Information

Korrelationen zwischen Werkzeugeinsatz und Evolution

Korrelationen zwischen Werkzeugeinsatz und Evolution



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.

Ohne Waffen wären wir Menschen gegen große Raubtiere fast wehrlos. Auch kleine Säugetiere können dem Menschen entkommen. Unsere Eckzähne sind so degeneriert, dass sie als Waffen fast nutzlos sind. Ein junger Schimpanse ist viel stärker als ein Mensch.

Wie also konnten unsere Vorfahren vor der Erfindung von Werkzeugen und Waffen überleben?

Anscheinend hat unsere Spezies diese Dinge nicht unbedingt erfunden. Soweit ich weiß, benutzten ältere Hominiden schon vor der Entwicklung unserer Spezies Werkzeuge und Waffen. Ich würde daher annehmen, dass wir im Wesentlichen Werkzeuge und Waffen von der Spezies geerbt haben, aus der wir uns entwickelt haben.

Jedenfalls sind wir im Vergleich zu Schimpansen und anderen Menschenaffen unglaublich schwach und wehrlos. Man könnte spekulieren, dass große Eckzähne und körperliche Stärke irrelevanter wurden, als unsere Vorfahren begannen, sich zum Schutz auf künstliche Waffen zu verlassen.

Ist Ihnen eine Studie bekannt, die dies unterstützt? Zeigen unsere Vorfahren einen Trend zu kleineren Eckzähnen oder eine Abnahme der Körperkraft?


Das ist eine sehr verwirrende Frage! Sie haben viele Sätze, die mit Fragezeichen enden, aber dann beantworten Sie sie selbst und enden mit einem abschließenden Fragezeichen, das im Grunde genommen "gibt es Referenzen, die zeigen, dass ich Recht habe", aber so formuliert ist, dass die Antwort eher trivial ist ( ja, unsere Vorfahren zeigen natürlich eine Abnahme der Hundegröße, ich bin mir nicht sicher, wie Sie sonst von dort bis hierher kommen würden. Stärke ist bei Fossilien schwerer zu messen).

Ich werde ein paar Punkte ansprechen. Zuerst denke ich, dass diese Frage die Menschen viel unglücklicher und verletzlicher macht als wir:

Ohne Waffen wären wir Menschen gegen große Raubtiere fast wehrlos.

Menschen sind große Raubtiere. Es ist ein Nitpick, weil Ihre anderen Punkte bezüglich der relativen Stärke von Menschenaffen und der Art und Weise, wie wir Waffen verwenden, richtig sind, aber ich denke, es ist relevant für die Trope "oh wir armen matschigen wehrlosen Menschen". Wir neigen dazu, unsere Größe als normal zu betrachten, aber wir gehören tatsächlich zu den größten Tieren.

Auch kleine Säugetiere können dem Menschen entkommen.

Nicht lange können sie nicht. Eine Hypothese, die im Bereich der menschlichen Evolution heute eine gewisse Glaubwürdigkeit zu haben scheint, ist die Endurance-Running-Hypothese, die darauf hinweist, dass fast kein anderes Tier unsere Fähigkeit zum Laufen für sehr lange Zeit teilt und dass darauf basierende Jagdstrategien möglicherweise ein bedeutender Aspekt unserer Evolution, der viele Aspekte unserer Physiologie erklären würde.

Natürlich würde diese Art der Jagd wahrscheinlich Waffen beinhalten, aber wie Sie darauf hinweisen, verwenden Menschen und Proto-Menschen seit langem Werkzeuge.

Sie scheinen ein Bild von schwachen Proto-Menschen zu haben, die Waffen erfinden, um den Spieß um die großen Raubtiere zu drehen, die sie fressen würden, aber wie hätten sie vorher überlebt? Ich hatte ein ähnliches über Haarlosigkeit und Kleidung; wahrscheinlich neigen wir dazu, den menschlichen Körper als unveränderliche menschliche Attribute und alle unsere Werkzeuge als optional zu betrachten. Wenn die Wahrheit, wie Sie selbst sagten, ist, dass der Mensch als Spezies nicht von unseren Werkzeugen und unserer Intelligenz zu trennen ist; unser Körper, unser Geist und unser Verhalten haben sich alle gemeinsam entwickelt. Es gab nie einen schwachen, nackten Menschen ohne Werkzeug; Vor den Werkzeugen waren unsere Vorfahren weder schwach noch nackt und mit Werkzeugen sind wir es natürlich auch nicht. Auch Intelligenz und soziales Verhalten zählen viel; ein einzelner Mensch könnte für ein großes Raubtier verwundbar sein, während eine koordinierte Gruppe von Hominiden, die wahrscheinlich mit Stöcken und Steinen bewaffnet sind und ein gewisses Verständnis dafür haben, wie man sie benutzt, eine andere Geschichte wäre.

Aber Sie wollen tatsächliche Referenzen und Beweise, was schwieriger ist. Ich habe auf die Wikipedia-Seite über die Entwicklung der Hundegröße verlinkt, aber die Stärke lässt sich im Fossilienbestand nicht so leicht messen. Ich denke, dieses Papier könnte das nächste sein:

Körpermasse und Enzephalisation bei pleistozänem Homo

Entsprechendes Zitat aus dem Abstract:

Auf der Grundlage einer Analyse von 163 Individuen war die Körpermasse im Pleistozän-Homo im Durchschnitt signifikant (ca. 10 %) größer als eine repräsentative Stichprobe lebender Menschen.

Das setzt voraus, dass die Körpermasse ein guter Indikator für Kraft ist, was mir nicht klar ist.

Das folgende Papier bestätigt, dass der Mensch tatsächlich schwächer ist als andere Menschenaffen und dass sich die Gene im Zusammenhang mit der Skelettmuskulatur seit unserem gemeinsamen Vorfahren mit ihnen stark verändert haben, gibt jedoch keine Zeitleiste an:

Außergewöhnliche evolutionäre Divergenz der menschlichen Muskel- und Gehirnmetabolimen parallel zur kognitiven und physischen Einzigartigkeit des Menschen

Dieses Papier geht mit der Hypothese ein, dass der Kraftverlust durch die Umleitung von Ressourcen in unser Gehirn verursacht wurde, aber andere Papiere deuten darauf hin, dass es einen Kompromiss zwischen Kraft und feinmotorischer Kontrolle geben könnte, wie hier:

Die Stärke der Menschenaffen und die Geschwindigkeit des Menschen

Vor mehr als 50 Jahren haben Maynard Smith und Savage (1956) gezeigt, dass der Bewegungsapparat von Säugetieren an Kraft im einen Extrem und Geschwindigkeit im anderen angepasst werden kann, aber nicht beides. Menschenaffen sind an Kraft angepasst – Schimpansen sind nachweislich etwa viermal so stark wie fitte junge Menschen, wenn sie auf die Körpergröße normalisiert werden. Die entsprechende Geschwindigkeit, die menschliche Gliedmaßensysteme auf Kosten der Leistung gewinnen, ist entscheidend für effektive menschliche Aktivitäten wie Laufen, Werfen und Manipulation, einschließlich der Werkzeugherstellung. Der Fossilienbestand kann Aufschluss darüber geben, wann der Wechsel von Leistung zu Geschwindigkeit stattfand. Ich skizziere eine Hypothese, die darauf hindeutet, dass der Unterschied in der Muskelleistung zwischen den beiden Arten dadurch verursacht wird, dass Schimpansen viel weniger kleine motorische Einheiten als Menschen haben, was wiederum dazu führt, dass sie bei einer bestimmten Aufgabe mehr Muskelfasern früher kontrahieren.

