Information

12.4: Diversitätsabhängige Modelle - Biologie

12.4: Diversitätsabhängige Modelle - Biologie


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.

Zeitabhängige Modelle im vorherigen Abschnitt werden oft als Proxy verwendet, um Prozesse wie Schlüsselinnovationen oder adaptive Strahlungen zu erfassen (Rabosky 2014). Viele dieser Theorien legen nahe, dass die Diversifizierungsrate von der Anzahl der zu einer bestimmten Zeit oder an einem bestimmten Ort lebenden Arten und nicht von der Zeit abhängen sollte (Phillimore und Price 2008; Etienne und Haegeman 2012; Etienne et al. 2012; Rabosky 2013; Moen und Morlon 2014 ). Daher möchten wir die Artbildungsrate möglicherweise wirklich von der Vielfalt abhängig machen, anstatt die Zeit als Proxy zu verwenden:

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

Da die Artbildungsrate nun von der Anzahl der Abstammungslinien und nicht mehr von der Zeit abhängt, können wir diesen Ausdruck nicht in unsere allgemeine Formel einfügen (Morlon et al. 2011). Stattdessen können wir den von Etienne et al. (2012) und Etienne et al. (2016). Dieser Ansatz konzentriert sich auf numerische Lösungen für Differentialgleichungen, die sich im Baum durch die Zeit bewegen. Die Gesamtidee des Ansatzes ist Morlon ähnlich, aber die Details unterscheiden sich; Wahrscheinlichkeiten von Etienne et al. (2012) sollten mit allen in diesem Buch vorgestellten Wahrscheinlichkeiten direkt vergleichbar sein, vorausgesetzt, die Konditionierung ist gleich und sie werden mit der Gesamtzahl der topologischen Anordnungen multipliziert, (n + 1)!, um eine Wahrscheinlichkeit für den Baum und nicht für die Verzweigungszeiten zu erhalten. Der Ansatz von Etienne kann auch mit unvollständigem Sampling unter einem einheitlichen Sampling-Modell umgehen.

Als Beispiel können wir unserem oben vorgestellten phylogenetischen Stammbaum der lungenlosen Salamander ein grundlegendes Modell der diversitätsabhängigen Artbildung anpassen. Dabei finden wir eine ML-Schätzung von λ0 = 0.099, μ = 0, und K = 979,9, mit einer Log-Likelihood von 537,3 und einem AIC von -1068,7. Dies ist eine wesentliche Verbesserung gegenüber jedem der oben betrachteten zeitvariablen Modelle und ein Beweis für die Abhängigkeit von der Diversität bei lungenlosen Salamandern.

Sowohl dichte- als auch zeitabhängige Ansätze sind sehr populär geworden, da zeitabhängige Diversifikationsmodelle mit vielen ökologischen Modellen übereinstimmen, wie sich Multi-Spezies-Kladen im Laufe der Zeit entwickeln könnten. Adaptive Strahlungsmodelle, die auf ökologischen Chancen basieren, sagen beispielsweise voraus, dass wir im Laufe der Zeit eine abnehmende Diversifizierungsrate sehen sollten, wenn Nischen gefüllt und ökologische Chancen „aufgebraucht“ werden (Etienne und Haegeman 2012; Rabosky und Hurlbert 2015). Im Gegensatz dazu sagen einige Modelle voraus, dass Arten neue Möglichkeiten für andere Arten schaffen, und sagen daher eine beschleunigte Diversifizierung im Laufe der Zeit voraus (Emerson und Kolm 2005). Dies sind vernünftige Hypothesen, aber es gibt eine statistische Herausforderung: In jedem Fall gibt es mindestens ein konzeptionell unterschiedliches Modell, das genau das gleiche Muster vorhersagt. Im Fall einer sich verlangsamenden Diversifikation kann das vorhergesagte Muster einer Linie-durch-Zeit-Darstellung, die sich zum heutigen Tag hin verbiegt, auch von einem Modell stammen, bei dem Linien mit einer konstanten Rate akkumulieren, dann aber zum heutigen Tag nicht vollständig erfasst werden ( Pybus und Harvey 2000). Mit anderen Worten, wenn wir einige lebende Arten in unserem phylogenetischen Stammbaum vermissen und wir dies nicht berücksichtigen, dann würden wir ein Modell mit konstanten Geburtentodraten als Signal für eine langsamere Diversifizierung im Laufe der Zeit verwechseln. Natürlich können die Methoden, die wir besprochen haben, dies erklären. Einige Methoden können sogar der Tatsache Rechnung tragen, dass die fehlenden Taxa nicht zufällig sind, da fehlende Taxa dazu neigen, entweder selten zu sein oder sich schlecht von ihren Schwesterlinien zu unterscheiden (z. B. oft jünger als zufällig erwartet; Cusimano und Renner 2010; Brock et al Die tatsächliche Anzahl der Arten in einer Klade ist jedoch immer ziemlich unsicher und muss in jedem Fall bekannt sein, damit die Methode funktioniert. Eine alternative Erklärung, die oft gangbar ist, ist, dass wir in unserem Baum Arten fehlen, und Wir wissen nicht, wie viele es gibt.Da ein Großteil des Signals für diese Methoden von den jüngsten Verzweigungsereignissen im Baum stammt, können einige "fehlende" Knoten einfach zu flach sein, als dass Taxonomen diese Dinge "Arten" nennen könnten. „Mit anderen Worten, unsere Schlussfolgerungen zur Diversitätsabhängigkeit aus phylogenetischen Bäumen hängen stark von unserem Verständnis davon ab, wie wir die relevanten Taxa beprobt haben.

