Informasi

4: Menyesuaikan Gerak Brown - Biologi

4: Menyesuaikan Gerak Brown - Biologi


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.

Dengan menyesuaikan model gerak Brown dengan data komparatif filogenetik, seseorang dapat memperkirakan laju evolusi satu karakter. Dalam bab ini, saya menunjukkan tiga pendekatan untuk memperkirakan tingkat itu: PIC, kemungkinan maksimum, dan Bayesian MCMC. Pada bab berikutnya, kita akan membahas model evolusi lain yang dapat disesuaikan dengan karakter kontinu pada pohon.

  • 4.1: Pendahuluan
    Mamalia datang dalam berbagai bentuk dan ukuran. Ukuran tubuh penting sebagai variabel biologis karena memprediksi begitu banyak aspek lain dari kehidupan hewan, dari fisiologi pertukaran panas hingga biomekanik penggerak. Jadi, kecepatan perkembangan ukuran tubuh sangat menarik di kalangan ahli biologi mamalia. Sepanjang bab ini, saya akan membahas evolusi ukuran tubuh di berbagai spesies mamalia. Data yang akan saya analisis diambil dari Garland (1992).
  • 4.2: Memperkirakan Tarif menggunakan Kontras Independen
    Informasi yang diperlukan untuk memperkirakan tingkat evolusi secara efisien diringkas dalam metode komparatif filogenetik awal dari kontras independen (Felsenstein 1985). Kontras independen merangkum jumlah perubahan karakter di setiap simpul di pohon, dan dapat digunakan untuk memperkirakan laju perubahan karakter di seluruh filogeni. Ada juga hubungan matematis sederhana antara kontras dan perkiraan tingkat kemungkinan maksimum yang akan saya bahas di bawah ini.
  • 4.3: Memperkirakan tingkat menggunakan kemungkinan maksimum
    Kami juga dapat memperkirakan laju evolusi dengan menemukan nilai parameter kemungkinan maksimum untuk model gerak Brown yang sesuai dengan data kami. Ingat bahwa nilai parameter ML adalah nilai yang memaksimalkan kemungkinan data yang diberikan model kita (lihat Bab 2).
  • 4.4: Pendekatan Bayesian terhadap laju evolusi
    Terakhir, kita juga dapat menggunakan pendekatan Bayesian untuk menyesuaikan model gerak Brown dengan data dan untuk memperkirakan laju evolusi. Pendekatan ini berbeda dari pendekatan ML karena kita akan menggunakan prior eksplisit untuk nilai parameter, dan kemudian menjalankan MCMC untuk memperkirakan distribusi posterior dari estimasi parameter. Untuk melakukan ini, kami akan memodifikasi algoritma dasar untuk Bayesian MCMC.
  • 4.5: Ringkasan

4: Menyesuaikan Gerak Brown - Biologi

Manusia dan spesies lain terus-menerus melakukan gerakan mata mikroskopis, bahkan ketika memperhatikan satu titik [1, 2, 3]. Gerakan-gerakan ini, yang meliputi drift dan microsaccades, berada di bawah kendali okulomotor [2, 4, 5], menimbulkan respons saraf yang kuat [6, 7, 8, 9, 10, 11], dan dianggap memiliki fungsi penting [12, 13, 14, 15, 16]. Pengaruh gerakan mata fiksasi ini pada akuisisi dan pemrosesan saraf informasi visual masih belum jelas. Di sini, kami menunjukkan bahwa selama melihat pemandangan alam, gerakan mata mikroskopis melakukan langkah pemrosesan informasi yang penting: gerakan tersebut menghilangkan korelasi yang dapat diprediksi dalam pemandangan alam dengan menyamakan kekuatan spasial gambar retina dalam rentang frekuensi sensitivitas puncak sel ganglion. . Transformasi ini, yang telah dikaitkan dengan organisasi lapangan reseptif center-surround [17, 18, 19], terjadi sebelum pemrosesan saraf dan mengungkapkan bentuk pencocokan antara statistik gambar alami dan gerakan mata normal. Kami selanjutnya menunjukkan bahwa efek gabungan dari gerakan mata mikroskopis dan organisasi bidang reseptif retina adalah untuk mengubah diskontinuitas pencahayaan spasial menjadi peristiwa penembakan yang sinkron, memulai proses deteksi tepi. Dengan demikian, gerakan mata mikroskopis sangat penting untuk dua tujuan pemrosesan visual awal: pengurangan redundansi [20, 21] dan ekstraksi fitur.

Highlight

Dalam penglihatan alami, gerakan mata mikroskopis memutihkan (menguraikan korelasi) rangsangan visual Pemutihan disebabkan oleh kecocokan antara gerakan mata dan karakteristik pemandangan alam Penghapusan redundansi input dimulai sebelum pemrosesan saraf terjadi Dalam mata yang terus bergerak, proses ekstraksi tepi dimulai di retina


Penggunaan

Entah pohon berakar tunggal atau daftar pohon berakar, kelas "phylo", sesuai dengan kumpulan data pertama di mana model BM akan dipasang. Panjang tepi diasumsikan mewakili interval waktu atau jarak filogenetik yang dapat diinterpretasikan serupa.

