu, Ningxia, Fujian Japanische Inseln Hokkaidō, Honshū, Kyūshū, Sado, Miyake, Iki, Fukue, Tsushima, Yakushima
– R.f. proximus (Andersen, 1905): präsent in Ost-Usbekistan, Tadschikistan, Kirgisistan, Nord- und Westpakistan, dem indischen Bundesstaat Jammu und Kaschmir
– R.f.tragatus (Hodgson, 1835): präsent in den nordindischen Bundesstaaten Himachal Pradesh, Uttarakhand, Westbengalen, Sikkim, Arunachal Pradesh und Nagaland, Nepal, Bhutan, den chinesischen Provinzen Guizhou und Yunnan.
Die folgenden Begriffe sind synonym:
– R.brevitarsus
– R. colchicus
– R. Spitzfuß
– R. Fudisanus
– R. germanicus
– R. hippocrepis
– R. homodorensis
– R. homorodalmasiensis
– R. insulanus
– R. italicus
– R. kosidianus
– R.-Dur
– R. Martinoi
– R. mikadoi
– R. norikuranus
– R. ogasimanus
– R. obscurus
– R. pachyodontus
– R. perspicillatus
– R. quelpartis
– R. regulus
– R. rubiginosus
– R. solea
– R. typisch
– R. ungula
– R. unihastatus.

Geografische Verbreitung und Lebensraum –
Die Große Hufeisennase ist eine weit verbreitete Chiropteran in der Paläarktischen Ökozone und ist von Nordeuropa und Süd-Großbritannien bis fast der gesamten Mittelmeer-Subregion (große Inseln und Malteser einschließlich Libyen und Ägypten ausgenommen) und von dort durch die Himalaya-Regionen, bis nach China, Korea und Japan.
Diese Art kommt auch in Italien im gesamten Gebiet vor.
Sein Lebensraum sind gemäßigte Laubwälder, Weiden, Bergwälder, mediterrane Wälder und Sträucher in der Nähe von Teichen bis zu 3.000 Meter über dem Meeresspiegel, aber in der Regel nicht höher als 800 Meter.

Beschreibung –
Rhinolophus ferrumequinum ist eine Fledermaus mit einer Kopf-Rumpf-Länge von 57-71 mm, einer Schwanzlänge von 35-43 mm, einer Flügelspannweite von 35-40 cm, einer Fußlänge von 9,9-14 mm, einer Länge der Ohren von 20-28,5 mm, für a Gewicht von 17-34 Gramm.
Es handelt sich also um eine mittelgroße Fledermaus mit einem langen, weichen und flauschigen Fell.
Diese Fledermaus hat dorsale Teile von graubrauner oder brauner Farbe, mehr oder weniger mit rötlichen Reflexen und der Basis der Haare klar, während die ventralen Teile von grauweiß bis gelblich-weiß variieren.
Die Ohren sind kurz und das Nasenblatt hat eine dreieckige Lanzette, mit den Rändern leicht zur stumpfen Spitze, einen abgerundeten Bindefortsatz, einen kleinen Sattel, mit leicht konkaven Rändern, das Ende abgerundet und nach vorne gebogen. Der vordere Teil bedeckt die Schnauze nicht vollständig und hat wenig entwickelte Seitenblätter und eine tiefe zentrale Vertiefung an der Basis.
Die Unterlippe zeichnet sich durch eine oder drei Längsrillen aus. Die Flügelmembranen sind hellbraun oder graubraun, die erste Phalanx des vierten Fingers ist relativ lang.
Es hat einen langen Schwanz und ist vollständig in der großen Uropathie enthalten.
Außerdem ist der erste obere Prämolar klein und liegt außerhalb der Alveolarlinie.
Es ist bekannt für seinen langsamen, schwebenden und hoch manövrierten Flug bis zu 6 Meter über dem Boden.
Dieser Schläger emittiert Ultraschall mit hohem Arbeitszyklus und langen Pulsen bei einer konstanten Frequenz von 77–83 kHz.

Biologie –
Rhinolophus ferrumequinum bringt nach einer Tragzeit von 72 Tagen zwischen Juni und Anfang August einzeln zur Welt.
Die Paarungszeit beginnt am Ende des Sommers und dauert bis zum darauffolgenden Frühjahr.
Die ungeborenen Babys öffnen nach einer Woche die Augen und können nach etwa einem Monat fliegen, die Jungen werden im Alter von zwei Monaten selbstständig.
Weibchen erreichen die Geschlechtsreife mit 3-4 Lebensjahren, Männchen erst im zweiten Lebensjahr.
Die maximale Lebenserwartung dieser Fledermaus beträgt 30 Jahre und ist damit die höchste aller europäischen Fledermäuse.

Ökologische Rolle –
Die Große Hufeisennase sucht im Sommer Zuflucht in Felsspalten, Baumhöhlen und relativ heißen und feuchten Bergbaustollen, auf den Dachböden der Gebäude im nördlichsten Teil des Gebirges und in antiken Tempeln und Ruinen im östlichen Teil, wo es bildet sich zu 1.000 Weibchen, wobei die Männchen dazu neigen, Einzelgänger zu sein.
Im Zeitraum von September bis April angekommen, aggregieren beide Geschlechter und überwintern in natürlichen oder künstlichen unterirdischen Umgebungen. Dieser Zustand kann mehrmals unterbrochen werden, insbesondere um Nahrung zu bekommen. Die räuberische Aktivität beginnt bei Sonnenuntergang.
Diese Fledermäuse sind sesshaft und können maximale Vertreibungen von bis zu 320 km machen, hauptsächlich zwischen Sommer- und Winterstandorten.
Ihre Nahrung besteht aus Käfern, Motten, Spinnen, Heuschrecken und Wespen, die im Flug gefangen oder auf dem Boden über Wiesen und zwischen Bäumen bis zu 2–3 km von Unterständen entfernt gesammelt werden. Sie werden auf bestimmten Sitzstangen verschlungen. Manchmal kann es die Beute auch im Stillstand identifizieren, indem es den umgebenden Raum mit Ultraschall abtastet und nur den Kopf bewegt.
Nach Angaben der IUCN ist diese Art aus ökologischer Sicht vor allem durch den Verlust von Nahrungsumgebungen durch die Intensivierung der Landwirtschaft und den Einsatz von Pestiziden und darüber hinaus durch die Bedrohung unterirdischer Standorte wie für und auch Verlust bedroht von Sommerunterkünften in Gebäuden.
Hinsichtlich der Erhaltungsmaßnahmen ist sie eine in Anhang II, IV der FFH-Richtlinie (2/43/EWG) aufgeführte und durch die Bonner Konvention (Eurobats) geschützte Art. In zahlreichen Schutzgebieten enthalten. Notwendiger Schutz der unterirdischen Umgebung (Regulierung des Zugangs zur Höhle). Entmutigen Sie die touristische Ausbeutung der Höhlen. Waldbewirtschaftung vor allem im Flachland. Feuermanagement. Fast bedroht durch die Europäische Säugetierbewertung (Temple & Terry 2007).