Ebenso ahmt ein Muster beschleunigender Differenzierung das Muster nach, das durch Extinktion verursacht wird. Ein phylogenetischer Baum mit hohen, aber konstanten Artenbildungs- und Aussterberaten ist fast unmöglich von einem Baum ohne Aussterbe- und Artbildungsraten zu unterscheiden, die sich im Laufe der Zeit beschleunigen.

Beide oben genannten Vorbehalte sind sicherlich eine Überlegung wert, wenn die Ergebnisse von Diversifikationstests aus phylogenetischen Daten interpretiert werden. In vielen Fällen wird das Hinzufügen von Fossilieninformationen es den Forschern ermöglichen, zuverlässig zwischen den genannten Alternativen zu unterscheiden, obwohl Methoden, die Fossilien und Bäume miteinander verbinden, noch relativ schwach entwickelt sind (siehe jedoch Slater und Harmon 2013). Und viele aktuelle Methoden werden mehrdeutige Ergebnisse liefern, wenn mehrere Modelle gleichwertige Erklärungen für die Daten liefern - wie wir hoffen!


Implementierung

Die Kernfunktionen von COBRApy werden durch eine Reihe von Klassen (Abbildung 1) ermöglicht, die Organismen (Modell), biochemische Reaktionen (Reaktion) und Biomoleküle (Metabolite und Gene) darstellen. Der Kerncode ist entweder über Python oder Jython (Python für Java) zugänglich. COBRApy enthält: (1) cobra.io: ein Eingabe-/Ausgabepaket zum Lesen / Schreiben von SBML [21]-Modellen und Lesen / Schreiben von COBRA Toolbox MATLAB-Strukturen. (2) cobra.flux_analysis: ein Paket zur Durchführung allgemeiner FBA-Operationen, einschließlich Gendeletions- und Flussvariabilitätsanalyse [18]. (3) cobra.topology: ein Paket zur Durchführung von Strukturanalysen – die aktuelle Version enthält den Reporter-Metaboliten-Algorithmus von Patil & Nielsen [22]. (4) cobra.test: eine Suite von Unit-Tests und Testdaten. (5) cobra.solvers: Schnittstellen zu linearen Optimierungspaketen. Und (6) cobra.mlab: eine Schnittstelle zur COBRA Toolbox für MATLAB.

Kernklassen in COBRA für Python mit aufgelisteten Schlüsselattributen und Methoden. Weitere Attribute und Methoden sind in der Dokumentation beschrieben.


Inhaltsvorschau

Zum Beispiel ist der Immunisierungsstatus ein starker Effekt-Modifikator der Beziehung zwischen der Exposition gegenüber einem bestimmten Pathogen und der nachfolgenden Erkrankung durch dieses Pathogen. Als Effektmodifikator modifiziert der Immunisierungsstatus dann die biologische Reaktion der Person. Das Vorliegen einer Effektmodifikation unterstützt einen kausalen Zusammenhang, da sie einen biologisch plausiblen Prozess impliziert.

Konsequenzen, wenn ein Effektmodifikator nicht identifiziert wird

Wenn keine Effektmodifikation erkannt wird, wird der Schätzer der Assoziation des Risikofaktors mit dem Ergebnis (z. B. RR) zu einem gewichteten Durchschnitt zwischen dem RR in einer Stufe von X (z. nicht geimpft).

