معلومة

12.4: النماذج المعتمدة على التنوع - علم الأحياء

12.4: النماذج المعتمدة على التنوع - علم الأحياء



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.

غالبًا ما تُستخدم النماذج المعتمدة على الوقت في القسم السابق كبديل لالتقاط عمليات مثل الابتكارات الرئيسية أو الإشعاعات التكيفية (Rabosky 2014). تشير العديد من هذه النظريات إلى أن معدلات التنويع يجب أن تعتمد على عدد الأنواع الحية في وقت أو مكان معين ، وليس على الوقت (Phillimore and Price 2008؛ Etienne and Haegeman 2012؛ Etienne et al. 2012؛ Rabosky 2013؛ Moen and Morlon 2014 ). لذلك ، قد نرغب في تحديد معدل الانتواع بطريقة تعتمد على التنوع حقًا بدلاً من استخدام الوقت كبديل:

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

نظرًا لأن معدل الانتواع يعتمد الآن على عدد السلالات بدلاً من الوقت ، فلا يمكننا إدخال هذا التعبير في صيغتنا العامة (Morlon et al. 2011). بدلاً من ذلك ، يمكننا استخدام النهج الذي حدده Etienne et al. (2012) و Etienne et al. (2016). يركز هذا النهج على الحلول العددية للمعادلات التفاضلية التي تتحرك للأمام عبر الزمن في الشجرة. الفكرة العامة للنهج مشابهة لمورلون ، لكن التفاصيل تختلف ؛ احتمالات من Etienne et al. (2012) يجب أن تكون قابلة للمقارنة مباشرة مع جميع الاحتمالات الواردة في هذا الكتاب بشرط أن يكون التكييف هو نفسه ومضروبا في العدد الإجمالي للترتيبات الطوبولوجية ، (ن + 1) !، للحصول على احتمالية للشجرة بدلاً من أوقات التفرع. يمكن أن يتعامل نهج Etienne أيضًا مع أخذ العينات غير المكتمل وفقًا لنموذج أخذ العينات الموحد.

كمثال ، يمكننا أن نلائم نموذجًا أساسيًا للانتواع المعتمد على التنوع لشجرتنا التطورية من السمندل عديم الرئة المقدمة أعلاه. عند القيام بذلك ، نجد تقدير ML لـ λ0 = 0.099, ميكرومتر = 0 و ك = 979.9 ، مع احتمالية تسجيل 537.3 و AIC تبلغ -1068.7. هذا تحسن كبير على أي من النماذج المتغيرة بمرور الوقت المذكورة أعلاه ، ودليل على الاعتماد على التنوع بين السمندل عديم الرئة.

أصبح كل من النهج المعتمد على الكثافة والوقت شائعًا للغاية ، حيث تتوافق نماذج التنويع المعتمدة على الوقت مع العديد من النماذج البيئية لكيفية تطور الكتل متعددة الأنواع عبر الزمن. على سبيل المثال ، تتنبأ نماذج الإشعاع التكيفية القائمة على الفرصة البيئية بأنه ، مع ملء المنافذ و "استنفاد" الفرص البيئية ، يجب أن نشهد انخفاضًا في معدل التنويع عبر الزمن (Etienne and Haegeman 2012؛ Rabosky and Hurlbert 2015). على النقيض من ذلك ، تتنبأ بعض النماذج بأن الأنواع تخلق فرصًا جديدة لأنواع أخرى ، وبالتالي تتنبأ بالتنويع المتسارع عبر الزمن (Emerson and Kolm 2005). هذه فرضيات معقولة ، ولكن هناك تحديًا إحصائيًا: في كل حالة ، يوجد على الأقل نموذج واحد مختلف من الناحية المفاهيمية يتنبأ بنفس النمط بالضبط. في حالة التنويع المتباطئ ، يمكن أيضًا أن يأتي النمط المتوقع لمخطط عبر الزمن ينحني نحو الوقت الحاضر من نموذج تتراكم فيه السلالات بمعدل ثابت ، ولكن بعد ذلك لا يتم أخذ عينات منها بالكامل في الوقت الحاضر ( Pybus and Harvey 2000). بعبارة أخرى ، إذا فقدنا بعض الأنواع الحية من شجرة النشوء والتطور الخاصة بنا ولم نأخذ في الحسبان ذلك ، فإننا نخطئ في نموذج معدلات موت المواليد ذات المعدلات الثابتة للإشارة إلى إبطاء التنويع عبر الزمن. بالطبع ، يمكن للطرق التي ناقشناها تفسير ذلك. يمكن أن تفسر بعض الطرق حقيقة أن الأصناف المفقودة قد تكون غير عشوائية ، حيث تميل الأصناف المفقودة إلى أن تكون إما نادرة أو سيئة التمييز عن سلالاتها الشقيقة (على سبيل المثال ، غالبًا ما تكون أصغر من المتوقع بالصدفة ؛ Cusimano و Renner 2010 ؛ Brock et al. .ومع ذلك ، فإن العدد الفعلي للأنواع في الكليد دائمًا ما يكون غير مؤكد تمامًا ، وفي كل حالة ، يجب أن يكون معروفًا لطريقة العمل. لذلك ، فإن التفسير البديل الذي غالبًا ما يكون قابلاً للتطبيق هو أننا نفتقد الأنواع في شجرتنا ، و نحن لا نعرف كم هناك. بالإضافة إلى ذلك ، نظرًا لأن الكثير من الإشارات لهذه الأساليب تأتي من أحدث أحداث التفرع في الشجرة ، فقد تكون بعض العقد "المفقودة" ضحلة جدًا بحيث لا يستطيع علماء التصنيف تسمية هذه الأشياء "بالأنواع". "بعبارة أخرى ، تعتمد استنتاجاتنا للاعتماد على التنوع من أشجار النشوء والتطور بشدة على فهمنا لكيفية أخذنا للعينات من الأصناف ذات الصلة.