(Beachten Sie, dass dieses Papier hauptsächlich eine Hypothese vorzuschlagen scheint und sie nicht demonstriert, und es wird nicht sehr zitiert ... aber viele der Papiere, die es zitieren, sehen interessant aus. Einschließlich dieses Eintrags in der "könnten Vormenschen mit Waffen jagen" Säule:

Schlüsselbeinlänge, Wurfleistung und Rekonstruktion der Schulter des Homo erectus

Diese Daten (…) legen nahe, dass die Fähigkeit zum Hochgeschwindigkeitswerfen fast zwei Millionen Jahre zurückreicht.

)

Ich denke, die Frage, wie sich die menschliche Kraft in ihrer Evolutionsgeschichte entwickelt hat, ist wahrscheinlich mit der modernen Genetik sehr gut zu beantworten. Ich habe nach Artikeln in der Richtung dieser gesucht, die sich mit Kiefermuskeln und nicht mit Oberkörperkraft befasst:

Die Myosin-Genmutation korreliert mit anatomischen Veränderungen in der menschlichen Abstammungslinie

Unter Verwendung der kodierenden Sequenz für die Myosin-Stäbchendomänen als molekulare Uhr schätzen wir, dass diese Mutation vor etwa 2,4 Millionen Jahren aufgetreten ist, also vor dem Erscheinen der modernen menschlichen Körpergröße und der Auswanderung von Homo aus Afrika.

aber ich habe keine gefunden; Es ist möglich, dass diese spezielle Frage noch nicht beantwortet wurde.


Ein altes genetisches Werkzeug in der Pflanzenbiologie hat immer noch Wert

Wissenschaftliche Werkzeuge für die Pflanzengenetikforschung verblassen ständig, da sich neuere Methoden entwickeln. Forscher der Mississippi State University haben jedoch herausgefunden, dass eine ältere Methode, die Verwendung fragmentierter Chloroplasten-DNA-Sequenzen, inmitten moderner Technologien immer noch stark ist.

Chloroplast Simple Sequence Repeats oder Mikrosatelliten (cpSSRs) sind kurze, sich wiederholende DNA-Fragmente, die bestimmte Stellen im Genom einer Pflanze markieren. cpSSR-Marker werden verwendet, um die Pflanzenevolution zu untersuchen, z. Sie sind besonders nützlich, um Pflanzengruppen zu unterscheiden und ihre evolutionären Beziehungen aufzulösen.

Gregory Wheeler, Associate Professor Lisa Wallace und Kollegen fanden heraus, dass Pflanzenstudien, die cpSSRs verwenden, zunehmen. Die Zahl der Pflanzenstudien mit cpSSRs hat sich in den letzten zehn Jahren verdoppelt. Seit 1995 werden cpSSRs verwendet, um Wild- und Kulturpflanzen aus 85 verschiedenen Pflanzenfamilien zu untersuchen – die häufigste ist die Geschichte der Kiefern (Pinaceae-Familie) bis zur letzten Eiszeit.

Viele Pflanzenforschungslabore wenden die neuesten Sequenzierungsmethoden der nächsten Generation an, um molekulargenetische Daten zu sammeln, da diese Methoden einen vollständigeren "Fingerabdruck" der Pflanzen-DNA ermöglichen. Wallace betont jedoch: "Es gibt immer noch viele Labore, die nicht über die finanziellen oder genomischen Ressourcen verfügen, um Sequenzierungsmethoden der nächsten Generation durchführbar zu machen."

Die veröffentlichte Übersicht über den Status von cpSSRs in der Pflanzengenetik wurde in einer aktuellen Ausgabe von . veröffentlicht Anwendungen in Pflanzenwissenschaften (erhältlich zur kostenlosen Ansicht unter http://www.bioone.org/doi/pdf/ 10.3732/apps. 1400059).

Da cpSSRs nach wie vor eine beliebte Methode sind, untersuchten Wheeler und Kollegen ihre Risiken und Vorteile, um die geeignetsten und informativsten wissenschaftlichen Fragen aufzudecken, die cpSSRs in zukünftigen Studien beantworten können.

Das häufigste Problem bei cpSSRs, auf das weniger als 33 Prozent der Studien getestet wurden, wird Größenhomoplasie genannt. Größenhomoplasie tritt auf, wenn Mutationen in der DNA unabhängig voneinander auftreten, was dazu führt, dass DNA von verschiedenen Pflanzen durch evolutionäre Abstammung fälschlicherweise ähnlich erscheint. Größenhomoplasie kann Wissenschaftler dazu führen, die Verwandtschaft mit Pflanzen zu überschätzen.

Um die Risiken der Größenhomoplasie zu veranschaulichen, zogen Wheeler und Kollegen ihre eigenen Daten über die Pflanzengattung Akmispon, ein Mitglied der Erbsenfamilie, das in ganz Kalifornien, USA, vorkommt. Vier der neun getesteten Loci zeigten eine Größenhomoplasie innerhalb oder zwischen Spezies. "Ich war überrascht, dass es in cpSSR-Studien keinen Test auf Homoplasie gab, wenn man bedenkt, wie häufig wir sie in unserem eigenen Datensatz entdeckt haben", kommentiert Wallace.

Für zukünftige Studien schlagen Wallace und Kollegen vor, cpSSRs zu verwenden, die für bestimmte Pflanzenarten entwickelt wurden. Dieser Ansatz kann dazu beitragen, Probleme der Größenhomoplasie zu vermeiden und Fragen im Zusammenhang mit der genetischen Erhaltung und Variabilität einzelner Arten zu beantworten, beispielsweise solche, die wirtschaftlich und ökologisch wichtig sind.

"In den letzten zehn Jahren hat es große Veränderungen in Richtung NGS-Techniken gegeben", sagt Wallace, "aber unsere Arbeit zeigt, dass cpSSRs für viele Forschungsgruppen in den Grundlagen- und angewandten Pflanzenwissenschaften immer noch ein nützlicher Markertyp sind." Da die Zahl genetischer Werkzeuge für die Pflanzenforschung wächst, wird Wallace zufolge die Verfügbarkeit neuer Studiensysteme weiter zunehmen, was neue Möglichkeiten für den Einsatz von cpSSRs in der Pflanzenbiologie bietet.

Gregory L. Wheeler, Hanna E. Dorman, Alenda Buchanan, Lavanya Challagundla und Lisa E. Wallace. Ein Überblick über die Prävalenz, den Nutzen und die Vorbehalte der Verwendung von einfachen Sequenzwiederholungen von Chloroplasten für Studien der Pflanzenbiologie. Anwendungen in Pflanzenwissenschaften 2(12): 1400059. doi: 10.3732/apps.1400059.

Anwendungen in den Pflanzenwissenschaften (APPS) ist eine monatliche, von Experten begutachtete Open-Access-Zeitschrift, die sich auf neue Werkzeuge, Technologien und Protokolle in allen Bereichen der Pflanzenwissenschaften konzentriert. Es wird von der Botanical Society of America herausgegeben, einer gemeinnützigen Mitgliedergesellschaft mit dem Ziel, die Botanik zu fördern, das Gebiet der Grundlagenwissenschaften, das sich mit dem Studium und der Erforschung der Form, Funktion, Entwicklung, Vielfalt, Fortpflanzung, Evolution und Verwendung von Pflanzen befasst und ihre Wechselwirkungen innerhalb der Biosphäre. APPS ist als Teil der Open-Access-Sammlung von BioOne erhältlich.