Methoden zur Berücksichtigung von Effektmodifikationen

Bei der Konzeption und Durchführung einer Studie:

  1. Überlegen Sie, welche Faktoren (Variablen) Effektmodifikatoren sein könnten
  2. Passen Sie nicht auf einen möglichen Effektmodifikator an
  3. Sammeln Sie Informationen zu möglichen Effektmodifikatoren (je mehr, desto besser!)
  4. Ziehen Sie in Erwägung, die Studie zu betreiben, um Effektmodifikatoren testen zu können (Faustregel – 4-fache Stichprobengröße, die erforderlich wäre, um das Vorhandensein von Effektmodifikationen zu testen)

In der Analyse einer Studie:

  1. Konzipieren Sie potenzielle Effektmodifikatoren, indem Sie Ihr Wissen auf dem Forschungsgebiet und Ihre bisherigen Erfahrungen (von sich selbst und anderen) nutzen. Stellen Sie eine Reihe von Fragen (z. B. für Exposition E, Krankheit D und Faktor X, ein potenzieller Effektmodifikator: Gibt es einen Zusammenhang zwischen E und D? Ist es biologisch plausibel, dass der Zusammenhang zwischen E und D für die Konzentrationen von X unterschiedlich ist? ein Unterschied in dieser Studie festgestellt werden?)
  2. Schätzen Sie einen groben (unbereinigten) Zusammenhang zwischen Exposition und Krankheit ab.
  3. Stratifizierung durch potenzielle Effektmodifikatoren, um schichtspezifische Schätzer zu erhalten. Vergleichen/testen Sie die Signifikanz von Unterschieden zwischen schichtspezifischen Schätzern.
  4. Verwenden Sie ein statistisches Modell mit Interaktionsterm.

Beurteilung

  1. Wenn sich die schichtspezifischen Schätzer signifikant voneinander unterscheiden, ist die geschichtete Variable wahrscheinlich ein wichtiger Effektmodifikator.
  2. Statistische Methoden (Breslow-Day Test for Homogeneity of the ORs from Extended Mantel-Haenszel Method, -2 Log Likelihood Test from Logistic Regression) stehen zur Verfügung, um die statistische Signifikanz potenzieller Effektmodifikatoren zu testen und die Schätzer der Exposition-Krankheit-Assoziation zu berechnen entsprechend der Höhe der signifikanten Effektmodifikatoren.
  3. Die meisten epidemiologischen Studien haben nicht genügend statistische Aussagekraft, um potenzielle Effektmodifikatoren (oft nicht das primäre Ziel) statistisch zu identifizieren.

Abwesenheitsnachweis ist nicht gleich Abwesenheitsnachweis.

„Die Interaktionen zwischen Exposition und Rasse, Geschlecht… in Verbindung mit Krankheit wurden statistisch getestet, indem Interaktionsterme in die logistischen Regressionsmodelle eingeführt wurden, und keiner von ihnen erwies sich als statistisch signifikant bei einem p < 0,15-Niveau“.

Ein Effektmodifikator ist eine reale oder vermutete Beziehung in Natur, nicht nur in einem Datensatz beobachtet, im Vergleich zu einem Confounder. Sobald eine Variable als Effektmodifikator identifiziert wurde, wird sie nicht als Störfaktor behandelt.

Beispiel

Hier ist ein Beispiel für eine Effektmodifikation:

Vorfall CHD
Frequenz
Prozent
Reihe Pkt
Col Pct
0 1 Gesamt
0 1191 25 1216
1 93 13 106
Gesamt 1248 38 1322

Quotenverhältnis = 6,66

Vorfall CHD
Frequenz
Prozent
Reihe Pkt
Col Pct
0 1 Gesamt
0 1003 70 1073
1 77 12 89
Gesamt 1080 82 1162

Quotenverhältnis = 2,23

Kombiniert man beide Geschlechter, ist das OR = 4,30. Somit verändert das Geschlecht die Wirkung von Diabetes auf Vorkommnisse von KHK.


Entwicklungsbiologie. 6. Auflage.