Quellen
– Wikipedia, die freie Enzyklopädie.
– Gordon Corbet, Denys Ovenden, 2012. Leitfaden für die Säugetiere Europas. Verlag Franco Muzzio.
– John Woodward, Kim Dennis-Bryan, 2018. Die große Enzyklopädie der Tiere. Gribaudo Editore.


Hintergrund

Das geografische Verbreitungsgebiet der reich verzierten Hundezecke (Dermacentor reticulatus) in Europa ist nicht zusammenhängend und in zwei Metapopulationen unterteilt [1,2,3,4]. Die westliche Metapopulation umfasst Gebiete Frankreichs, Belgiens, der Slowakei, der Tschechischen Republik, der Niederlande und Deutschlands [2, 5,6,7,8]. Die östliche Metapopulation umfasst Litauen, Lettland, Weißrussland und die östlichen und zentralen Teile Polens sowie Gebiete westlich der Weichsel und russisches Territorium bis zum Ural [2, 3, 9,10,11]. So gibt es in Polen zwei Populationen von verzierten Hundezecken, die durch ein Gebiet getrennt sind, das historisch gesehen frei von dieser Zeckenart war (siehe Karte in [2]). Die Situation ist jedoch nicht statisch, und in den letzten Jahrzehnten hat die geografische Expansion von D. retikulatus wurde in vielen europäischen Ländern erfasst, darunter auch in Polen [3, 12].

In Polen (Landesgröße: 49°00’–54°50’N und 14°07’–24°09’E)wurde in den Jahren 2012–2014 ein detailliertes Monitoring der Ausbreitung dieser Zeckenart durchgeführt [2]. Wir bestätigten die Ausbreitung der ostpolnischen Population der Zecke in westlicher Richtung und die Expansion der westpolnischen Population in östlicher Richtung. Damals der östlichste Rekord der westlichen Bevölkerung von D. retikulatus in der Nähe von Kościan (Woiwodschaft Großpolen, 61 km vom nahen Ufer der Oder und 129 km von der Westgrenze des Landes) im Osten Polens lag, breiteten sich die Zecken auf Rawa Mazowiecka und Rzeczyca (Woiwodschaft Łódź) aus. Endlich, das D. retikulatus-freie Zone (in der nur negative Fundstellen erfasst wurden) befand sich zu dieser Zeit in den zentralen Teilen des Landes und umfasste etwa 150.000 km 2 , von den Woiwodschaften Westpommern und Pommern in Nordpolen bis nach Oppeln, Schlesien, Kleinpolen und Karpatenvorland Woiwodschaften in Südpolen [2].

Die Faktoren, die für die Existenz dieser zeckenfreien Zone (Lücke) verantwortlich sind, sind nicht bekannt. Eine Hypothese ist, dass es an geeigneten Lebensräumen für D. retikulatus (Ödland, Brachland und Sumpfwiesen) in der Lückenzone [13,14,15]. Es ist bekannt, dass intensive landwirtschaftliche Praktiken einen negativen Einfluss auf das Auftreten und die Dichte von Zecken hatten [16], einschließlich der Dichte von D. retikulatus Populationen [15, 17]. Dies kann jedoch nicht der einzige Grund für D. retikulatus Expansion in diese vormals tickfreie Zone. Die rasche Ausbreitung dieser Zeckenart im ganzen Land wird wahrscheinlich zur Besiedlung der Lückenzone und schließlich zu einer Verschmelzung von West- und Ost D. retikulatus Populationen [18]. Die Bestimmung des aktuellen Verbreitungsgebiets dieser Zecke ist aufgrund der epidemiologischen Bedrohung durch übertragene Krankheitserreger besonders wichtig D. retikulatus [19, 20].

Einer der bedeutendsten Krankheitserreger, der von D. retikulatus ist Babesia canis, dem Erreger der caninen Babesiose [21, 22]. Die Prävalenz von B. canis in D. retikulatus liegt in Polen im Bereich von 1–4% und variiert je nach Region des Landes [14, 23]. Zecken infiziert mit B. canis wurden in Nordostpolen, in Zentralpolen einschließlich der östlichen Ausdehnungszone auf der Westseite der Weichsel und in östlichen oder südöstlichen Gebieten Polens erfasst [14, 23, 24, 25, 26]. Interessanterweise bis heute nein B. canis-positiv D. retikulatus Zecken wurden in Westpolen gefunden [14, 27] (Dwużnik und Kiewra unveröffentlicht). Die Canine Babesiose hat sich in den letzten 10–15 Jahren in Polen ausgebreitet [14, 28, 29, 30, 31, 32] und ist insbesondere für Hundebesitzer und Tierärzte in Regionen, in denen sie vorher nicht bekannt war, zu einem ernsten Problem geworden [21, 24, 32].

Das Medikament der Wahl zur Behandlung der Babesiose ist Imidocarbdipropionat, das mit guter Wirksamkeit in Babesien Endemieregionen [33, 34] einschließlich Polen (wie Imizol-Injektion, Intervet International, Boxmeer, Niederlande). Das Ansprechen auf Imidocarb ist ein guter Indikator für die Felddiagnostik der Babesiose und die Diagnostik auf Basis klinisch-pathologischer Befunde hat eine hohe Treffsicherheit [35, 36]. Daher ist die Überwachung der Anwendung von Imizol in Tierkliniken ein wertvolles Instrument bei der Untersuchung der Epidemiologie der Babesiose bei Hunden, und Berichte lokaler Tierkliniken über das Auftreten von Babesiose bei Hunden können Aufschluss über die Verbreitung von D. retikulatus, da diese Zeckenart der Hauptüberträger von B. canis [36, 37]. Tierärzte (VP) sind die ersten, die das Auftreten von Fällen bemerken und Präventionsmaßnahmen für durch Zecken übertragene Krankheiten umsetzen [38]. Babesiose ist aus veterinärmedizinischer Sicht ein ernstes Problem, nicht nur in Endemiegebieten, sondern vielleicht noch mehr an Orten, an denen sich der Zeckenvektor kürzlich ausgebreitet hat, wo es sowohl bei VP als auch bei Hundebesitzern weniger Erfahrung mit dieser Krankheit geben wird [39, 40,41]. Kenntnis des aktuellen Sortiments von D. retikulatus Zecken ist daher notwendig, um das Infektionsrisiko mit B. canis [36, 42].

Das Hauptziel unserer Studie war es, die Expansion zweier polnischer D. retikulatus Populationen von Frühjahr 2016 bis Herbst 2018, mit besonderem Fokus auf die Besiedlung der Lückenzone. Regelmäßige Feldsammlungen wurden durchgeführt, um (1) die tatsächliche geografische Reichweite der Zecke und (2) die saisonale/jährliche Verschiebung der Reichweitengrenzen und Größenänderungen des nicht endemischen Gebiets zu bestimmen. Darüber hinaus sammelten wir Daten über die Verbreitung und das saisonale Auftreten der caninen Babesiose in Polen, einschließlich sowohl endemischer (westlicher und östlicher) als auch nicht endemischer Gebiete D. retikulatus Zecken. Schließlich haben wir eine aktualisierte Karte der Verbreitung der Babesiose in verschiedenen Regionen Polens zusammen mit der Verbreitung/dem Vorkommen der Zecke zusammengestellt D. retikulatus.