Für weitere Informationen wenden Sie sich bitte an die APPS Mitarbeiter unter [email protected]

Haftungsausschluss: AAAS und EurekAlert! sind nicht verantwortlich für die Richtigkeit von Pressemitteilungen, die an EurekAlert! durch beitragende Institutionen oder für die Nutzung von Informationen über das EurekAlert-System.


Inhalt

Phylogenetisch vergleichende Ansätze können andere Methoden der Anpassungsforschung ergänzen, wie das Studium natürlicher Populationen, experimentelle Studien und mathematische Modelle. [6] Interspezifische Vergleiche ermöglichen es Forschern, die Allgemeingültigkeit evolutionärer Phänomene zu beurteilen, indem sie unabhängige evolutionäre Ereignisse berücksichtigen. Ein solcher Ansatz ist besonders nützlich, wenn es innerhalb der Arten wenig oder keine Variation gibt. Und weil sie zur expliziten Modellierung evolutionärer Prozesse über sehr lange Zeiträume verwendet werden können, können sie Einblicke in makroevolutionäre Fragen geben, die einst die exklusive Domäne der Paläontologie waren. [4]

Phylogenetische Vergleichsmethoden werden häufig auf solche Fragen angewendet wie:

Beispiel: Haben Caniden größere Herzen als Feliden?

Beispiel: Haben Fleischfresser ein größeres Verbreitungsgebiet als Pflanzenfresser?

Beispiel: Wo hat sich die Endothermie in der Abstammungslinie entwickelt, die zu Säugetieren führte?

Beispiel: Wo, wann und warum haben sich Plazenten und Viviparität entwickelt?

  • Weist ein Merkmal in einer bestimmten Gruppe von Organismen ein signifikantes phylogenetisches Signal auf? Neigen bestimmte Arten von Merkmalen dazu, "der Phylogenie" mehr zu folgen als andere?

Beispiel: Sind Verhaltensmerkmale während der Evolution labiler?

Beispiel: Warum haben Arten mit kleinem Körper eine kürzere Lebensdauer als ihre größeren Verwandten?

Felsenstein [1] schlug 1985 die erste allgemeine statistische Methode zur Einbeziehung phylogenetischer Informationen vor, d. h. die erste, die jede beliebige Topologie (Verzweigungsreihenfolge) und einen bestimmten Satz von Zweiglängen verwenden konnte. Das Verfahren wird heute als Algorithmus anerkannt, der einen Spezialfall sogenannter phylogenetischer generalisierter kleinster Quadrate implementiert. [8] Die Logik der Methode besteht darin, phylogenetische Informationen (und ein angenommenes Brownsches Bewegungsmodell der Merkmalsentwicklung) zu verwenden, um die ursprünglichen Spitzendaten (Mittelwerte für eine Reihe von Arten) in statistisch unabhängige und identisch verteilte Werte umzuwandeln.

Der Algorithmus beinhaltet die Berechnung von Werten an internen Knoten als Zwischenschritt, die jedoch in der Regel nicht allein für Inferenzen verwendet werden. Eine Ausnahme tritt für den basalen (Wurzel-)Knoten auf, der als Schätzung des Vorfahrenwerts für den gesamten Baum interpretiert werden kann (vorausgesetzt, dass keine Richtungsentwicklungstendenzen [zB Cope-Regel] aufgetreten sind) oder als phylogenetisch gewichtete Schätzung der Mittelwert für den gesamten Satz der Spitzenarten (terminale Taxa). Der Wert an der Wurzel entspricht dem aus dem "Squared-Change-Parsimony"-Algorithmus erhaltenen Wert und ist auch die Schätzung der maximalen Wahrscheinlichkeit unter Brownscher Bewegung. Die unabhängige Kontrastalgebra kann auch verwendet werden, um einen Standardfehler oder ein Konfidenzintervall zu berechnen.

Das wahrscheinlich am häufigsten verwendete PCM ist die phylogenetische generalisierte kleinste Quadrate (PGLS). [8] [9] Dieser Ansatz wird verwendet, um zu testen, ob eine Beziehung zwischen zwei (oder mehr) Variablen besteht, während die Tatsache berücksichtigt wird, dass die Abstammungslinie nicht unabhängig ist. Die Methode ist ein Spezialfall der verallgemeinerten kleinsten Quadrate (GLS) und als solche ist der PGLS-Schätzer auch unverzerrt, konsistent, effizient und asymptotisch normal. [10] In vielen statistischen Situationen, in denen GLS (oder gewöhnliche kleinste Quadrate [OLS]) verwendet wird, bleiben Restfehler ε werden als unabhängige und identisch verteilte Zufallsvariablen angenommen, die als normal angenommen werden

wohingegen in PGLS angenommen wird, dass die Fehler verteilt sind als

wo V ist eine Matrix der erwarteten Varianz und Kovarianz der Residuen bei einem evolutionären Modell und einem phylogenetischen Baum. Daher ist es die Struktur der Residuen und nicht die Variablen selbst, die ein phylogenetisches Signal zeigen. Dies hat in der wissenschaftlichen Literatur lange Zeit für Verwirrung gesorgt. [11] Für die Struktur von V B. Brownsche Bewegung [8] Ornstein-Uhlenbeck, [12] und Pagels -Modell. [13] (Bei Verwendung eines Brownschen Bewegungsmodells ist PGLS identisch mit dem unabhängigen Kontrastschätzer. [14] ). Bei PGLS werden die Parameter des Evolutionsmodells typischerweise mit den Regressionsparametern co-geschätzt.

PGLS kann nur auf Fragen angewendet werden, bei denen die abhängige Variable kontinuierlich verteilt ist. Der phylogenetische Baum kann jedoch auch in die Residualverteilung von generalisierten linearen Modellen integriert werden, was es ermöglicht, den Ansatz auf einen breiteren Satz von Verteilungen für die Antwort zu verallgemeinern. [15] [16] [17]


Intralocus-taktischer Konflikt: genetische Korrelationen zwischen Kämpfern und Turnschuhen des Mistkäfers Onthophagus Stier

Korrespondenz: Bruno A. Buzatto, Zentrum für Evolutionsbiologie, School of Animal Biology (M092), The University of Western Australia, 35 Stirling Highway, Crawley, WA 6009, Australien.

Tel.: (+61 8) 64882699 Fax: (+61 8) 64881029

Institut für Bio- und Umweltwissenschaften, Universität Jyväskylä, Jyväskylä, Finnland

Zentrum für Evolutionsbiologie, School of Animal Biology (M092), The University of Western Australia, Crawley, WA, Australien

Zentrum für Evolutionsbiologie, School of Animal Biology (M092), The University of Western Australia, Crawley, WA, Australien

Zentrum für Evolutionsbiologie, School of Animal Biology (M092), The University of Western Australia, Crawley, WA, Australien

Korrespondenz: Bruno A. Buzatto, Zentrum für Evolutionsbiologie, School of Animal Biology (M092), The University of Western Australia, 35 Stirling Highway, Crawley, WA 6009, Australien.

