Ecol. Lett. | 生态学实验设计中“梯度实验”和“重复实验”的抉择

EndNote教程 | 2018-12-27 07:16

本文转载自"生态学文献分享",已获授权

To replicate, or not to replicate – that is the question: how to tackle nonlinear responses in ecological experiments

Juergen Kreyling, Andreas H.Schweiger, et al.

Ecology Letters, 2018

文章简介

再次提到生态学的基本概念:生态学是研究有机体(生物)与其周围环境相互关系的学科。既然如此,生态学的实验设计无外乎是要考虑如下问题:某(几)个环境因子的变化是否会影响生物?如果是,生物的响应曲线是啥样的?怎样设计科学、合理的实验予以验证?例如,现在比较火热的一个研究主题就是,气候变化对全球生物多样性的影响。基于此,以CO2为例,比较常规浓度和提高浓度下生物的响应过程与机理等,正进行的如火如荼。生物对环境的响应模式可能是线性的,也可能是非线性的。虽然现在的诸多统计方法是基于线性回归的,但实际上非线性的作用也非常多。实验设计本身,重复实验(experimental replicates)相对来说,可以得到更高的准确度和精确度,更适合线性模式的研究。而梯度实验(experimental gradients)可能更适合挖掘和研究非线性模式。这两种模式的结合现在也已经有所应用,但是仍然需要更多的数据来比较两种方法的优劣,尤其是,梯度实验是否能够更好地应用于非线性关系的研究?为此,本研究通过大量的实验模拟、数据模拟、数据分析等,比较了在同等条件下,梯度设计和重复设计的异同。结果表明,相对来说,梯度实验预测的成功率几乎总是高于重复实验的。也就说,一些情况下,梯度实验是更优势的策略。当然,具体情况也需要具体对待,在讨论部分有相关说明。

图表解读

图1. 重复设计和梯度设计的概念图

如图1所示,常用的两种设计概念分别是重复设计和梯度设计。重复设计,相对来说,梯度比较短,多用于比较某个因子“有-无”两个状态下生物的响应差异,每个状态下的生物重复比较多。梯度设计,则用于比较连续状态下生物的响应,相对来说,梯度较长,而每个梯度条件下对应的生物重复比较少,甚至没有重复(每个条件有且仅有一个样品/生物)。

图2. 数据模拟的结果

如图2所示,在同等条件下,梯度最大化的取样方式(或设计方式)预测的成功率高与重复最大化的取样方式(或设计方式)。上图中,蓝色线表示梯度设计;红色线表示重复比较多。

图3. 基于N2O和纤毛虫的模拟结果

如图3所示,当采用具有一定生物学意义的数据进行模拟时,得到同样的结果。梯度最大化的预测结果优于重复最大化。

风月杂谈

虽然文章的结论看上去不是特别复杂,理念也没有特别晦涩,但还是有点耳目一新的感觉。平时采样或者设计实验的时候,本文所研究和讨论的东西,虽有模糊的认知,并会考虑和关注,但是并没有用类似的方法做过模拟和验证。在本文的讨论部分,作者也提到,实际上真正要选择哪个方法,还是要具体考虑的。要清楚自己的实验目的,研究对象的特点,研究的范围等等。其实这些内容可以参考本公众号之前的一个文章,“”,注意事项是相通的。本文终归是偏重于方法,并没有具体分析得到这个“完美统一结果“背后深层次的生态学意义。根据自己有限的认知,做了一些解释,不当之处,请各位批评指正。

这个文章,其实重点是比较了两个极端的情况。即,梯度足够长时,仅有一个样品也能很好地说明问题,更接近真实值;而梯度较短或者没有梯度时,盲目加大重复量是没有意义的,再大的量都不能很好地反映真实情况。并且,在梯度长度适合的情况下,适当的重复值,结果才是最好的。这跟实际情况的结果基本上是吻合的。

个人理解的生态学上的意义是,梯度反映的是生态幅或者胁迫压力;重复反映的则是生物的响应或者变异。梯度相当于环境效应,选择压力,驱动力;重复相当于生物能够提供的适应原材料(选择素材)。理想情况下,二者都是无穷无尽的:梯度可以足够长;响应也可以足够大。事实则是,环境梯度可以很长,但是生物响应相对较小。梯度变化在前,生物响应在后。原因是,生物依赖环境,而环境不依赖生物。所以,尽管生态学的定义是,生物与环境的相互作用。但是,仍然需要分两个层次来理解:环境对生物具有塑造、影响和驱动的作用。而生物对环境的作用,实际上是自身的调节和适应,远不足以影响和改观环境,即使有,也是微弱的,为了更好的生存而已;更谈不上“巨大的”反作用。人类的影响除外。

所以说白了,生命是渺小和脆弱的,而自然才是永恒而无尽的。庄子云,以有涯随无涯,殆矣。忽然小小的伤感。

系列教程:

专业技能:

一文读懂:

必备技能:

文献阅读

扩增子分析:

在线工具:

科研经验:

编程模板:

生物科普:

学习16S扩增子、宏基因组科研思路和分析实战,关注“宏基因组”