Materialen und Methoden

Untersuchungsgebiet und Stichprobenverfahren

Wir haben zwischen 2007 und 2012 174 Proben von Waschbären gesammelt (Tabelle 1). Haar- und Gewebeproben wurden von Straßentoten oder von Waschbären genommen, die wir im „Warta Mouth“-Nationalpark und angrenzenden Gebieten leben. Weitere Muskelgewebeproben von Waschbären wurden von Jägern entnommen, die Waschbären im Rahmen ihrer Wildtiermanagementtätigkeit in Polen, Deutschland und der Tschechischen Republik töteten (Abb. 1). Alle Gewebeproben wurden vor der DNA-Extraktion bei -20 °C gelagert.

Karte des Untersuchungsgebietes mit Angabe der Probenahmestellen in Deutschland, Polen und Tschechien. Kreisdiagramme geben die Verteilung und Häufigkeit von mitochondrialen DNA-Haplotypen an. Jede Farbe ist ein Haplotyp. (Farbabbildung online)

Gewebeproben von Waschbären wurden aus Westpolen, Ostdeutschland, dem Biosphärenreservat Oberlausitzer Heide und der Region Sachsen und der Tschechischen Republik westlich der Stadt Přerov entnommen. Drei weitere Proben stammten von anderen Standorten: in der Nähe von Berlin, Deutschland (Nr. 1), nordwestlich von Pol1 (Nr. 2) und der Provinz Kleinpolen in Südpolen (Nr. 3) (Abb. 1). In Polen wurden Proben in zwei verschiedenen Habitattypen gesammelt. Der Nationalpark „Wartamund“ (Pol1) liegt nahe der deutschen Grenze (52°34′N, 14°43′E). Der seit 1984 geschützte Nationalpark umfasst 80,7 km 2 des unteren Warthetals und 20 km des Flusses selbst. Es wird von Feuchtgebieten, Weidengestrüpp, Sümpfen, Wiesen und Weiden dominiert. Nur 1 % der Fläche ist von Wald bedeckt. Restproben aus Polen (Pol2) wurden etwa 30 km südlich des Nationalparks gesammelt. Dieses Gebiet ist ein von Buchen dominierter Trockenwald (Fagus silvatica), Eiche (Quercus spp.) und Kiefer (Pinus sylvestris), mit nur wenigen kleinen Flüssen und Gewässern. Der Studienstandort Ger1 liegt nordwestlich der Stadt Dresden. Das Gebiet ist dicht besiedelt, mit einer Reihe von menschlichen Siedlungen und einem dichten Straßennetz. Der gemäßigte Laubwald oder die Waldbedeckung ist mit Ackerfeldern, vielen Gewässern und Flüssen durchsetzt. Das Untersuchungsgebiet Ger2 liegt im Biosphärenreservat Oberlausitzer Heide (51°19′N, 14°32′E), das sich durch eine hohe Lebensraumvielfalt mit Heide, gemäßigten Laubwäldern und Wäldern sowie vielen Fischteichen, Flüssen und Bächen auszeichnet. Das Gebiet ist mäßig besiedelt und wird intensiv land- und forstwirtschaftlich genutzt. Der Studienstandort CzR liegt im Osten Tschechiens westlich der Stadt Přerov mit zahlreichen Fischteichen, Kanälen und kleinen Gewässern.

DNA-Isolierung, Mikrosatelliten-Genotypisierung und mitochondriale DNA-Amplifikation und -Sequenzierung

DNA wurde aus getrockneten Ohrfragmenten oder in Ethanol konserviertem Gewebe mit dem NucleoSpin Tissue Kit (Macherey und Nagel, Düren, Deutschland) nach Herstellerprotokoll extrahiert. Einzelne Proben wurden an 19 Mikrosatelliten-Loci (Cullingham et al. 2006 Fike et al. 2007) in 6 Multiplex-Reaktionen genotypisiert. Alle Reaktionen wurden mit Qiagen Mastermix (Qiagen Ltd., Crawley, UK) mit einem fluoreszenzgefärbten Primer jedes Paares durchgeführt. Amplifikationsprodukte wurden auf einem ABI PRISM 3130xl Genetic Analyzer (Applied Biosystems, Foster City, USA) aufgelöst und mit dem internen Spurstandard LIZ 500 unter Verwendung von Genemapper v. 4.0 (Applied Biosystems, Foster City CA, USA) klassiert.

Eine Untergruppe von 60 Proben, die alle Probenregionen gleichermaßen repräsentierten, wurde für die mitochondriale DNA-Fragmentamplifikation unter Verwendung der Primer PLO-CRL1 und L15997 (Cullingham et al. 2008a, b) ausgewählt, die das variabelste Fragment der mitochondrialen Kontrollregion des Waschbären amplifizieren. Das erhaltene 600 bp-Fragment ergab 467 bp klare Sequenz. Alle Proben wurden auf einem ABI PRISM 3130xl in beide Richtungen sequenziert. Sequenzen wurden manuell überprüft und mit dem ClustalX-Algorithmus in Bioedit 7.0.5.3 (Hall 1999) abgeglichen. Alle neu erhaltenen Haplotypen wurden in der GenBank hinterlegt.

Genetische Analyse

Mitochondriale DNA

DnaSP 5.0 (Librado und Rozas 2009) wurde verwendet, um die Anzahl der Haplotypen (h) und variablen Stellen (S) zu bestimmen und den Haplotyp (HD) und Nukleotiddiversität (π). Um die Herkunft der in den untersuchten Populationen nachgewiesenen Haplotypen abzuleiten, führten wir eine phylogenetische Analyse mit Waschbär-Haplotypen durch, die im ursprünglichen Verbreitungsgebiet der Art nachgewiesen wurden (Cullingham et al. 2008a, b). Wir haben Arlequin 3.01 (Excoffier und Laval 2005) verwendet, um ein Netzwerk mit minimaler Spannweite zu konstruieren, das Haplotypbeziehungen präsentiert, das Netzwerk wurde anschließend in HapStar 0.5 (Teacher und Griffiths 2011) visualisiert.

Diversitätsindizes für Mikrosatelliten

Tests des Kopplungsungleichgewichts zwischen allen Loci-Paaren wurden in GENEPOP v. 3.4 (Raymond und Rousset 1995) mit 10.000 Permutationen implementiert. Die zugehörigen Wahrscheinlichkeitswerte wurden für Mehrfachvergleiche korrigiert, indem die Bonferroni-Korrektur für P = 0,05 Signifikanzniveau. Dieselbe Software wurde verwendet, um die Abweichung der Mikrosatelliten-Genotypfrequenzen vom Hardy-Weinberg-Gleichgewicht zu testen. Wir haben FSTAT 2.9.3 (Goudet 1995) verwendet, um Parameter der genetischen Diversität abzuschätzen: Anzahl der Allele (NEIN), beobachtete und erwartete Heterozygotie (Ho, HE) und Inzuchtkoeffizient (FIST). Um sicherzustellen, dass Abweichungen vom Hardy-Weinberg-Gleichgewicht keine Auswirkung von Null-Allelen waren und dass die Heterozygotie-Defizite gleichmäßig über die Loci verteilt waren, führten wir das Jackknifing-Verfahren in FSTAT 2.9.3 durch, entfernten jeweils einen Locus und überprüften den Beitrag der verbleibende Loci zum FIST Wert.