Status numerik dari setiap sifat di setiap ujung di setiap pohon dalam kumpulan data pertama. Jika pohon1 adalah pohon tunggal, maka tip_states1 harus berupa vektor numerik dengan ukuran Ntips atau matriks numerik 2D dengan ukuran Ntips x Ntraits, yang mencantumkan status sifat untuk setiap tip di pohon. Jika pohon1 adalah daftar pohon Ntrees, maka tip_states1 harus berupa daftar Ntrees panjang, setiap elemen yang mencantumkan status sifat untuk pohon yang sesuai (sebagai vektor atau matriks 2D, mirip dengan kasus pohon tunggal).

Entah pohon berakar tunggal atau daftar pohon berakar, kelas "phylo", sesuai dengan kumpulan data kedua di mana model BM akan dipasang. Panjang tepi diasumsikan mewakili interval waktu atau jarak filogenetik yang dapat diinterpretasikan serupa.

Status numerik setiap sifat di setiap ujung di setiap pohon di kumpulan data kedua, mirip dengan tip_states1 .

Integer, menentukan jumlah bootstrap parametrik yang akan dilakukan untuk menghitung interval kepercayaan difusivitas BM yang dipasang ke setiap kumpulan data. Jika <=0, tidak ada bootstrap yang dilakukan.

Bilangan bulat, menentukan jumlah simulasi yang akan dilakukan untuk menilai signifikansi statistik dari perbedaan transformasi log antara difusivitas yang dipasang pada dua set data, yaitu dari |log(D_1)-log(D_2)|. Atur ke 0 untuk tidak menghitung signifikansi statistik. Lihat di bawah untuk detail tambahan.

Logis, menentukan apakah akan melakukan beberapa pemeriksaan dasar pada validitas data masukan. Jika Anda yakin bahwa data input Anda valid, Anda dapat menyetelnya ke FALSE untuk mengurangi komputasi.

Logis, menentukan apakah akan mencetak pesan laporan kemajuan ke layar.

Karakter, menentukan awalan untuk disertakan di depan pesan laporan kemajuan pada setiap baris. Hanya relevan jika verbose==TRUE .


Pendekatan Tradisional untuk Estimasi Parameter

Secara tradisional, parameter diperkirakan menggunakan mean empiris dan standar deviasi dari pengembalian logaritmik (atau geometris) harian. Alasan di balik ini dapat dilihat dengan mengatur ulang persamaan di atas untuk ( ilde) sebagai berikut,

Dari mana dimungkinkan untuk menyelesaikan persamaan simultan tersirat untuk (mu) dan (sigma) , sebagai fungsi dari mean dan standar deviasi dari pengembalian geometrik (yaitu logaritmik). Sekali lagi, untuk diskusi yang lebih mendalam kami merujuk pembaca ke ‘A Stochastic Processes Toolkit untuk Manajemen Risiko’, oleh Damiano Brigo dkk..

Estimasi Parameter saat Data Berlimpah

Contoh perhitungan, menggunakan seluruh deret waktu yang dihasilkan di atas (364 pengamatan pengembalian harian), ditunjukkan di bawah ini. Kita mulai dengan melihat distribusi pengembalian harian.

Distribusi empiris relatif Normal dalam penampilan, seperti yang diharapkan. Kami sekarang menghitung (mu) dan (sigma) menggunakan mean dan standar deviasi (atau volatilitas) dari distribusi ini.

Kita dapat melihat bahwa estimasi empiris dari (sigma) mendekati mantan nilai parameter yang kami pilih, tetapi perkiraan (mu) buruk - memperkirakan penyimpangan proses stokastik sangat sulit.

Estimasi Parameter saat Data Langka

Sangat sering data menakutkan - kita mungkin tidak memiliki 364 pengamatan pengembalian geometrik. Untuk mendemonstrasikan dampaknya terhadap estimasi parameter, kami melakukan sub-sampel distribusi pengembalian geometrik dengan memilih 12 pengembalian secara acak - mis. untuk mensimulasikan dampak dari hanya memiliki pengembalian 12 bulanan sebagai dasar estimasi.

Sekarang kita melihat distribusi pengembalian.

Dan estimasi parameter empiris yang sesuai.

Kita dapat dengan jelas melihat bahwa sekarang perkiraan keduanya (mu) dan (sigma) buruk.


Buat Objek bm

Buat objek gerak Brown ( bm ) univariat untuk mewakili model: d X t = 0 . 3 d Wt .

objek bm menampilkan parameter A sebagai Mu yang lebih familiar.

Kelas bm juga menyediakan metode simulasi Euler kelebihan beban yang meningkatkan kinerja run-time dalam situasi umum tertentu. Metode khusus ini dipanggil secara otomatis hanya jika semua kondisi berikut terpenuhi:

Penyimpangan yang diharapkan, atau tren, tingkat Mu adalah vektor kolom.

Tingkat volatilitas, Sigma , adalah matriks.

Tidak ada penyesuaian dan/atau proses akhir periode yang dibuat.