Tel.: (+61 8) 64882699 Fax: (+61 8) 64881029

Institut für Bio- und Umweltwissenschaften, Universität Jyväskylä, Jyväskylä, Finnland

Zentrum für Evolutionsbiologie, School of Animal Biology (M092), The University of Western Australia, Crawley, WA, Australien

Zentrum für Evolutionsbiologie, School of Animal Biology (M092), The University of Western Australia, Crawley, WA, Australien

Abstrakt

Männchen und Weibchen unterscheiden sich in ihren phänotypischen Optima für viele Merkmale, und da die Mehrheit der Gene in beiden Geschlechtern exprimiert wird, können einige Allele für das eine Geschlecht von Vorteil sein, aber für das andere schädlich sein (Intralocus Sexual Conflict ISC). Die ISC-Theorie wurde kürzlich auf intrasexuelle Dimorphismen ausgedehnt, bei denen bestimmte Allele gegenteilige Auswirkungen auf die Fitness von Männchen unterschiedlicher Morphe haben können, die alternative Fortpflanzungstaktiken anwenden (Intralocus Tactical Conflict ITC). Hier verwenden wir ein Halbgeschwister-Zuchtdesign, um die genetischen Grundlagen für ISC und ITC im Mistkäfer zu untersuchen Onthophagus Stier. Wir fanden für fast alle untersuchten Merkmale positive Heritabilitäten und intersexuelle genetische Korrelationen. Als nächstes berechneten wir die intrasexuelle genetische Korrelation zwischen Männchen unterschiedlicher Morphe für die Hornlänge, ein sexuell ausgewähltes Merkmal, und verglichen sie mit intrasexuellen Korrelationen für natürlich ausgewählte Merkmale bei beiden Geschlechtern. Intrasexuelle genetische Korrelationen unterschieden sich nicht signifikant zwischen den Geschlechtern oder zwischen natürlichen und sexuell ausgewählten Merkmalen, was die Hypothese nicht unterstützte, dass Hörner aufgrund von ITC eine Verringerung der intrasexuellen genetischen Korrelationen darstellen. Wir diskutieren die Implikationen für die Idee der entwicklungsbezogenen Reprogrammierung zwischen männlichen Morphen und betonen die Bedeutung genetischer Korrelationen als Beschränkungen für die Evolution von Dimorphismen.


Das menschliche Darmmikrobiom im Kontext unserer nächsten evolutionären Vorfahren: nichtmenschliche Primaten

Trotz der evolutionären Relevanz vergleichen überraschend wenige Studien systematisch menschliche und nicht-menschliche Primaten-Darmmikrobiome. Der direkte Vergleich von Primaten- und menschlichen Mikrobiomen bietet Einblicke in die Faktoren, die unser Mikrobiom während unserer evolutionären Vergangenheit geprägt haben. Die vorliegenden Daten zeigen, dass der Mensch im Gegensatz zu unseren jüngsten gemeinsamen Vorfahren, den afrikanischen Menschenaffen, eine geringere Diversität der Darmmikrobiota und eine erhöhte relative Häufigkeit von Bakteroiden, und reduzierte relative Häufigkeiten von Methanobrevibacter und Fibrobacter [32, 33]. Viele dieser Merkmale werden bei anderen Säugetieren mit Fleischfressern in Verbindung gebracht, was darauf hindeutet, dass eine menschliche Ernährungsumstellung hin zum Fleischessen über evolutionäre Zeiträume hinweg von assoziierten mikrobiellen Veränderungen im Darm begleitet sein könnte [34, 35]. Der Vergleich von Primaten- und Humanmikrobiom gibt auch einen Hinweis darauf, wie schnell sich das Humanmikrobiom verändert. Die Zusammensetzung des menschlichen Darmmikrobioms scheint sich im Vergleich zu der der Menschenaffen beschleunigt vom Zustand der Vorfahren abgewichen zu haben [33]. Einige der möglicherweise verantwortlichen Kennzeichen der menschlichen Evolution und Geschichte sind gekochte Nahrung, das Aufkommen der Landwirtschaft, die Zunahme der Bevölkerungsgröße und -dichte sowie physiologische Veränderungen wie der menschenspezifische Verlust von N-Glycolylneuraminsäure (Neu5Gc).

Eine Metaanalyse von Datensätzen zum Mikrobiom nicht-menschlicher Primaten und des menschlichen Darms, die derzeit im öffentlichen Qiita-Repository verfügbar sind, liefert zusätzliche Erkenntnisse (siehe Abb. 1). Die Unterschiede zwischen den menschlichen Populationen scheinen den Unterschieden zwischen den Arten bei nicht-menschlichen Primaten ähnlich zu sein ( 1b ). Unterschiede zwischen den Populationen des Menschen werden häufig der Ernährung zugeschrieben [14, 15]. In ähnlicher Weise ändern sich die Darmmikrobiome von nichtmenschlichen Primaten als Reaktion auf den Lebensraum und die Jahreszeit des Wirts [36,37,38,39,40,41,42,43], Effekte, die am stärksten mit räumlichen und zeitlichen Variationen der Ernährung verbunden zu sein scheinen. Unterschiede in der Zusammensetzung des Darmmikrobioms bei nicht-menschlichen Primaten spiegeln jedoch phylogenetische Beziehungen zwischen Wirten wider, ein Muster, das als bekannt ist Phylosymbiose, und dieses Signal der Wirtsphylogenese bleibt über eine Reihe von Zeiträumen bestehen, unabhängig von der Ernährung [43]. Auch das menschliche Mikrobiom weist Anzeichen einer Phylosymbiose auf. Bei den Primaten ist die Zusammensetzung des menschlichen Mikrobioms am ähnlichsten der von Affen und Menschenaffen der Alten Welt und unterscheidet sich vom Darmmikrobiom von Primaten und Lemuren der Neuen Welt (Abb. 1b). Nichtsdestotrotz würden umfangreichere Stichproben von nichtmenschlichen Primatenpopulationen dazu beitragen, festzustellen, ob die Variationsbreite des menschlichen Mikrobioms dem von nichtmenschlichen Primaten ähnlich ist und ob die Muster der Phylosymbiose wirklich unterschiedlich resistent gegenüber dem Umweltkontext des Wirts sind. Diese Daten würden Aufschluss darüber geben, ob einzigartige und/oder unterschiedlich entwickelte Aspekte der menschlichen Physiologie und Umwelt zu humanspezifischen Darmmikrobiommerkmalen führten und ob nicht-menschliche Primaten ein Modell für das Verständnis von Ernährungsumstellungen und deren Auswirkungen auf das Mikrobiom im Laufe der menschlichen Evolutionsgeschichte darstellen .