وبالمثل ، فإن نمط التمايز المتسارع يحاكي النمط الناجم عن الانقراض. يكاد يكون من المستحيل تقريبًا التمييز بين الشجرة ذات النسب العالية ولكن الثابتة من الانقراض والانقراض من الشجرة التي ليس لها معدلات انقراض وانتواع تتسارع عبر الزمن.

من المؤكد أن كلا التحذيرات المذكورة أعلاه تستحق النظر عند تفسير نتائج اختبارات التنويع من بيانات النشوء والتطور. في كثير من الحالات ، ستسمح إضافة المعلومات الأحفورية للمحققين بالتمييز بشكل موثوق بين البدائل المذكورة ، على الرغم من أن الأساليب التي تربط الأحافير والأشجار معًا لا تزال ضعيفة نسبيًا (ولكن انظر سلاتر وهارمون 2013). وستعطي العديد من الأساليب الحالية نتائج غامضة عندما تقدم نماذج متعددة تفسيرات مكافئة للبيانات - كما نأمل!


تطبيق

يتم تمكين القدرات الأساسية لـ COBRApy من خلال مجموعة من الفئات (الشكل 1) التي تمثل الكائنات الحية (النموذج) ، والتفاعلات الكيميائية الحيوية (التفاعل) ، والجزيئات الحيوية (المستقلب والجين). يمكن الوصول إلى الكود الأساسي من خلال Python أو Jython (Python for Java). يحتوي كوبرابي على: (1) cobra.io: حزمة إدخال / إخراج لقراءة / كتابة نماذج SBML [21] وقراءة / كتابة هياكل MATLAB COBRA Toolbox. (2) cobra.flux_analysis: حزمة لأداء عمليات FBA الشائعة ، بما في ذلك حذف الجينات وتحليل تغير التدفق [18]. (3) cobra.topology: حزمة لأداء التحليل الهيكلي - النسخة الحالية تحتوي على خوارزمية مستقلبات المراسل من Patil & amp Nielsen [22]. (4) cobra.test: مجموعة من اختبارات الوحدة وبيانات الاختبار. (5) cobra.solvers: واجهات لحزم التحسين الخطية. و (6) cobra.mlab: واجهة إلى COBRA Toolbox for MATLAB.

الفئات الأساسية في COBRA for Python مع السمات والأساليب الرئيسية المدرجة. تم وصف السمات والطرق الإضافية في الوثائق.


معاينة المحتوى

على سبيل المثال ، تعتبر حالة التحصين من العوامل القوية المعدلة للتأثير للعلاقة بين التعرض لمُمْرِض محدد والمرض اللاحق من هذا العامل الممرض. كمعدل للتأثير ، تقوم حالة التحصين بعد ذلك بتعديل الاستجابة البيولوجية للشخص. يدعم وجود تعديل التأثير علاقة سببية لأنه ينطوي على عملية معقولة بيولوجيًا.