Bevölkerungsstruktur

Um die Populationsstruktur der Waschbären der gesamten beprobten Region abzuleiten, haben wir eine Bayessche modellbasierte Clustering-Methode verwendet, die in STRUCTURE 2.3.3 implementiert ist (Pritchard et al. 2000). Wir verwendeten ein Beimischungsmodell und korrelierten die Allelfrequenzen mit dem LOCPRIOR-Modell, da eine Populationsstruktur kürzlich eingeführter, invasiver Arten voraussichtlich schwach ist. Dieses Modell verwendet Vorinformationen zu den Probenahmeorten, neigt jedoch dazu, keine Struktur zu finden, wenn sie nicht im Datensatz vorhanden ist (Falush et al. 2003, Hubisz et al. 2009). Für jeden K-Wert von K = 1 bis 10 wurden zehn unabhängige Durchläufe durchgeführt. Jeder Durchlauf hatte 100.000 Iterationen mit einem Burn-In von 100.000 Iterationen. Um die Anzahl der genetischen Cluster in unserem Datensatz abzuleiten, haben wir die ΔK-Methode von Evanno et al. (2005), die die Änderungsrate der Log-Wahrscheinlichkeit der Daten zwischen aufeinanderfolgenden K-Werten (ΔK) berechnet, um die wahrscheinlichste Anzahl von Clustern mit STRUCTURE HARVESTER zu bestimmen (Earl und vonHoldt 2012). Um die Genotypanteile eines durchschnittlichen Individuums über die Durchläufe hinweg zu erhalten, verwendeten wir CLUMPP (Jakobsson und Rosenberg 2007). Wir ordneten jedes Individuum der Gruppe zu, deren abgeleitete Abstammung höher als 0,5 war (mehr als die Hälfte des Genoms wurde derselben Gruppe zugeordnet). Anschließend wandten wir das Verfahren von Coulon et al. (2008), um alle Ebenen der hierarchischen Struktur zu finden, die unter Waschbären im Stichprobengebiet existieren. Da die ΔK-Methode die oberste Strukturebene erkennt (Evanno et al. 2005), wiederholten wir die Analyse für jedes K, das im vorherigen Lauf entdeckt wurde. Der Vorgang wurde wiederholt, bis die wahrscheinlichste Zahl von K 1 war. Da die ΔK-Methode das wahre K = 1 nicht finden kann, haben wir auch getestet, ob lnP(D) für K = 1 maximal war. Alle nachfolgenden populationsgenetischen Analysen wurden mit STRUKTUR-definierten . durchgeführt genetische Gruppen. Um den Differenzierungsgrad zwischen genetischen Gruppen zu vergleichen, berechneten wir paarweise FNS mit FSTAT 2.9.3. Analysen der molekularen Varianz (AMOVA) wurden mit Arlequin 3.01 durchgeführt, um die genetischen Beziehungen zwischen Populationen, die nach Herkunftsländern gruppiert sind, zu testen, um zu prüfen, ob mehrere Einschleppungen in verschiedenen Ländern vorliegen.

Um den Effekt der genetischen Isolation nach Distanz (IBD) zu beurteilen, testeten wir die Korrelationen zwischen genetischer Distanz und geographischer Distanz (berechnet als geradlinige Distanz, euklidische Distanz) zwischen allen Paaren einzelner Waschbären. Genetische Distanzen zwischen Individuenpaaren wurden nach einer Methode berechnet, die in GenAlEx v. 6.4 implementiert ist (Peakall und Smouse 2006), und der Mantel-Test wurde mit Signifikanz basierend auf 10.000 Matrixpermutationen durchgeführt.

Mikrosatellitendiversität innerhalb der Bevölkerung und demografische Geschichte

Die genetische Diversität wurde für alle STRUKTUR-definierten genetischen Gruppen gemessen. Mittlere Anzahl an Allelen (NEIN), Allelreichtum (AR), beobachtete und erwartete Heterozygotie (HÖ und HE) und Inzuchtkoeffizient (FIST) wurden mit FSTAT 2.9.3 geschätzt. Wir verwendeten LDNE (Waples und Do 2006), um die effektiven Populationsgrößen von zuvor identifizierten Clustern zu schätzen. Das Modell geht von geschlossenen Populationen aus und eliminiert und kontrolliert mögliche Verzerrungen einer kleinen Stichprobengröße. Als niedrigste Allelhäufigkeit setzen wir 0,02 und als Konfidenzintervall 95 %.

Wir haben BOTTLENECK 1.2.02 verwendet, um in jeder Population aktuelle Engpässe und Expansionen zu erkennen (Cornuet und Luikart 1997). Ein Überschuss der beobachteten Gendiversität im Verhältnis zur erwarteten Gendiversität für die Anzahl der in einer Probe nachgewiesenen Allele kann auf einen Populationsrückgang hinweisen. Umgekehrt kann ein Defizit an beobachteter Gendiversität darauf hinweisen, dass die Population wächst. Es wurden zwei Mutationsmodelle angewendet, die für Mikrosatelliten als geeignet erachtet wurden: das strikte schrittweise Mutationsmodell (SMM) und ein Zweiphasenmodell (TPM). Für das TPM haben wir ein Modell verwendet, das 90 % einstufige Mutationen und 10 % mehrstufige Mutationen umfasst. Signifikante Abweichungen der beobachteten Heterozygotie über alle Loci wurden unter Verwendung des nichtparametrischen Wilcoxon-Tests getestet.