In diesem Sinne bieten Studien an in Gefangenschaft gehaltenen Primaten mit künstlich manipulierter Ernährung einen hilfreichen Kontext für das Verständnis menschlicher Ernährungsumstellungen. Mehrere Studien, darunter auch unsere eigene, stellen fest, dass Primaten in Gefangenschaft im Vergleich zu ihren wilden Artgenossen eine weniger vielfältige, ballaststoffarme Ernährung zu sich nehmen [42, 44, 45], was den allmählichen Übergang zu einer ballaststoffarmen Ernährung im Laufe der menschlichen Evolution und den starken Gegensatz von . widerspiegelt moderne westliche und nicht-westliche Ernährung. Eine Studie berichtet, dass die ballaststoffarme Ernährung von Brüllaffen und Languren in Gefangenschaft zu einer „Humanisierung“ des Darmmikrobioms führt, die durch den Verlust der mikrobiellen Vielfalt gekennzeichnet ist [41, 44]. Aber selbst bei der ballaststoffarmen Ernährung waren die Heuler- und Douc-Mikrobiome nicht-westlichen als westlichen menschlichen Mikrobiomen ähnlicher, was darauf hindeutet, dass die Beziehung zwischen der Wirtsernährung und der Darmmikrobiota zwischen menschlichen und nicht-menschlichen Primaten unter Berücksichtigung spezifischer Mikroben unterschiedlich ist Taxa. Unsere eigene Studie zum Vergleich der Darmmikrobiome von Meerkatzen und Menschen, die sowohl ballaststoffreiche als auch ballaststoffarme Ernährung zu sich nehmen, berichtet über ähnliche Ergebnisse [41]. Im Gegensatz zu Beobachtungen westlicher gegenüber nicht-westlicher Bevölkerungsgruppen [14], Bakteroiden relative Abundanzen sind bei in Gefangenschaft gehaltenen Tieren mit ballaststoffarmer Ernährung geringer [44], während Prevotella relative Häufigkeiten sind höher. Diese Daten weisen darauf hin, dass sich eng verwandte mikrobielle Taxa entwickelt haben könnten, um unterschiedliche Stoffwechselfunktionen in menschlichen und nicht-menschlichen Primaten-Mikrobiomen zu kodieren. Angesichts der allgemeinen Ähnlichkeiten zwischen Primaten-Mikrobiomen bietet die Ausrichtung auf diese verwandten, aber gegensätzlichen Abstammungslinien für eine detailliertere genomische und funktionelle Charakterisierung einzigartige Möglichkeiten, sowohl die Gesamtfunktion des menschlichen Mikrobioms als auch die Auswirkungen der Evolution seiner Bestandteile auf die menschliche Gesundheit zu verstehen.


Ergebnisse

Unsere Ergebnisse weisen auf einen starken Zusammenhang zwischen Angiospermen-Diversifizierung und der Rate der Samengrößenentwicklung unabhängig von der Analysemethode oder Zeitskala hin, mit schwächeren Beweisen für einen Zusammenhang zwischen makroevolutionärer Dynamik und absoluter Samengröße. In erster Linie berechneten wir Speziationsraten (λ), Extinktion (μ) und Samengrößenentwicklung mithilfe der Bayesian Analysis of Macroevolutionary Mixtures (BAMM) [19]. BAMM-Modelle bewerten Heterogenität über Zeit und Abstammungslinien und berücksichtigen unvollständige Taxonstichproben. Wir verwendeten einen phylogenetischen Baum, der 29.703 Angiospermenarten für die Artbildungs-/Extinktionsanalyse enthielt. Der Baum wurde in 13.577 Arten mit Samengrößendaten für die phänotypische Evolutionsanalyse unterteilt. Wie erwartet, fanden wir angesichts des in der Phylogenie der Angiospermen beobachteten hohen taxonomischen Ungleichgewichts starke Unterstützung für mehr als 500 Verschiebungen der Diversifikationsraten. Es gab auch eine deutliche Heterogenität in den Geschwindigkeiten der Entwicklung der Samengröße (Abb. 1), die über 3 Größenordnungen variierten (S1 Abb.).

Phylogenetischer Baum von 13.577 Arten von Blütenpflanzen mit Samenmasse, Rate der Samenmassenänderung und Artbildung (λ), Aussterben (μ) und Nettodiversifikationsraten (r), geschätzt von BAMM. Samenmasse- und Ratendaten wurden auf Z-Scores standardisiert, so dass Variationen direkt verglichen werden konnten. λ, μ und r wurden mit einem größeren Baum mit 29.703 Arten berechnet. Bildnachweis (Abb. 1): Laitche, Kaldari, EIN.Orcram, Ein Katzenkiller, Vihljun, John Tann, Patrick Verdier und Hans Braxmeier. Siehe http://www.github.com/javierigea/seed_size für Daten.

Wir schätzten dann, ob mit BAMM geschätzte Verschiebungen in der makroevolutionären Dynamik (λ, μ und r) signifikant mit der absoluten Samengröße und den spitzenspezifischen Raten der Samengrößenentwicklung korrelierten, indem wir die empirischen Korrelationen mit einer Nullverteilung verglichen, die unter Verwendung von Sstrukturierten Ratenpermutationen auf . erzeugt wurde Phylogenien (STRAPP), die gegenüber phylogenetischer Pseudoreplikation robust ist (siehe Materialien und Methoden für Details) [20]. Wir waren in der Lage, große Unterschiede in der Diversität zwischen Angiospermen-Kladen sowohl mit der gegenwärtigen Geschwindigkeit der phänotypischen Evolution als auch mit dem absoluten Wert des Merkmals selbst in Verbindung zu bringen. Insbesondere war eine erhöhte Artbildung mit einer schnelleren Entwicklung der Samengröße verbunden (Spearman’s ρ = 0.55, P-Wert < 0,0001 Fig. 2A). Erhöhte Extinktionsraten waren in ähnlicher Weise mit einer höheren Evolvierbarkeit verbunden (ρ = 0.44, P-Wert < 0,0001 Abb. 2B), aber angesichts des schwächeren Effekts war das Nettoergebnis von λ−μ, dass die Diversifizierungsraten positiv mit der phänotypischen Veränderung korreliert waren (ρ = 0.49, P-Wert < 0,0001 Fig. 2C). Wir identifizierten auch einen Zusammenhang zwischen der Samengröße und beiden Arten (ρ = −0.17, P-Wert = 0,003 Abb. 2D) und Extinktionsraten (ρ = −0.17, P-Wert = 0,003, Abb. 2E). Da die Korrelationen mit Artbildung und Aussterben in die gleiche Richtung und von vergleichbarer Größenordnung waren und die Schätzungen der Aussterberaten relativ variabel waren (Abb. 2E), änderten sich die Nettodiversifikationsraten nicht mit der Samengröße (= −0.12, p-Wert = 0,077 Abb. 2F). Im Allgemeinen ergaben sich die beobachteten Korrelationen aus vielen phänotypisch sich schnell entwickelnden Kladen, die über die Phylogenie verteilt waren (S1 Abb) und waren robust gegenüber einer vorherigen Auswahl in den BAMM-Analysen (S2 Abb).

Spearman-Korrelationen wurden zwischen Speziation (λ), Extinktion (μ) und Nettodiversifikation (r) und jeweils (a) der gegenwärtigen Änderungsrate der Samenmasse und (b) der Samenmasse berechnet. Farbige Linien sind Korrelationen für jede einzelne Probe der BAMM-posterior-Verteilung, fette Linie ist der Median. Die Einschübe zeigen die Dichteplots der absoluten Differenz zwischen der beobachteten und der Nullkorrelation, die über 1.000 strukturierte Permutationen der Evolutionsraten des phylogenetischen Baums (myr, Millionen Jahre) berechnet wurde. Siehe http://www.github.com/javierigea/seed_size für Daten.