عواقب عدم تحديد معدل التأثير

إذا لم يتم التعرف على تعديل التأثير ، فإن مقدر ارتباط عامل الخطر بالنتيجة (على سبيل المثال ، RR) يصبح متوسطًا مرجحًا بين RR في مستوى واحد من X (على سبيل المثال ، محصن) و RR من مستوى آخر من X ( غير محصن).

طرق أخذ التعديل في الاعتبار

عند تصميم الدراسة وإجرائها:

  1. تصور العوامل (المتغيرات) التي قد تكون معدِّلات للتأثير
  2. لا تتطابق مع معدل التأثير المحتمل
  3. اجمع معلومات عن معدلات التأثير المحتملة (كلما كان ذلك أفضل!)
  4. ضع في اعتبارك تشغيل الدراسة لتكون قادرة على اختبار معدلات التأثير (القاعدة الأساسية - 4 أضعاف حجم العينة كما هو مطلوب لاختبار وجود تعديل التأثير)

في تحليل الدراسة:

  1. ضع تصورًا لمعدلات التأثير المحتملة ، باستخدام معرفتك بمجال البحث ، والخبرة السابقة (من نفسك ومن الآخرين). اطرح سلسلة من الأسئلة (على سبيل المثال ، بالنسبة للتعرض E والمرض D والعامل X ، معدل التأثير المحتمل: هل هناك ارتباط بين E و D؟ هل من المعقول بيولوجيًا أن يختلف الارتباط بين E و D لمستويات X؟ تم الكشف عن اختلاف في هذه الدراسة؟)
  2. قدر ارتباطًا خامًا (غير معدل) بين التعرض والمرض.
  3. الطبقية بمعدلات التأثير المحتملة للحصول على تقديرات خاصة بالطبقة. قارن / اختبر دلالة الفروق بين المقدرات الخاصة بالطبقة.
  4. استخدم نموذجًا إحصائيًا مع مصطلح التفاعل.

حكم

  1. إذا كانت المقدرات الخاصة بالطبقة تختلف اختلافًا كبيرًا عن بعضها البعض ، فمن المحتمل أن يكون المتغير الطبقي معدل تأثير رئيسي.
  2. تتوفر الطرق الإحصائية (اختبار Breslow-Day لتجانس نسب الأرجحية من طريقة Mantel-Haenszel الموسعة ، -2 اختبار احتمالية التسجيل من الانحدار اللوجستي) لاختبار الأهمية الإحصائية لمعدلات التأثير المحتمل ، ولحساب مقدرات ارتباط التعرض والأمراض وفقًا لمستويات معدلات التأثير الهامة.
  3. لم يتم تصميم معظم الدراسات الوبائية للحصول على قوة إحصائية كافية لتحديد معدلات التأثير المحتملة إحصائيًا (غالبًا ليس الهدف الأساسي).

عدم وجود دليل ليس هو نفسه دليل الغياب.

"تم اختبار التفاعلات بين التعرض والعرق والجنس ... بالاقتران مع المرض إحصائيًا من خلال إدخال مصطلحات التفاعل في نماذج الانحدار اللوجستي ، ولم يتم العثور على أي منها ذات دلالة إحصائية عند مستوى p & lt 0.15".

معدل التأثير هو علاقة حقيقية أو مفترضة في طبيعة سجية، لم يتم ملاحظتها فقط في مجموعة بيانات ، مقارنةً بمؤثر. بمجرد تحديده على أنه معدل تأثير ، لا يتم التعامل مع المتغير على أنه مؤثر.

مثال

فيما يلي مثال على تعديل التأثير:

حادثة CHD
تكرر
نسبه مئويه
صف Pct
Col Pct
0 1 المجموع
0 1191 25 1216
1 93 13 106
المجموع 1248 38 1322

نسبة الأرجحية = 6.66

حادثة CHD
تكرر
نسبه مئويه
صف Pct
Col Pct
0 1 المجموع
0 1003 70 1073
1 77 12 89
المجموع 1080 82 1162

نسبة الأرجحية = 2.23

الجمع بين كلا الجنسين ، OR = 4.30. وهكذا ، فإن الجنس يعدل من تأثير مرض السكري على أمراض الشرايين التاجية الحادثة.


علم الأحياء التنموي. الطبعة السادسة.

