Em formação

12.4: Modelos Dependentes da Diversidade - Biologia

12.4: Modelos Dependentes da Diversidade - Biologia



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Modelos dependentes do tempo na seção anterior são frequentemente usados ​​como um proxy para capturar processos como inovações importantes ou radiações adaptativas (Rabosky 2014). Muitas dessas teorias sugerem que as taxas de diversificação devem depender do número de espécies vivas em um determinado tempo ou lugar, ao invés do tempo (Phillimore e Price 2008; Etienne e Haegeman 2012; Etienne et al. 2012; Rabosky 2013; Moen e Morlon 2014 ) Portanto, podemos querer definir a taxa de especiação de uma maneira verdadeiramente dependente da diversidade, em vez de usar o tempo como um proxy:

$$ lambda (t) = lambda_0 (1 - frac {N_t} {K}) label {12,8} $$

Uma vez que a taxa de especiação agora depende do número de linhagens em vez do tempo, não podemos inserir essa expressão em nossa fórmula geral (Morlon et al. 2011). Em vez disso, podemos usar a abordagem descrita por Etienne et al. (2012) e Etienne et al. (2016). Esta abordagem se concentra em soluções numéricas para equações diferenciais avançando no tempo na árvore. A ideia geral da abordagem é semelhante ao Morlon, mas os detalhes diferem; probabilidades de Etienne et al. (2012) deve ser diretamente comparável a todas as probabilidades apresentadas neste livro, desde que o condicionamento seja o mesmo e elas sejam multiplicadas pelo número total de arranjos topológicos, (n + 1) !, para obter uma probabilidade para a árvore em vez de para os tempos de ramificação. A abordagem de Etienne também pode lidar com amostragem incompleta sob um modelo de amostragem uniforme.

Como exemplo, podemos ajustar um modelo básico de especiação dependente da diversidade em nossa árvore filogenética de salamandras sem lua apresentada acima. Fazendo isso, encontramos uma estimativa de ML de λ0 = 0.099, µ = 0, e K = 979,9, com uma probabilidade logarítmica de 537,3 e um AIC de -1068,7. Esta é uma melhoria substancial em relação a qualquer um dos modelos variáveis ​​no tempo considerados acima e evidência para a dependência da diversidade entre as salamandras sem lua.

Ambas as abordagens dependentes de densidade e tempo tornaram-se muito populares, pois os modelos de diversificação dependentes do tempo são consistentes com muitos modelos ecológicos de como os clados de várias espécies podem evoluir ao longo do tempo. Por exemplo, os modelos de radiação adaptativa baseados em oportunidade ecológica prevêem que, conforme os nichos são preenchidos e a oportunidade ecológica “se esgota”, devemos ver uma taxa de diversificação em declínio ao longo do tempo (Etienne e Haegeman 2012; Rabosky e Hurlbert 2015). Em contraste, alguns modelos prevêem que as espécies criam novas oportunidades para outras espécies e, portanto, prevêem uma diversificação acelerada ao longo do tempo (Emerson e Kolm 2005). Essas são hipóteses razoáveis, mas há um desafio estatístico: em cada caso, há pelo menos um modelo conceitualmente diferente que prevê exatamente o mesmo padrão. No caso de desaceleração da diversificação, o padrão previsto de um gráfico de linhagem ao longo do tempo que se curva para os dias atuais também pode vir de um modelo onde as linhagens se acumulam a uma taxa constante, mas não são totalmente amostradas nos dias atuais ( Pybus e Harvey 2000). Em outras palavras, se estivermos perdendo algumas espécies vivas de nossa árvore filogenética e não levarmos em conta isso, então confundiríamos um modelo de mortalidade de nascimentos de taxas constantes com um sinal de desaceleração da diversificação ao longo do tempo. Claro, os métodos que discutimos podem explicar isso. Alguns métodos podem até explicar o fato de que os táxons ausentes podem ser não aleatórios, já que os táxons ausentes tendem a ser raros ou mal diferenciados de suas linhagens irmãs (por exemplo, muitas vezes mais jovens do que o esperado por acaso; Cusimano e Renner 2010; Brock et al. . No entanto, o número real de espécies em um clado é sempre bastante incerto e, em todos os casos, deve ser conhecido para que o método funcione. Portanto, uma explicação alternativa que muitas vezes é viável é que estão faltando espécies em nossa árvore, e não sabemos quantos existem. Além disso, uma vez que grande parte do sinal para esses métodos vem dos eventos de ramificação mais recentes na árvore, alguns nós "ausentes" podem simplesmente ser muito superficiais para que os taxonomistas chamem essas coisas de "espécies. “Em outras palavras, nossas inferências de dependência de diversidade de árvores filogenéticas são fortemente dependentes de nossa compreensão de como amostramos os táxons relevantes.