Angesichts der jüngsten Diskussion über die Zuverlässigkeit von BAMM bei der Schätzung von Diversifikationsraten ([21], aber siehe [22]) haben wir die Robustheit unserer Ergebnisse getestet, indem wir alternative Methoden verwendet haben, um makroevolutionäre Dynamiken zwischen Kladen zu unterschiedlichen Zeitskalen abzuleiten. Zehn, 2 Millionen Jahre weite Zeitscheiben von der Gegenwart bis vor 20 Millionen Jahren (myr) wurden definiert. Diese Zeitscheiben wurden verwendet, um die umfassendsten monophyletischen Kladen von mindestens 4 Arten zu identifizieren, bei denen wir eine Wahrscheinlichkeit von mindestens 70 % für die Wiederherstellung des korrekten Kronenaltersknotens der Klade geschätzt hatten (siehe Materialien und Methoden). Für jede resultierende Klade in jeder Zeitscheibe berechneten wir Diversifikationsraten unter Verwendung eines Methode-of-Moment-Schätzers, der davon ausgeht, dass die Raten über die Zeit konstant sind [23]. Wir haben auch eine Reihe von zeitabhängigen Diversifikationsmodellen an jede Klade mit R: Phylogenetic analysis of DiversificAtion (RPANDA) angepasst, das einen Maximum-Likelihood-Ansatz verwendet, um die Artbildung und das Aussterben zu schätzen und eine unvollständige Taxon-Stichprobe zulässt [24] (siehe S1-Tabelle für eine Zusammenfassung der am besten passenden Modelle für jede Zeitscheibe). Die Raten der Samengrößenentwicklung wurden innerhalb jeder Klade geschätzt, die auch mindestens 4 Arten mit Samengrößendaten hatte, indem sowohl die Brownsche Bewegung (BM) als auch der frühe Ausbruch (EB) angepasst wurden oder die Modelle der Merkmalsentwicklung beschleunigt wurden [25]. In Spiegelung der BAMM-Ergebnisse fanden wir eine positive Korrelation zwischen der Rate der Entwicklung der Samengröße und der Artbildungsrate, die über die Zeitscheiben hinweg konsistent war (Abb. 3A, S3A Abb). Wie angesichts des schwächeren Zusammenhangs zwischen Samengröße und Artbildung in unseren BAMM-Analysen erwartet, waren die Korrelationen im Allgemeinen schwächer und nicht signifikant (Abb. 3B), mit Ausnahme von 1 der Zeitscheiben (S3B Abb).

Korrelation von (a) der Rate der Samenmassenentwicklung und (b) der Samenmasse mit der Speziationsrate (λ), geschätzt unter Verwendung von R: Phylogenetic analysis of DiversificAtion (RPANDA) in der kladebasierten Analyse. Die Stärke der Korrelationen wird als phylogenetische generalisierte kleinste Quadrate (PGLS) Steigung gezeigt und wurde anhand der mittleren Samenmasse auf Kladenebene über 10 Zeitscheiben in unserem phylogenetischen Baum auf Artenebene berechnet. Die Größe der Kreise stellt die Anzahl der Kladen in jeder Zeitscheibe dar, die zum Medianalter der Zeitscheibe aufgetragen wurde. Die Farbe gibt die Bedeutung der Steigung an. Eine detaillierte Darstellung der Ergebnisse in jeder Zeitscheibe ist in S13 und S14 Fig. 7 und Fig. 8 gegeben. Korrelationen, die mit Speziationsraten berechnet wurden, die mit der Methode-of-Moment-Schätzer erhalten wurden, sind in S3 Abb. angegeben. Siehe http://www.github.com/javierigea/seed_size für Daten.

Wir fanden auch begrenzte Beweise dafür, dass andere Merkmale, die mit der Samengröße kovariieren (S2- und S3-Tabellen), unsere Ergebnisse besser erklärten. Wenn unsere Ergebnisse dadurch erklärt würden, dass die Samengröße stellvertretend für ein anderes phänotypisches Merkmal ist, das letztendlich die Artbildung beeinflusst, würden wir erwarten, dass dieses andere phänotypische Merkmal stark mit der Samengröße korreliert. Wir würden auch eine deutlich stärkere Korrelation der Artbildung sowohl mit dieser Eigenschaft als auch mit ihrer Evolutionsgeschwindigkeit im Vergleich zur Samengröße und ihrer Evolutionsgeschwindigkeit erwarten. Durch den Vergleich der Auswirkungen von Genomgröße, Lebenszyklus, Pflanzenhöhe und Verholzung über eine Untergruppe von 1.007 Arten in unserem Datensatz stellten wir fest, dass nur die Unterschiede zwischen verholzenden und krautigen und einjährigen und mehrjährigen Arten stärker mit der makroevolutionären Dynamik korrelierten als absolut Samengröße. Die Rate der phänotypischen Evolution aller kontinuierlichen Merkmale (Genomgröße, Samengröße und Pflanzenhöhe) war stark und ähnlich mit der Artbildung korreliert (S4 Abb. S4 Tabelle). Wichtig ist jedoch, dass weder die Evolutionsrate noch die absoluten Werte sowohl der Genomgröße als auch der Pflanzenhöhe stärker mit der Artbildung assoziiert waren als die Samengröße oder ihre Evolutionsrate (S4 Abb.). Diese Ergebnisse legen daher nahe, dass die Korrelation zwischen der makroevolutionären Dynamik und sowohl der Samengröße als auch ihrer Evolutionsrate nicht einfach durch andere phänotypische Merkmale vermittelt wird.


Phylogenetische Werkzeuge für die vergleichende Biologie

Im Rahmen eines Projekts mit Kollegen habe ich gerade einige Funktionen in die Phytools function evol.vcv und hat die zugehörige Funktion evolvcv.lite grundlegend überarbeitet.

evol.vcv , for those that don't know it, fits, the variable evolutionary correlation model that I developed with David Collar and originally published in 2009.

The idea of this method is pretty straightforward &ndash it takes a data matrix containing two or more quantitative traits plus a phylogeny with mapped 'regimes', and then it fits two models: one in which the Brownian motion evolutionary rates and the evolutionary correlations between traits are constant across all the edges of the tree and a second in which the rates and correlations can differ according to our different mapped regimes.

The idea here might be, for instance, that our regimes represent different constraints on multivariate evolution between our two or more traits, as reflected by a tendency for our traits to coevolve (or not).

The major feature updates that I added to evol.vcv yesterday is that it can now take as input not only the trait data, but sampling variances and (crucially) covariances for each set of species means for each taxon in our phylogeny. (Sampling variances are just the Quadrat of the standard error of the mean for each species. Sampling covariances are computed in the same way.) I'll try to get into the reasons this could be important in another post.

We can supply this through the 'hidden' function argument error_vcv which should be a list of m &mal m matrices for each of our n species in the tree.

In addition to this I also performed a major overhaul of the closely related function evolvcv.lite .

evolvcv.lite fits the same two models as evol.vcv , but also fit two other intermediate models &ndash a model in which the rates differ between our regimes, but not the evolutionary correlation and a second in which the evolutionary correlation differs, but not the rates. The main limitation of evolvcv.lite is that it can be used for only trait data consisting of two traits (though it works for an arbitrary number of different regimes).

In addition to adding sampling error to evolvcv.lite I also added a set of other intermediate models between the two extremes of identiy and no common structure. These are as follows: model 2b. different rates for trait 1 only, common correlation model 2c. different rates for trait 2 only, common correlation model 3b. different rates for trait 1 only, different correlations and model 3c. different rates for trait 2 only, different correlation.

Whereas before the user was erforderlich to fit all four of the base models, now evolvcv.lite allows user control of welcher of these 8 models to fit.

Let's see an example using the sunfish example of our original study. (*Note that for multiple reasons these are slightly different data, and a slightly different phylogeny, then in our publication!)