Schätzung der Migrationsraten zwischen polnischen Waschbärenpopulationen

Um die Richtung und das Ausmaß der jüngsten Wanderungen zwischen genetischen Clustern, die von STRUCTURE unter den in Polen beprobten Waschbären identifiziert wurden, zu bewerten, haben wir den von Holderegger und Gugerli (2012) beschriebenen Ansatz angewendet. Wir konnten dieses Verfahren nur für Waschbären anwenden, die in Polen beprobt wurden, wo unsere Probennahme umfangreich war und wir für jede Probe genaue geografische Koordinaten hatten. Zuerst haben wir TESS 2.3.1 (Chen et al. 2007) verwendet, um die genetische Populationsstruktur dieser Individuen in der Landschaft vor der Migration zu definieren. Ähnlich wie bei STRUCTURE wendet Tess einen MCMC-Algorithmus an, bezieht aber auch die geografischen Koordinaten von Samples als Vorinformation ein. Wir ließen Tess zunächst mit dem No-Addition-Modell laufen, um die Obergrenze der Anzahl verschiedener Cluster abzuschätzen (Durand et al. 2009). Wir haben eine Burn-In-Periode von 100.000 Iterationen festgelegt, gefolgt von einer Stichprobe von 200.000 Iterationen, und die Anzahl der Cluster von K = 2 bis 5 mit 10 Replikaten von jedem K getestet. Als wahrscheinlichste Anzahl von Clustern haben wir denjenigen ausgewählt, der übereinstimmt das Plateau der Kurve des Abweichungsinformationskriteriums (DIC). Dann führten wir 10 Wiederholungen der Tess-Analyse mit dem Beimischungsmodell durch, wobei die gleichen Parameter wie zuvor für das wahrscheinlichste identifizierte K angewendet wurden. Wir verwendeten CLUMPP (Jakobsson und Rosenberg 2007), um die Genotypanteile einer Person über 10 unabhängige Durchläufe zu mitteln. Jedes Individuum wurde dem genetischen Cluster zugeordnet, dessen abgeleitete Abstammung höher als 50 % war. Im nächsten Schritt wurde die Clusterzuordnung in Tess verwendet, um die Migrationsraten in BIMR zu testen (Faubet und Gaggiotti 2008). Da BIMR davon ausgeht, dass das Sampling vor der Migration stattfand, haben wir die von der Tess-Software identifizierten Cluster anstelle von geografisch definierten Gruppen verwendet. BIMR verwendet einen MCMC-Algorithmus, der eine Abweichung vom Hardy-Weinberg-Gleichgewicht durch Verwendung populationsspezifischer Inzuchtkoeffizienten ermöglicht, das Migrations-Drift-Gleichgewicht in der vorherigen Generation annimmt und asymmetrische Migrationsraten zwischen Populationspaaren während der letzten Generation berechnet. Das Programm verwendet das F-Modell, das davon ausgeht, dass die Beimischung vor der letzten Migrationsgeneration stattgefunden hat. Dadurch kann das Programm die Migrationsraten auch zwischen schwach differenzierten Bevölkerungsgruppen charakterisieren. Wir haben 95 % höchste posteriore Dichteintervalle (HPDI) und 25–45 % Akzeptanzraten nach 10 Wiederholungsläufen festgelegt, um die Konvergenz mit einem Einbrenn- und Stichprobenumfang von 100.000 und einem Ausdünnungsintervall von 50 Iterationen sicherzustellen. Um Parameterschätzungen zu extrahieren, wählten wir den Lauf mit der niedrigsten Zuordnungskomponente der Gesamtabweichung (Dzuordnen).


2 METHODEN

2.1 Probenahmestrategie

Nicht-invasiv (Scat n = 84) wurden hauptsächlich während der Wintertransekte gesammelt. Invasive Proben (Muskelgewebe n = 166) wurden von Verkehrsunfällen und von legal gejagten Tieren gesammelt. Vergleichsproben von Wildhunden, Hunderassen und Caniden hybriden Ursprungs zwischen Karpatenwölfen und Deutschen Schäferhunden (Tschechoslowakischer Wolfshund – Smetanová et al., 2015 ) wurden hinzugefügt, um die Felddiskriminierung zwischen Wolfs- und Hundeproben zu überprüfen und die potenzielle Introgression von Hundeallelen in das Wolfsgenom. Alle Proben (Tabelle S1) wurden mit 96% Ethanol fixiert und bei –20°C gelagert.

2.2 Amplifikation genetischer Marker

DNA aus Kot-/Gewebeproben wurde mit dem QIAamp DNA Stool Mini Kit/DNeasy Blood & Tissue Kit (QIAGEN) extrahiert. Sequenzen von mtDNA wurden verwendet, um die matrilineale Genealogie zu analysieren. Die Primer Thr-L15926 und DL-H16340 wurden verwendet, um die linke variable Domäne der Kontrollregion zu amplifizieren, die eine 230 bp-Sequenz mit einer hohen Dichte an Sparsamkeits-Informationsstellen enthält, was die Verwendung einer bereichsweiten Haplotypklassifikation ermöglicht (Pilot et al ., 2010).

Die PCR wurde in 25 µl Reaktionsvolumina unter Verwendung von 1 U GoTaq G2 Flexi DNA Polymerase (Promega), 1× Puffer, 2,5 mm MgCl . durchgeführt2, 0,2 mm dNTPs, 0,5 μm Primer und 5–20 ng genomische DNA. Die Reaktionsbedingungen umfassten 3 min bei 94 °C, 40 Zyklen von 94 °C (1 min), 50 °C (1 min) und 72 °C (1 min) und eine Endverlängerung bei 72 °C (4 min). Die Produkte wurden unter Verwendung eines QIAquick Gel Extraction Kit (QIAGEN) oder eines GEL/PCR DNA Fragments Extraction Kit (GENEAID) gereinigt. Die Sequenzierung wurde unter Verwendung des BigDye ® Terminator v3.1 Cycle Sequencing Kit durchgeführt. Chromatogramme wurden mit geneious (Kearse et al., 2012) bearbeitet und Sequenzen mit mafft v. 7 (Katoh & Standley, 2013) ausgerichtet.

Um Details der Bevölkerungsstruktur zu ermitteln, wurden nukleare Mikrosatelliten analysiert. Das Canine Genotypes Panel 1.1 (Thermo Fisher), das 18 Mikrosatelliten-Loci und den Amelogenin-Locus für die Geschlechtsbestimmung enthielt, wurde verwendet (Tabelle S2). Die PCR begann bei 98 °C (3 min), gefolgt von 30 Zyklen von 98 °C (15 s), 60 °C (75 s) und 72 °C (30 s), gefolgt von 72 °C (5 min). Für nicht-invasive Proben wurde ein Ansatz mit mehreren Röhrchen verwendet (Taberlet et al., 1996).

Allelgrößen wurden in der Software Genemarker V1.85 (http://www.softgenetics.com) genannt und die Autobin-Software wurde für das Binning verwendet (https://www6.bordeaux-aquitaine.inra.fr/biogeco_eng/Scientific -Produktion/Computer-Software/Autobin). Das Vorhandensein von Null-Allelen, die durch Genotypisierungsfehler aufgrund von Stotterbanden und großen Allel-Ausfällen verursacht wurden, wurde mit einem Mikro-Checker getestet (Van Oosterhout, Hutchinson, Wills & Shipley, 2004).

2.3 Bevölkerungsstruktur und -variation

Die zusammenfassenden Statistiken für Nuklearmarker wurden in GenAlex 6.5 (Peakall & Smouse, 2012) und fstat (Goudet, 1995) ausgewertet. Der Fixierungsindex (FNS) wurde anhand von 1000 Randomisierungen in FreeNA (http://www1.montpellier.inra.fr/CBGP/software/FreeNA/) geschätzt, die Nullallele mithilfe der ENA-Korrekturmethode ausschließen können (Chapuis & Estoup, 2007). Die Zuordnung zu Haplotypen, die Berechnung der beschreibenden Parameter des Sequenzpolymorphismus und Neutralitätstests, die demographische Trends beschreiben, wurden in DnaSp (Rozas, Sánchez-DelBarrio, Messeuger & Rozas, 2003) und dem Median-Joining-Netzwerk (Bandelt, Foster & Rohl, 1999) durchgeführt. wurde im Netzwerk 5 (www.fluxus-engineering.com) berechnet.