هناك طريقتان رئيسيتان لتشكيل الأنبوب العصبي. في العصاب الأوليتقوم الخلايا المحيطة باللوحة العصبية بتوجيه خلايا الصفيحة العصبية للتكاثر والانتشار والضغط من السطح لتشكيل أنبوب مجوف. في العصاب الثانوي، ينشأ الأنبوب العصبي من حبل صلب من الخلايا التي تغوص في الجنين ثم تجوف للخارج (تجاويف) لتشكيل أنبوب مجوف. يختلف مدى استخدام أنماط البناء هذه بين فئات الفقاريات. العصبية في الأسماك ثانوية حصرا. في الطيور ، يتم إنشاء الأجزاء الأمامية من الأنبوب العصبي عن طريق عصبية أولية ، في حين أن الأنبوب العصبي الذيلية للزوج الجسدي السابع والعشرين (أي كل شيء خلف الأطراف الخلفية) مصنوع بواسطة عصبية ثانوية (Pasteels 1937 Catala et al.1996) ). في البرمائيات ، مثل Xenopus ، يتكون معظم الأنبوب العصبي الشرغوف بواسطة العصب الأولي ، لكن الأنبوب العصبي الذيل مشتق من عصبية ثانوية (Gont et al. 1993). في الفئران (وربما البشر أيضًا) ، يبدأ العصب الثانوي عند مستوى الجسيدة 35 أو حوله (Schoenwolf 1984 Nievelstein et al. 1993).


أطلقت إدارة الموارد الطبيعية في ولاية أوهايو مجموعة بيانات مخزون الأسماك

أعلن اللفتنانت جون هيستد ، مدير InnovateOhio ، عن توسيع بوابة DataOhio بإضافة مجموعة بيانات جديدة لتخزين الأسماك من خلال إدارة الموارد الطبيعية في أوهايو يوم الخميس 17 يونيو 2021.

odx-share "إدارة الموارد الطبيعية في ولاية أوهايو تطلق مجموعة بيانات تخزين الأسماك"

قسم التعليم في أوهايو ينضم إلى بوابة DataOhio

وزارة التعليم في أوهايو (ODE) هي أحدث وكالة حكومية تنضم إلى بوابة DataOhio - منذ إطلاقها الافتتاحي في ديسمبر 2020.

odx-share "تنضم إدارة التعليم في أوهايو إلى بوابة DataOhio"

مرحبًا بك في بوابة DataOhio

توفر بوابة DataOhio الابتكار والشفافية والبصيرة

odx-share "مرحبًا بك في بوابة DataOhio"

مجموعات البيانات الأولية لبوابة DataOhio

يوفر هذا الإطلاق الافتتاحي لبوابة DataOhio نظرة ثاقبة عبر 200 مجموعة بيانات وأكثر من 60 تصورًا مرئيًا

odx-share "مجموعات البيانات الأولية لبوابة DataOhio"

شركاء OBM مع فريق ذكاء الأعمال في DAS لتطوير لوحة تحكم إنفاق COVID

لوحة معلومات تساعد في تصور وتفصيل الأموال الفيدرالية الممنوحة والمنفقة في ولاية أوهايو لمكافحة جائحة COVID-19

odx-share "شركاء OBM مع فريق ذكاء الأعمال DAS لتطوير لوحة تحكم إنفاق COVID"

تم الاعتراف بولاية أوهايو من خلال مسح الولايات الرقمي

تم الاعتراف بولاية أوهايو بدرجة & ldquoA & rdquo من مركز 2020 لمسح الولايات الرقمية الحكومية الرقمية

odx-share "تم الاعتراف بولاية أوهايو من خلال مسح الولايات الرقمي"

الأمر التنفيذي يحتفل بالتطورات التكنولوجية في ولاية أوهايو: منصة InnovateOhio

بعد أكثر من عام من توقيع هذا الأمر التنفيذي ، قدمت InnovateOhio Platform قيمة مذهلة والعديد من الإنجازات نحو قيادة الدولة وهدف rsquos في بناء أوهايو أقوى

odx-share "أمر تنفيذي يحتفل بالتطورات التكنولوجية في أوهايو: منصة InnovateOhio"

تستخدم وزارة الصحة بولاية أوهايو تصورات البيانات لتوجيه استجابة COVID-19

تستخدم وزارة الصحة بولاية أوهايو تصورات البيانات لتوجيه استجابة COVID-19

odx-share "تستخدم وزارة الصحة في ولاية أوهايو تصورات البيانات لتوجيه استجابة COVID-19"


شاهد الفيديو: Biology lab for medical assignment 1 حل كل النماذج (أغسطس 2022).