First, we can plot the tree:

phylomorphospace(sunfish.tree,sunfish.data[,2:3],colors=cols, ftype="off",bty="n",lwd=3,node.size=c(0,1.5), node.by.map=TRUE,xlab="relative gape width", ylab="relative buccal length") legend("topleft",c("non-piscivorous","piscivorous"), pch=21,pt.cex=2,pt.bg=cols,bty="n") title(main="Phylomorphospace plot of Centrarchidae",font.main=3)

OK, now we're ready to fit our models.

We can start with the four models of the Original evolvcv.lite function. This is a relatively small dataset, so they should run pretty fast.

We can see from this result that all four models seem to have converged, and the best unterstützt model (taking into account complexity) is model 4: the no common structure model.

But let's try all 8 possible models, and see if the result changes. I hope it does!

Sauber. Now our result changes a tiny bit. Instead of the best supported model being the no common structure model, our model that is best supported by the data, taking into account model complexity, is model 3c &ndash the 'different rates (trait 2 only), different correlation model.' (Although, to be fair, the &DeltaAIC between the two best-fitting models is pretty small. Still, since our preferred model is the simpler model also, I think the principle of parsimony would tell us to go with it!)

I've always found correlations a bit easier to interpret than covariances. Let's pull out our evolutionary covariance matrices (sometimes called Brownian 'rate matrices') and compute evolutionary correlations between the two traits for each one.

This can be done using the R Base function cov2cor as follows:

Sauber. In the best fitting model we go from basically an effective correlation of 0 on the blue branches, to 0.85 on the red branches of the phylogeny.

Just for fun, let's use simulation to generate data in which the Unterschrift of the correlation flips completely depending on the regime, the rate of trait evolution for trait 2 changes, but the rate for trait 1 stays the same &ndash and then see what we get.

For simulation, I will use the sunfish tree, and the following matrices:

This tells us &ldquoModel 4: no common structure&rdquo is the one best supported by our data. Let's try all acht models, including the new four, instead:

One of the neat things about this optimization now is that it survived what could have been a fatal error ( system is computationally singular. ) and continued on.

Now, compared to before, the picture changes. Model 3c, &ldquodifferent rates (trait 2), different correlation&rdquo is the best fitting. This is precisely the model we simulated under. Groß!


Human Teeth Likely Shrank Due to Tool Use

Wisdom teeth may have shrunk during human evolution as part of changes that started with human tool use, according to a new study.

The research behind this finding could lead to a new way of figuring out how closely related fossil species are to modern humans, scientists added.

Although modern humans are the only surviving members of the human family tree, other species once lived on Earth. However, deducing the relationships between modern humans and these extinct hominins&mdashhumans and related species dating back to the split from the chimpanzee lineage&mdashis difficult because fossils of ancient hominins are rare. [Image Gallery: Our Closest Human Ancestor]

Teeth are the hominin fossils most often found because they are the hardest parts of the human body. "Teeth are central to how a fossil ancestor lived, and can tell us about which species they belonged to, how they are related to other species, what they ate, and how quickly or slowly they developed during childhood," said lead study author Alistair Evans, an evolutionary biologist at Monash University in Melbourne, Australia.

Hominin teeth have shrunk in size throughout evolution, a trend perhaps most clearly seen with the wisdom teeth located at the back of the mouth, the researchers said. In modern humans, wisdom teeth are often very small or do not even develop, while in many other hominin species they were huge, with chewing surfaces two to four times larger than those of their modern human counterparts.

Previous research suggested this profound shrinking in modern human wisdom tooth size was due to the advent of cooking or other changes in diet unique to modern humans. However, Evans and his colleagues now suggest this shift may have begun much earlier in human evolution.

The scientists analyzed tooth size in modern humans and fossil hominins. They found that hominin teeth fell into two major groups. One group was composed of the genus Homo, which includes both modern humans and extinct human relatives. The other group was made up of early hominins preceding Homo, such as the australopiths, the first primates to walk on two feet.

In australopiths and other early hominins, the scientists found that teeth tended to get bigger toward the back of the mouth, with proportions that stayed constant regardless of the overall size of the teeth. However, in the genus Homo, the smaller all the teeth were, the smaller the teeth were toward the back of the mouth.

"There seems to be a key difference between the two groups of hominins&mdashperhaps one of the things that defines our genus Homo," Evans said in a statement.

Dr. Alistair Evans, Monash University, examines a range of hominin skull casts that were included in the study.
David Hocking

This change in how teeth developed between genus Homo and earlier hominins may have occurred due to the advent of advanced tool use in the genus Homo, Evans said.

"It's always been presumed that sometime in early Homo, we started using more advanced tools," Evans told Live Science. "Tool use meant we didn't need as big teeth and jaws as earlier hominins. This may then have increased evolutionary pressure to spend less energy developing teeth, making our teeth smaller."

In modern humans, tooth-size reduction has reached the point where wisdom teeth are increasingly failing to develop, Evans said. "The advent of cooking made food easier to eat, meaning we didn't need big teeth as much," Evans said.

Prior work suggested there was a lot of variation in how teeth evolved in hominins. "Now we're seeing some very simple, clear patterns in hominin tooth evolution instead," Evans said. [Infographic: Human Origins &ndash How Hominids Evolved]

These patterns could help researchers decide whether ancient hominins were members of genus Homo or not, Evans said.

"It's been suggested a number of times over the past 20 years that maybe Homo habilis, often considered the earliest member of Homo, should be considered an australopith instead," Evans said. "We found Homo habilis tooth proportions followed the australopith rule and not the Homo rule, which supports the argument that Homo habilisshould be reclassified to something like Australopithecus habilis."

This new work builds on previous experiments with mice that suggested teeth could influence each other during development. In this "inhibitory cascade model," teeth that develop early can inhibit the size of teeth that develop later. These new findings suggest this mechanism underlying tooth size in mice and most mammals is seen in hominins as well, Evans said.

These findings suggest that by knowing the size of a single hominin tooth and the group to which it belongs, scientists could infer the size of the hominin's remaining teeth with considerable accuracy. "Sometimes we find only a few teeth in a fossil," Evans said. "With our new insight, we can reliably estimate how big the missing teeth were."

Future research could analyze controversial hominin discoveries such asHomo naledi, recently unearthed in South Africa, Evans said. "It's got an interesting mix of traits, some that look like Homo, some that look australopith," Evans said. "It'd be interesting to examine its teeth and see which pattern it fits best."

The scientists detailed their findings in the Feb. 25 issue of the journal Nature.

Copyright 2016 LiveScience.com, a Purch company. Alle Rechte vorbehalten. Dieses Material darf nicht veröffentlicht, gesendet, umgeschrieben oder weiterverbreitet werden.

ÜBER DIE AUTOREN)

Charles Q. Choi is a frequent contributor to Wissenschaftlicher Amerikaner. His work has also appeared in The New York Times, Science, Nature, Wired, und LiveScience, unter anderen. In his spare time, he has traveled to all seven continents.