2.4 Landschaftsgenetische Analysen und CED

An individual-based approach was combined with the possibility of ascribing particular population genetic discontinuities to landscape attributes using a landscape genetic approach (Manel & Holderegger, 2013 Manel, Schwartz, Luikart, & Taberlet, 2003 ). The R package Geneland (Guillot, Mortier, & Estoup, 2005 ) was used as follows. Initially, the number of clusters was determined by running the programme five times with 10 6 MCMC iterations, a thinning of 100, the number of populations varying from K = 1 to K = 10, a correlated allele frequency model and noise blurring of the coordinates set to 5 km. A model assuming haplotype frequencies/subpopulations in Hardy–Weinberg equilibrium was used for the haploid/diploid markers. Finally, the model was rerun with 10 7 iterations, a burn-in of 10 4 , the number of subpopulations fixed to the K inferred from the initial screening and the remaining parameters identical to those outlined previously. Isolation by distance was tested using the ALLELES IN Space software (Miller, 2005 ).

2.5 Range biogeography

The current distribution of the species within the focal area was expressed using data from previous papers and present study (details in Supporting Information), classified into permanent and sporadic occurrences within the EEA (European Environment Agency) regular square grid (10 × 10 km) according to the criteria described in Chapron et al. (2014).

To clarify the effects of environmental conditions on the spatial pattern of wolf distribution and population genetics, environmental stratification was carried out. This approach is widely used when reduction, decorrelation and synthesis of a number of input variables are needed (e.g., Hazeu et al., 2011 Metzger, Bunce, Jongman, Mücher, & Watkins, 2005 Omernik, 1987 ). The choice of variables prioritized those that are likely to influence population differentiation and adaptive evolution in the grey wolf, for examples, parameters describing temperature and precipitation profiles (Geffen, Anderson, & Wayne, 2004 O'Keefe, Meachen, Fet, & Brannick, 2013 Schweizer, Von Holdt, et al., 2016 ). The input data sets covered the following: (1) climatic factors (annual mean temperature, annual precipitation and mean diurnal range WorldClim 2.0 Fick & Hijmans, 2017 ) (2) topographic variables (altitude, vertical heterogeneity GTOPO30, USGS) (3) land cover structure (derived from Global Land Cover 2015 ESA) and (4) factors of human interference (distance to roads, distance to settlements, landscape fragmentation Global Land Cover 2015 ESA Open Street Maps). The classification of abiotic factors used only climatic and topographic variables. A principal component analysis was performed, and the multiband raster of the first three components was subsequently transformed into clusters using unsupervised classification. Stratification based on the land cover proportion within the EEA grid was used to distinguish natural/anthropogenic differentiation in the Western Carpathians.

The impact of anthropogenic barriers was analysed using effective mesh size (meff), an ecologically relevant metric to quantify landscape fragmentation levels (Girvetz, Thorne, Berry, & Jaeger, 2008 Jaeger, 2000 Moser et al., 2007 ). Fragmentation geometry was prepared using data on urban areas (derived from Global Land Cover 2015), highways and important roads (derived from Open Street Maps Geofabrik GmbH and OpenStreetMap Contributors, 2016). The level of fragmentation was calculated using the CBC effective mesh size measure with the formula of Girvetz et al. ( 2008 ).

The layers depicting results of genetic and geographic analyses obtained by different approaches were combined in arcgis 10.5.


Danksagung

Specimens and species records of Sorex minutus were made available by several museums and we acknowledge the help of the curators from the following institutions: Dept of Ecology and Evolution (Univ. de Lausanne, Switzerland), Univ. na Primorskem and Research Centre of Koper (Slovenia), Natuurhistorisch Museum (Rotterdam, the Netherlands), Dipartimento di Ecologia (Univ. della Calabria, Italy), Museo di Anatomia Comparata and Museo di Zoologia “La Sapienza” (Univ. di Roma, Italy) and Natuurmuseum Brabant (Tilburg, the Netherlands). We are very grateful for the tissue samples provided by Boris Kryštufec, Allan McDevitt, Glenn Yannic, Jacques Hausser, Jan Zima, Fríða Jóhannesdóttir, Holger Bruns, Peter Borkenhagen and Petr Kotlík. We thank David Nogués-Bravo and two anonymous referees for their valuable comments. Bayesian analyses were run at the Computational Biology Service Unit from Cornell Univ. which is partially funded by Microsoft Corporation. We gratefully acknowledge financial support to R. Vega (181844) and A. Lira-Noriega (189216) from CONACyT (México), and to J.-C. Svenning from the Danish Natural Science Research Council (grant 272-07-0242).This work represents the fruits of the discussion of our work presented at the 4th Biennial Conference of the International Biogeography Society (8–12 January 2009, Mérida, Yucatán, México).


Ergebnisse

Genetic variability and structuring based on mtDNA

We found six mtDNA haplotypes (H1, H2, H3, H6, H8, H14—nomenclature consistent with Fig. 2 in Pilot et al. 2006) among 333 analysed samples. They are all known from previous studies (Vila et al. 1999 Randi et al. 2000 Jedrzejewski et al. 2005a Pilot et al. 2006). H1, H2, H3 and H8 belong to haplogroup 1, which is widespread in north-eastern and central Europe and the Iberian Peninsula, whereas H6 and H14 belong to haplogroup 2 that dominates in south-eastern Europe and Italy (Pilot et al. 2010). The number of mtDNA haplotypes per region ranged from one to four (Table 2). We observed no relationship between the number of samples and the number of haplotypes per region (R 2 = 0.004, F 1,10 = 0.038, P > 0.8). Notably, we found the highest number of haplotypes (4) in regions 4 (n = 25 individuals analysed) and 5 (n = 10 inds). The latter region also showed the highest number of polymorphic sites (Table 2). Conversely, samples from regions 2 (n = 28 inds) and 7 (n = 27 inds) revealed only one haplotype, which were H6 and H2, respectively.

Four subpopulations (S1–S4) of wolves in Poland, based on mtDNA, delimited by SAMOVA (linkes Feld) and haplotype frequencies for subpopulations (rechts). Sampling information is provided in Table 1

Results of STRUCTURE analysis for Polish wolves, based on 11 microsatellite loci, assuming K = 2 to 5 subpopulations of wolves. Black lines separate wolves from different sampling regions. Sampling information is provided in Table 1

Structuring of the Polish wolf population inferred by GENELAND in 50 runs. Individuals were assigned to subpopulation G1 in 43 of 50 runs and to population G2 in 40 of 50 runs. Other individuals were inconsistently clustered. Sampling information is provided in Table 1

Principal Component Analysis (PCA) of Polish wolves representing 5 subpopulations suggested by STRUCTURE and GENELAND. The plot shows individual wolves organized by sampling regions (detailed in Table 1). Black ovals are 95 % inertia ellipses. Thirteen outliers (from seven different regions) were excluded to improve resolution of the figure. None of the 13 outliers appeared to have dog ancestry, and nine (for which mtDNA was analysed) had common wolf haplotypes

Relationship between pairwise genetic distances for Polish wolves from the 12 sampling regions based on microsatellite (F NS) and mtDNA (Φ NS) markers. Sampling information is provided in Table 1

Paarweise Φ NS values between the 12 geographically predefined regions were generally very high (>0.25) and statistically significant, which indicated isolation among many regions according to the mtDNA (Table 3). Only seven of the 66 pairwise distance values were low (<0.05). These low values occurred among the regions located in the same part of the country within the lowlands and the Carpathian Mountains.