Da mesma forma, um padrão de aceleração da diferenciação imita o padrão causado pela extinção. Uma árvore filogenética com altas, mas constantes taxas de especiação e extinção, é quase impossível de distinguir de uma árvore sem extinção e taxas de especiação que se aceleram ao longo do tempo.

Ambas as advertências acima certamente valem a pena considerar ao interpretar os resultados dos testes de diversificação de dados filogenéticos. Em muitos casos, adicionar informações de fósseis permitirá aos investigadores distinguir com segurança entre as alternativas declaradas, embora os métodos que unem fósseis e árvores ainda sejam relativamente pouco desenvolvidos (mas veja Slater e Harmon 2013). E muitos métodos atuais fornecerão resultados ambíguos quando vários modelos fornecerem explicações equivalentes para os dados - como esperamos!


Implementação

Os principais recursos do COBRApy são habilitados por um conjunto de classes (Figura 1) que representam organismos (Modelo), reações bioquímicas (Reação) e biomoléculas (Metabólito e Gene). O código principal pode ser acessado por meio de Python ou Jython (Python para Java). COBRApy contém: (1) cobra.io: um pacote de entrada / saída para leitura / gravação de modelos SBML [21] e leitura / gravação de estruturas COBRA Toolbox MATLAB. (2) cobra.flux_analysis: um pacote para realizar operações FBA comuns, incluindo deleção de genes e análise de variabilidade de fluxo [18]. (3) cobra.topology: um pacote para realizar análises estruturais - a versão atual contém o algoritmo de metabólitos repórter de Patil & amp Nielsen [22]. (4) cobra.test: um conjunto de testes de unidade e dados de teste. (5) cobra.solvers: interfaces para pacotes de otimização linear. E, (6) cobra.mlab: uma interface para a COBRA Toolbox para MATLAB.

Classes principais em COBRA para Python com os principais atributos e métodos listados. Atributos e métodos adicionais são descritos na documentação.


Visualização do conteúdo

Por exemplo, o estado de imunização é um forte modificador de efeito da relação entre a exposição a um patógeno específico e a doença subsequente desse patógeno. Como um modificador de efeito, o status de imunização então modifica a resposta biológica da pessoa. A presença de modificação de efeito apóia uma relação causal porque implica um processo biologicamente plausível.

Consequências de não identificar um modificador de efeito

Se a modificação do efeito não for reconhecida, o estimador da associação do fator de risco com o resultado (por exemplo, RR) torna-se uma média ponderada entre o RR em um nível de X (por exemplo, imunizado) e o RR de outro nível de X ( não imunizado).

Métodos para levar em conta a modificação do efeito

Ao projetar e conduzir um estudo:

  1. Conceituar quais fatores (variáveis) podem ser modificadores de efeito
  2. Não corresponde a um modificador de efeito potencial
  3. Colete informações sobre possíveis modificadores de efeito (quanto mais, melhor!)
  4. Considere alimentar o estudo para poder testar modificadores de efeito (regra prática - 4 vezes o tamanho da amostra que seria necessário para testar a presença de modificação de efeito)

Na análise de um estudo:

  1. Conceitualize modificadores de efeito potencial, usando seu conhecimento da área de pesquisa, experiência anterior (de você mesmo e de outros). Faça uma sequência de perguntas (por exemplo, para a exposição E, doença D e fator X, um modificador de efeito potencial: existe uma associação entre E e D? É biologicamente plausível que a associação entre E e D difira para os níveis de X? uma diferença ser detectada neste estudo?)
  2. Estime uma associação bruta (não ajustada) entre exposição e doença.
  3. Estratifique por modificadores de efeito potencial para obter estimadores específicos de estrato. Compare / teste a significância das diferenças entre os estimadores específicos do estrato.
  4. Use um modelo estatístico com termo de interação.

Julgamento

  1. Se os estimadores específicos do estrato forem significativamente diferentes uns dos outros, a variável estratificada provavelmente será um modificador de efeito principal.
  2. Métodos estatísticos (Teste de Breslow-Day para homogeneidade dos ORs do método de Mantel-Haenszel estendido, teste de probabilidade de -2 log de regressão logística) estão disponíveis para testar a significância estatística dos modificadores de efeito potencial e para calcular os estimadores da associação Exposição-Doença de acordo com os níveis dos modificadores de efeito significativos.
  3. A maioria dos estudos epidemiológicos não é projetada para ter poder estatístico suficiente para identificar estatisticamente os modificadores de efeito em potencial (muitas vezes não é o objetivo principal).

Ausência de evidência não é o mesmo que evidência de ausência.

“As interações entre Exposição e raça, sexo ... em associação com Doença foram testadas estatisticamente pela introdução de termos de interação nos modelos de regressão logística, e nenhum deles foi considerado estatisticamente significativo no nível de p & lt 0,15”.