Summary and Conclusions

Research, particularly in the last two decades or so, has shown that a second inheritance system of social learning is widespread among animals, extending to all main classes of vertebrate and also to insects (1, 2). Apes merit a special focus, insofar as they have been subjected to an unmatched diversity and volume of observational and experimental studies by multiple research teams, whose work has revealed what appear to be the richest nonhuman cultural repertoires identified to date (although some cetaceans, e.g., killer whales, may show greater cultural differentiation). This article has attempted to indicate the scope of ape culture research and the key points of its discoveries, particularly with respect to the theme of the present issue: how these cultural phenomena may extend biology and its core evolutionary theory in particular. I have argued that the evidence supports the conclusion that the nature of social learning and its consequences in cultural transmission create new forms of evolution. These new forms echo well the established core principles of organic evolution but also go beyond them in a number of fundamental ways, such as horizontal transmission and inheritance of acquired characteristics, thereby extending the scope of evolutionary processes we must now entertain. Moreover the primary genetically based forms of evolution shaped and are also shaped by the consequences of this second inheritance system in complex ways we are only now starting to uncover.


Correlation and Linear Regression Analysis | Bio-Statistiken

After reading this article you will learn about the correlation and linear regression analysis.

Correlation:

Association between variables or attributes or characteristics at a given time is known as correlation.

(i) The amount of rainfall and yield of a certain crop

(ii) Age of husband and wife

(iii) Height and weight of students and

(iv) Different concentrations of mutagen and their effect on seed germination frequency.

In plant breeding the breeders targets improvement of yield. Relationship between yield and yield related traits (plant height, number of primary branches/ plant total branches/plant, number of capsules/plant, capsule length, seeds/capsule, 100-seed weight, etc.) and between the yield related components can be worked out through correlation studies.

Significant correlation obtained will be helpful for selection and ascertaining the model plant type for the concerned species.

Precisely correlation may be defined as movement of one variable tend to be accompanied by corresponding movements in the other. Such simultaneous movement of two variables can be graphically plotted using value of one variable on x-axis and the other variable along y-axis.

Such representation of variables in­dicates the nature of association between the attributes and is called as scattered diagram or correlation chart.

(a) Positive Correlation:

Increase in plant height is related to increase in number of branches per plant. On the scattered diagram the dots (each pair of obser­vation) representing the variables are in a linear path diagonally across the graph paper from bottom left-hand corner to the top right.

(b) Negative Correlation:

For example, increase in plant height of a species is re­lated to decrease in branch number per plant. The pattern of dots be such as to indicate a straight line path from the upper left-hand corner to the bottom right.

The dots are scattered and do not indicate any straight line.

(D) Perfect Correlation:

When the dots lie exactly on a straight line.

In the present example height of plants represented independent variable and on the other hand the variable which changes with the change in the independent variable is called dependent variable (branches/plant).

It is customary to use the horizontal axis (x-axis) for the independent variable and the vertical axis (y-axis) for dependent variable.

The degree of relationship between 2 attributes can be determined by calcu­lating a coefficient called as correlation coefficient. The correlation coefficient is expressed by the letter ‘r’. r varies from 0 to 1 and can be + (positive correlation) or — (negative correlation). Practically, r is never zero or 1 (complete/absolute).

Whenever correlation coefficient analysis is made, r-value ranges from 0 to 1 but it is necessary to compare the calculated r-value with table value at specific de­gree of freedom. If the value is significant, i.e., if the calculated r-value is greater than table value, then only we can say that the two attributes are statistically associated to one another. Degree of significance level has also to be assessed (5%, 1% and 0.1% levels).

where x and y are the variables.

In correlation degree of freedom is n — 1, where n represents pairs of obser­vations.

Ten plants have been assessed in sesame (Til) for plant height (cm) and number of branches per plant. From the given data do you consider that there exist correlation (significant) between the variables?

The calculated value 0.996 for 9 DF is higher than the tabulated value at 5%, 1% and 0.1% levels and hence it can be suggested that the two vari­ables are positively and significantly correlated between them at 0.001 probabil­ity level.

The r-value can be represented as 0.996*** to show the level of significance.

Thus, selection of plants with higher height will facilitate selection of plants with enhanced number of branches.

How to prepare Correlation Table from Experimental Data:

Following data has been given:

A. Plant height and number of primary branches/plant = 0.65

B. Plant height and total branches per plant = 0.57.

C. Height and number of capsules per plant = 0.81**.

e. Primary branches and total branches = 0.35.

F. Primary branches and capsules per plant = 0.80**.

g. Primary branches and yield = 0.87***.

h. Total branches and number of capsules = 0.52.

ich. Total branches and yield = 0.43.

J. Capsules per plant and yield = 0.82**.

Interrelationship between four yield related traits and their association with yield have been documented in tabular form. Result indicated positive and significant correlation between height and capsules/plant (1% level), primary branches/plant and capsules/plant (1% level), primary branches and yield (0.1% level) and capsules/plant and yield (1% level).

Thus, plants having higher number of primary branches with enhanced cap­sule number should be the selection indices for higher yield in the plant species.

Simple correlation described so far is of 3 types:

Observable correlation between 2 variables and it includes both genotypic and environmental effects.

Such type of correlation takes into account the inherent association between two variables and it may be the outcome of pleiotropic action of genes or linkage or both.

P cov x. y, G cov x.y and E cov x.y are phenotypic, genotypic and environ­mental, respectively, covariance’s between variables x and y Vx und Vja are variances for x and y variables, respectively.

Partial Correlation:

x1 und X2 estimated by taking into account the effect of a 3rd variable X3 and is denoted as r12.3.

Partial correlation provides better relationship between the two variables X1 und X2 and is given by the formula:

R12, R13 und r23 are the estimates of simple correlation coefficients between the variables X1 und X2, X1 und X3 und X2 und X3, bzw.

Multiple Correlation:

Estimate of joint influence of two or more variables on a dependent variable is called multiple correlation. Such an estimate helps in understanding the dependence of one variable, say x1 on a set of independent variable say X2, X3

The square root of R 2 1.23 is the estimate of multiple correlation coefficient. R 2 1.23 is coefficient of determination.

Linear Regression Analysis:

The statistical analysis employed to find out the exact position of the straight line is known as Linear regression analysis. From simple correlation analysis if there exist relationship between independent variable x and dependent variable y then the relationship can be expressed in a mathematical form known as Re­gression equation.

From regression equation we can work out the actual value of y variable (dependent) based on X variable (independent) and such values plot­ted graphically will give precise nature of the straight line (point of interception to y-axis can be noted).

Simple regression equation Yx = a + bx, where a and b are constant which minimize the residual error of Y. Y is the dependent variable.

The constants a and b can be obtained from the formula:

From the data find out the regression equation and draw a regression line on the graph paper.

Using the regression equation yx = 2.6+1.48x the actual values of dependent variable can be worked out.

Using data of the given example the straight line is drawn but the point of interception to y-axis is lacking and, therefore, precise nature of the straight line is not understood. However, from the straight line it is evident that the variables were significantly and positively correlated between themselves.

These set of values plotted graphically will give a straight and the precise nature of the straight line can be obtained from x = 0, y = 2.6 (point of interception to y- axis can be found out).

Multiple Regression:

The following data giving mean yield (grain), mean ear number per plant and mean grain number per acre of 10 wheat varieties were obtained in low soil condition moisture plots in the experiment conducted at IARI during 2000-01 to study the influence of soil drought on the relation between yield and ear character.

Fit a multiple regression equation giving mean grain yield in terms of mean ear no. per plant and mean grain no. per ear.

Since the calculated value of F in respect of regression is greater than the table value both at 5% and 1% level of significance, the regression is highly significant. Thus, mean grain yield is significantly related to ear characters.


Schau das Video: Angels Dont Fall (August 2022).