The results of SAMOVA indicated significant population genetic structure for each assumed number of groups. The highest increase in Φ CT value occurred between K = 3 and K = 4 and all parameters of the Φ-statistics stabilized from K = 4 (Appendix: Fig. 7). Thus, we assumed four subpopulations as the most parsimonious clustering configuration that maximized variation among groups. Wolves from the regions 1, 2, and 3 in the Carpathians formed subpopulation S1 (Fig. 2). Subpopulation S2 was comprised exclusively of individuals from region 4 in south-eastern Poland. Wolves from regions 5, 8, 10, 11, and 12 formed the geographically disjunct subpopulation S3. Finally, wolves from regions 6, 7, and 9 formed subpopulation S4. Subpopulation S1 in the Carpathian Mountains was strongly dominated by haplogroup 2 (97 % of the wolves), and four haplotypes from haplogroup 1 were present there at low frequencies. In contrast, subpopulations S2, S3 and S4 were primarily comprised of individuals carrying haplotypes from the previously identified haplogroup 1 (S2—88 %, S3—96 %, and S4—99 %) and included haplogroup 2 at very low frequencies (Fig. 2). Paarweise Φ NS values among four subpopulations (S1–S4) were all very high (>0.25), which indicates little or no mtDNA gene flow among them (Appendix: Table 5).

Änderungen in Φ-statistics for K = 2 to 6 subpopulations of wolves in Poland, on the basis of mtDNA and inferred from SAMOVA. Φ SC—proportion of the variance among local populations within groups. Φ NS—proportion of the variance among local populations within the total population. Φ CT—proportion of the total variance explained by the grouping

Genetic differentiation and structuring based on microsatellites

We identified a total of 457 wolf genotypes. The allelic drop-out rate ranged from 0.079 to 0.360 among regions. The highest values were observed for the loci FH2010, FH2017 and FH2079 (Appendix: Table 6), which had fragment length >200 bp and thus higher probability of drop-out for low quality-samples (Broquet et al. 2007). Based on all 11 loci, the cumulative PI of all genotypes was 1.35 × 10 −11 and the probability of identity between sibs (PIsib) equaled 5.0 × 10 −5 (detailed data available upon request). Data from seven microsatellites were sufficient to distinguish all 457 genotypes with PI = 3.13 × 10 −7 . We used three samples genotyped at 6 loci. They were assigned to the region of origin, and so their inclusion is unlikely to have biased our results. SNP data for the 66 samples with ≤9 microsatellite loci amplified confirmed individual identifications with cumulative PI = 0.002 and PIsibs = 0.042. Microsatellite data for these 66 samples were therefore included in subsequent analyses.

The 11 loci were polymorphic in all regions and the average number of microsatellite alleles per locus varied between 4.27 and 6.64 (Table 2). Observed heterozygosity (h Ö) values (range 0.45–0.58) were lower than expected (h E, range 0.63–0.69). In the total population of Polish wolves we found significant deviation from HWE at all 11 loci (Appendix: Table 6). We also tested for HWE in subpopulations defined by STRUCTURE (Fig. 3). Four to seven of 11 loci (depending on subpopulation) showed significant deviation from HWE (after correcting for multiple tests), except for subpopulation 5 (regions 8–12) where 10 loci showed significant deviation. Only locus FH2137 displayed consistent deviation from HWE across all subpopulations, the results for other loci varied among subpopulations. F IST values ranged from 0.122 to 0.310 and were not correlated to the number of wolf genotypes per group (R 2 = 0.15, F 1,10 = 1.779, P > 0.2). We found no relationship between the number of mtDNA haplotypes and the number of microsatellite alleles per locus in the 12 regions (Pearson R = 0, F 1,10 = 0.002, P > 0.9). Individuals from regions 5, 9, and 10 did not show private alleles (Table 2). The highest number of private alleles was found in region 12 (western Poland and eastern Germany), which comprised 57 individuals distributed across one-third of the sampling area (see Fig. 1).

Paarweise F NS values between the 12 geographically predefined regions ranged from 0.011 to 0.212 (Table 3) and 59 of 66 pairwise comparisons remained significant after Bonferroni correction. F NS values generally indicated high (>0.15 Balloux and Lugon-Moulin 2002) or moderate (0.05–0.15) genetic differentiation among wolves from the Carpathian Mountains (regions 1, 2, 3) and other sampling regions. Within northern Poland, we observed high differentiation only between regions 6 and 7. The lowest differentiation (F NS < 0.05) was observed among regions 10, 11 and 12 (Table 3).

Microsatellite results from STRUCTURE suggested division of Polish wolves into two subpopulations: the Carpathian Mountains (regions 1–3) and the lowlands (regions 4–12) (Fig. 3). Although LnP(D) continued to increase when augmenting K in the STRUCTURE analyses, ΔK (Evanno et al. 2005) showed highest support for K = 2 followed by K = 5 groups (Appendix: Table 4). However, the pattern of individual assignment into five subpopulations only followed a visible spatial structure for four of the clusters: regions 1–3, region 4, region 6, and region 7 (Fig. 3). Removal of locus FH2137 did not change the genetic clusters identified in STRUCTURE with ΔK showing highest support for K = 2 followed by K = 4 groups.

Inferences made in GENELAND supported clear separation of the Carpathian Mountains (regions 1–3) and south-eastern areas comprising wolves from regions 4 and 5 (Fig. 4). Twenty-six of 50 runs gave a modal value at five whereas 24 gave a mode at six for the posterior distribution of K. None of the 50 runs indicated ghost populations. The location of the two southern clusters was constant among all 50 runs, and 147 wolves from regions 1, 2 and 3 were consistently assigned to the Carpathian subpopulation in 43 of 50 runs. Similarly, 35 individuals from region 4 were assigned to the southeastern subpopulation in 40 of 50 runs. The remaining 275 wolves from regions 6–12 were randomly and inconsistently divided into three or four groups.

Finally, the first two PCA components clearly divided wolves into 2 main groups. PC-1 differentiated the Carpathian wolves (region 1–3) from lowland individuals, and PC-2 separated regions 6 and 7, which both overlapped with regions 8–12 (Fig. 5). Wolves from regions 4–5 were placed on the PCA plot between the Carpathian and lowland individuals, which accords with the STRUCTURE and GENELAND results.

Genetic structuring of wolves based on microsatellite markers and inferred by three analytical tools (STRUCTURE, GENELAND, PCA) and results from mtDNA (SAMOVA) consistently divided the Polish wolf population into a Carpathian and a lowland subpopulation. Within the lowlands, only differentiation of region 4 (Roztocze) by mtDNA was supported by the microsatellite results (GENELAND, STRUCTURE with K = 5). We found concordance between pairwise genetic distances among wolves in 12 regions based on mitochondrial and nuclear markers (Fig. 6). A partial Mantel test (Smouse et al. 1986) where the geographic distance matrix was held constant, while the relationship of F NS und Φ NS was determined, showed a significant positive correlation of the two measures of genetic distance (Mantel R = 0.521, P = 0.001, test with 999 permutations).