Um modificador de efeito é uma relação real ou hipotética em natureza, não apenas observado em um conjunto de dados, em comparação com um fator de confusão. Uma vez identificada como um modificador de efeito, uma variável não é tratada como um fator de confusão.

Exemplo

Aqui está um exemplo de modificação de efeito:

Incidente CHD
Frequência
Por cento
Row Pct
Col Pct
0 1 Total
0 1191 25 1216
1 93 13 106
Total 1248 38 1322

Razão de probabilidade = 6,66

Incidente CHD
Frequência
Por cento
Row Pct
Col Pct
0 1 Total
0 1003 70 1073
1 77 12 89
Total 1080 82 1162

Razão de probabilidade = 2,23

Combinando ambos os sexos, o OR = 4,30. Assim, o sexo modifica o efeito do diabetes na DCC incidente.


Biologia do Desenvolvimento. 6ª edição.

Existem duas maneiras principais de formar um tubo neural. No neurulação primária, as células ao redor da placa neural direcionam as células da placa neural para proliferar, invaginar e se desprender da superfície para formar um tubo oco. No neurulação secundária, o tubo neural surge de um cordão sólido de células que afunda no embrião e subsequentemente se torna oco (cavita) para formar um tubo oco. A extensão em que esses modos de construção são usados ​​varia entre as classes de vertebrados. A neurulação em peixes é exclusivamente secundária. Em pássaros, as porções anteriores do tubo neural são construídas por neurulação primária, enquanto o tubo neural caudal ao vigésimo sétimo par de somitos (ou seja, tudo posterior aos membros posteriores) é feito por neurulação secundária (Pasteels 1937 Catala et al. 1996 ) Em anfíbios, como Xenopus, a maior parte do tubo neural do girino é feita por neurulação primária, mas o tubo neural da cauda é derivado da neurulação secundária (Gont et al. 1993). Em camundongos (e provavelmente em humanos também), a neurulação secundária começa no nível do somito 35 ou próximo a ele (Schoenwolf 1984, Nievelstein et al. 1993).


Departamento de Recursos Naturais de Ohio lança conjunto de dados de estocagem de peixes

O Tenente Governador Jon Husted, Diretor da InnovateOhio, anunciou a expansão do Portal DataOhio com a adição de um novo conjunto de dados de estocagem de peixes através do Departamento de Recursos Naturais de Ohio na quinta-feira, 17 de junho de 2021.

odx-share "Departamento de Recursos Naturais de Ohio lança conjunto de dados de estocagem de peixes"

Departamento de Educação de Ohio adere ao Portal DataOhio

O Departamento de Educação de Ohio (ODE) é a última agência estadual a aderir ao Portal DataOhio - desde seu lançamento inaugural em dezembro de 2020.

odx-share "Ohio Department of Education Joins DataOhio Portal"

Bem-vindo ao Portal DataOhio

O Portal DataOhio oferece inovação, transparência e visão

odx-share "Bem-vindo ao Portal DataOhio"

Conjuntos de dados iniciais do Portal DataOhio

Este lançamento inaugural do Portal DataOhio fornece uma visão em 200 conjuntos de dados e mais de 60 visualizações

odx-share "DataOhio Portal Initial Datasets"

OBM faz parceria com DAS Business Intelligence Team para desenvolver um painel de gastos COVID

Um painel de dados que ajuda a visualizar e detalhar os fundos federais concedidos e gastos em Ohio para combater a pandemia COVID-19

odx-share "OBM faz parceria com a equipe de inteligência empresarial DAS para desenvolver um painel de gastos COVID"

O estado de Ohio é reconhecido pela Digital States Survey

O estado de Ohio foi reconhecido com uma nota & ldquoA & rdquo da Pesquisa de Estados Digitais do Centro para Governo Digital de 2020

odx-share "O estado de Ohio é reconhecido pela Digital States Survey"

Ordem Executiva Comemora Avanços Tecnológicos para Ohio: Plataforma InnovateOhio

Mais de um ano após a assinatura desta Ordem Executiva, a Plataforma InnovateOhio entregou um valor incrível e inúmeras realizações em direção à liderança estadual e ao objetivo de construir um Ohio mais forte

odx-share "Ordem Executiva comemora avanços tecnológicos para Ohio: Plataforma InnovateOhio"

O Departamento de Saúde de Ohio usa visualizações de dados para orientar a resposta COVID-19

O Departamento de Saúde de Ohio usa visualizações de dados para orientar a resposta COVID-19

odx-share "O Departamento de Saúde de Ohio usa visualizações de dados para orientar a resposta COVID-19"


Assista o vídeo: 30 - Conceitos básicos Padrões de Diversidade (Agosto 2022).