Es gibt zwei Hauptmethoden, um ein Neuralrohr zu bilden. In primäre Neurulation, lenken die Zellen, die die Neuralplatte umgeben, die Neuralplattenzellen, sich zu vermehren, einzustülpen und von der Oberfläche abzuschnüren, um eine hohle Röhre zu bilden. In sekundäre Neurulation, das Neuralrohr entsteht aus einem festen Zellstrang, der in den Embryo einsinkt und sich anschließend aushöhlt (kavitiert), um ein hohles Rohr zu bilden. Das Ausmaß, in dem diese Konstruktionsweisen verwendet werden, variiert zwischen den Wirbeltierklassen. Die Neurulation bei Fischen ist ausschließlich sekundär. Bei Vögeln werden die vorderen Abschnitte des Neuralrohrs durch primäre Neurulation hergestellt, während das Neuralrohr kaudal zum 27. Somitenpaar (dh alles hinter den Hinterbeinen) durch sekundäre Neurulation hergestellt wird (Pasteels 1937 Catala et al. 1996 ). Bei Amphibien, wie z Xenopus, Der größte Teil des Neuralrohrs der Kaulquappe wird durch primäre Neurulation hergestellt, aber das Schwanzneuralrohr wird von sekundärer Neurulation abgeleitet (Gont et al. 1993). Bei Mäusen (und wahrscheinlich auch beim Menschen) beginnt die sekundäre Neurulation auf oder um die Ebene des Somiten 35 (Schoenwolf 1984 Nievelstein et al. 1993).


Ohio Department of Natural Resources veröffentlicht Datensatz zum Fischbesatz

Vizegouverneur Jon Husted, Direktor von InnovateOhio, gab am Donnerstag, den 17. Juni 2021, die Erweiterung des DataOhio-Portals um einen neuen Fischbesatz-Datensatz durch das Ohio Department of Natural Resources bekannt.

odx-share "Ohio Department of Natural Resources veröffentlicht Fischbesatz-Datensatz"

Das Bildungsministerium von Ohio tritt dem DataOhio-Portal bei

Das Ohio Department of Education (ODE) ist die jüngste staatliche Behörde, die dem DataOhio-Portal beigetreten ist - seit seiner Einführung im Dezember 2020.

odx-share "Das Ohio Department of Education tritt dem DataOhio-Portal bei"

Willkommen im DataOhio-Portal

Das DataOhio-Portal bietet Innovation, Transparenz und Einblick

odx-share "Willkommen im DataOhio-Portal"

DataOhio-Portal-Erstdatensätze

Diese erstmalige Einführung des DataOhio-Portals bietet Einblicke in 200 Datensätze und über 60 Visualisierungen

odx-share "DataOhio Portal Initial Datasets"

OBM arbeitet mit DAS Business Intelligence Team zusammen, um ein COVID-Ausgaben-Dashboard zu entwickeln

Ein Daten-Dashboard, das hilft, die in Ohio vergebenen und ausgegebenen Bundesmittel zur Bekämpfung der COVID-19-Pandemie zu visualisieren und detailliert darzustellen

odx-share "OBM arbeitet mit DAS Business Intelligence Team zusammen, um ein COVID-Ausgaben-Dashboard zu entwickeln"

Der Bundesstaat Ohio wird von der Digital States Survey anerkannt

Der Bundesstaat Ohio wurde von der 2020 Center for Digital Government Digital States Survey mit der Note &ldquoA&rdquo ausgezeichnet

odx-share "Der Bundesstaat Ohio wird von der Digital States Survey anerkannt"

Executive Order feiert technologischen Fortschritt für Ohio: InnovateOhio-Plattform

Über ein Jahr nach der Unterzeichnung dieser Executive Order hat die InnovateOhio-Plattform einen unglaublichen Wert und zahlreiche Erfolge im Hinblick auf das Ziel der Staatsführung beim Aufbau eines stärkeren Ohios erzielt

odx-share "Executive Order feiert technologischen Fortschritt für Ohio: InnovateOhio Platform"

Das Gesundheitsministerium von Ohio verwendet Datenvisualisierungen, um die Reaktion auf COVID-19 zu leiten

Das Gesundheitsministerium von Ohio verwendet Datenvisualisierungen, um die Reaktion auf COVID-19 zu leiten

odx-share "Das Gesundheitsministerium von Ohio verwendet Datenvisualisierungen, um die Reaktion auf COVID-19 zu leiten"


Schau das Video: GtzVidB5 12 Atembewegg (Juni 2022).


Bemerkungen:

  1. Aryeh

    Im Prinzip stimme ich zu

  2. Arashiktilar

    Ich wage es nicht einmal, es einen Artikel zu nennen.

  3. Sherwin

    Gratuliere mir, mein Sohn wurde geboren!

  4. Fauramar

    Also passiert. Wir können zu diesem Thema kommunizieren. Hier oder per PN.



Eine Nachricht schreiben