Ergebnisse

Wing size differed significantly between species (ANOVA: F(4, 270) =�.47, P <𠂐.001). m. sartor und m. urussovii were larger than the three other species ( Fig. 3 ). The differences between sexes were relatively small but significant (ANOVA: F(1, 270) =𠂖.58, P =𠂐.011). In all species, females were larger than males and there was no significant interaction between the factors of species and sex (ANOVA: F(4, 270) =𠂐.65, P =𠂐.625). The largest sexual dimorphism occurred in M. galloprovincialis und M. sutor ( Fig. 3 ).

Logarithm of centroid size ± SD of hind wing of five species of Monochamus

A MANCOVA revealed that wing shape differed significantly between species but not between males and females ( Table 1 ). The species differed in the allometric relationship as there was significant interaction between factors of species and size. There was also significant interaction between factors of species and sex and interaction between all three factors ( Table 1 ).

Tabelle 1.

MANCOVA of hind wing shape in Monochamus Käfer

WirkungWilks ΛFEffect dfError dfP
Sex0.8301.13240221.00.2830
Spezies0.3821.510160883.60.0002
Größe0.7511.83440221.00.0033
Sex*species0.4411.261160883.60.0235
Sex*size0.8251.16940221.00.2393
Species*size0.3761.536160883.6π.0001
Sex*species*size0.4411.259160883.60.0243

CVA showed that the five species of Monochamus are distinct ( Fig. 4 ). m. saltuarius was particularly well differentiated. On the other hand, there was some overlap between M. sartor und M. urussovii. The smallest squared MD occurred between M. sartor und M. urussovii and the largest between M. sartor und M. saltuarius ( Table 2 ). In pair wise comparisons, all the species differed significantly from each other ( Table 2 ).

Differences in wing venation between five species of Monochamus obtained by CVA. First four canonical variates (CV1𠄼V4) are presented. In the lower graph, only species which were not very well discriminated by the first two canonical variates are shown

Table 2.

Squared MDs between five species of Monochamus (top right triangle) and significance of pair wise differences between the species (bottom left triangle)

M. sutorM. urussoviiM. saltuariusM. sartorM. galloprovincialis
M. sutor42.8574.3156.3140.39
M. urussovii *** 87.6914.6825.35
M. saltuarius *** *** 89.9962.05
M. sartor *** *** *** 24.49
M. galloprovincialis *** *** *** ***

CVA allowed species to be identified with relatively high accuracy. The correct classification percentage of all individuals was 95.3% for the “leave-one-out” cross-validation ( Table 3 ). Most of the misclassified individuals were M. sartor und M. urussovii from Bialowieza therefore, another CVA was carried out in which the Bialowiezan populations were treated separately. There were 16 individuals of M. urussovii and only one individual of M. sartor from this region. The single individual of M. sartor was not used for the calculation of canonical coefficients but it was included in the scatter plot of canonical scores. European and Siberian populations of M. sutor were also included in this analysis.

Tisch 3.

Klassifizierung von Monochamus species based on wing venation

SpeziesCorrectly classified (%)Classified as
M. galloprovincialisM. saltuariusM. sartorM. sutorM. urussovii
M. galloprovincialis94450201
M. saltuarius100042000
M. sartor91003904
M. sutor991001010
M. urussovii89005040

The CVA showed that there was a marked difference between the Carpathian M. sartor and Siberian M. urussovii (squared MD =�.3). It was more than four times larger than the difference within species between the European and Asian population of M. sutor (MD =𠂖.7, Table 4 ). In comparison to M. sutor, the difference between the Bialowieza and Siberian population of M. urussovii was two times higher (MD =�.9, Table 4 ). On the other hand, the later distance was only slightly smaller than the distance between the Carpathian M. sartor and the Bialowiezan M. urussovii (MD =�.8, Table 4 ). The Bialowiezan population of M. urussovii was intermediate between the Carpathian M. sartor and Siberian M. urussovii and overlapped both of them ( Fig. 5 , Table 4 ).

Differences in wing venation between populations of M. sartor, M. sutor, und M. urussovii obtained by CVA

Tabelle 4.

Squared MDs between population of M. sartor, M. sutor, and M. urussovii (top right triangle) and significance of pair wise differences between the populations (bottom left triangle)

M. urussovii (Siberia)M. urussovii (Bialowieza)M. sartor (Carpathians)M. sutor (Europe)M. sutor (Siberia)
M. urussovii (Siberia)13.9727.3149.8756.80
M. urussovii (Bialowieza)NS18.8656.5763.74
M. sartor (Carpathians) *** NS70.0783.03
M. sutor (Europe) *** *** *** 6.75
M. sutor (Siberia) *** *** *** ***

In pair wise comparisons, the Bialowiezan population of M. urussovii did not differ significantly from both the Siberian population of this species and the Carpathian population of M. sartor all other populations and species differed significantly from each other ( Table 4 ). The differences between the populations of M. sartor und M. urussovii were not related to allometry as the populations did not differ in size (ANOVA: F(2, 84) =𠂐.83, P =𠂐.439) and the analysis of residuals of MANCOVA did not markedly change the results presented above.

The UPGMA similarity tree ( Fig. 6 ) confirmed that M. sartor und M. urussovii are very similar to each other in terms of wing venation. There was increasing distance from this pair of species to M. galloprovincialis und M. sutor. m. saltuarius differed most from all other species ( Fig. 6 ).

UPGMA tree of five species of Monochamus based on the wing venation


Funding Statement

The study was financed by the National Science Centre in Poland (UMO-2013/09/N/NZ8/03205 to JS and N N304 058340 to JMW). This study forms part of the PhD thesis of JS, where she was awarded a PhD scholarship from the National Science Centre in Poland (DEC-2015/16/T/NZ8/00015). The research was supported by the European Commission's project No. PIRSES-GA-2009-247652 (BIOGEAST) and the Russian Foundation for Basic Research (project no. 15-04-03801-а). Die Geldgeber spielten keine Rolle beim Studiendesign, der Datenerhebung und -analyse, der Entscheidung zur Veröffentlichung oder der Erstellung des Manuskripts.


Danksagung

We acknowledge support from EU COST Action FA1203 “Sustainable management of Ambrosia artemisiifolia in Europe” (SMARTER) through founding of a Short Term Scientific Mission (STSM) to Daria Bilińska. The authors acknowledge the National Oceanic and Atmospheric Administration (NOAA) for the provision of the HYSPLIT transport and dispersion model used in this publication as well as access to inputs data (GDAS archive) for running the HYSPLIT model. We acknowledge support from the EU European Social Fund, Operational Programme Human Capital, through funding a visiting professor position at University of Wroclaw to Carsten A. Skjøth (June–July 2015). Calculations have been carried out using resources provided by Wroclaw Centre for Networking and Supercomputing (http://wcss.pl), Grant No. 170.


Schau das Video: Lille Peter edderkop (Juli 2022).


Bemerkungen:

  1. Arakree

    ja dofig es steht ...

  2. Arashiran

    you are just dreaming of an unprecedented fairy tale !!! just a good video !!!

  3. Dassais

    Ich möchte dieses Thema nicht entwickeln.

  4. Wynono

    Ich stimme Ihnen zu, danke für die Erklärung. Wie immer ist alles genial einfach.

  5. Edur

    Verdammt, was solls!!!!!!!!!!!!!!!!



Eine Nachricht schreiben