Jika ditentukan, proses noise acak Z adalah array tiga dimensi.

Jika Z tidak ditentukan, asumsi struktur korelasi Gaussian adalah matriks ganda.


R-blogger

Diposting pada 29 Oktober 2012 oleh Edwin Grappin di R bloggers | 0 Komentar

Gerak Brown tentu saja merupakan proses stokastik yang paling terkenal (variabel acak yang berkembang dalam waktu). Ini telah menjadi cara pertama untuk memodelkan harga opsi saham (tesis Louis Bachelier pada tahun 1900).

Alasan mengapa mudah dimengerti, gerakan Brown secara grafis sangat mirip dengan harga historis opsi saham.

Gerak Brown yang dihasilkan dengan R (n = 1000)

/>
Harga historis indeks FTSE MID 250, sumber Yahoo Finance.

Meskipun tidak lagi dianggap sebagai distribusi opsi saham yang sebenarnya, ini masih digunakan di bidang keuangan dan metode untuk mensimulasikan gerakan Brown sangat berguna. Seperti yang akan Anda lihat, kodenya sangat mudah. Kami telah menggunakan prinsip Donsker.

Jika Y(i) adalah deret dari k variabel yang terdistribusi normal, maka kita dapat membuat X(i) = (Y(1) + … + Y(i))sqrt(i/k). Maka X(i) adalah proksi dari gerak Brown.

ukuran = 1000
y = rnorm(ukuran)
x = y

untuk (i dalam 1: ukuran) <
x[i] = 1/sqrt(ukuran)*(sum(y[1:i])*sqrt(i))
>


Diskusi

Studi komparatif luas pertama tentang efek lingkungan pada ensefalisasi dalam ikan teleost laut mendukung prediksi bahwa ensefalisasi berkorelasi positif dengan BMR (menggunakan kedalaman sebagai proksi) dan karenanya DMCH. Namun, kami menemukan sedikit dukungan untuk hipotesis yang diajukan oleh Gillooly dkk. (2001) bahwa penurunan suhu, di sini ditunjukkan oleh garis lintang, berkorelasi dengan otak yang lebih kecil. Kami tidak menemukan dukungan untuk hipotesis bahwa peningkatan asupan energi karena tingkat trofik yang lebih tinggi meningkatkan ensefalisasi, dan oleh karena itu tidak ada dukungan untuk hipotesis jaringan yang mahal, yang memprediksi bahwa peningkatan investasi dalam jaringan saraf berkorelasi dengan penurunan massa usus yang dimediasi oleh diet. Satu-satunya hubungan yang signifikan antara ensefalisasi dan tingkat trofik terbatas pada spesies di zona mesopelagik, dan korelasi itu berlawanan dengan arah yang diprediksi. Kami membahas implikasi dari hasil ini di bawah ini.

Pengaruh garis lintang pada ensefalisasi

Hasil kami menunjukkan bahwa ikan di garis lintang yang lebih tinggi, dan karenanya suhu yang lebih rendah, kurang terensefalisasi. Namun, hubungan ini hanya terdeteksi ketika semua zona dianalisis bersama. Ini menunjukkan bahwa efek suhu lingkungan yang lebih rendah pada ukuran otak, jika ada, mungkin terlalu lemah untuk dideteksi dalam subset data yang lebih kecil. Atau, kurangnya pengaruh garis lintang ketika zona kedalaman dianalisis secara terpisah dapat menunjukkan bahwa kompensasi dingin pada ikan dengan garis lintang yang lebih tinggi (Torres & Somero, 1988a van Dijk dkk., 1998 Hardewig dkk., 1998 Brodeur dkk., 2003 Portner dkk., 2005 ) melepaskan batasan suhu pada ensefalisasi atau bahwa suhu itu sendiri tidak secara langsung mempengaruhi ensefalisasi, tetapi berkorelasi dengan faktor lain yang bertanggung jawab (Clarke, 1993 Clarke & Fraser, 2004).

Pengaruh suhu pada evolusi anatomi saraf ikan kurang dipahami, meskipun penelitian ikan Antartika menunjukkan bahwa pengaruh suhu pada aktivitas metabolisme otak dapat dikurangi dengan beberapa kombinasi konsentrasi tinggi mitokondria, peningkatan efisiensi enzim dan/atau peningkatan enzim. konsentrasi (Hardewig dkk., 1999 Kawall dkk., 2002 Somero, 2004). Analisis komparatif dari otak ikan Antartika telah mengungkapkan bahwa ini lebih mirip dengan teleost yang beriklim sedang daripada ikan laut dalam (Eastman & Lannoo, 1995), dan mengingat, bahkan adaptasi parsial terhadap kondisi dingin permanen seperti yang disarankan di atas dapat memberikan penjelasan untuk kurangnya tren yang kuat antara ukuran otak dan garis lintang dalam analisis kami. Namun, kisaran suhu latitudinal dalam zona epipelagik (36 hingga 2 °C) mencerminkan kisaran suhu untuk kedalaman di semua zona. Jika suhu adalah pendorong utama ensefalisasi, garis lintang harus berkorelasi dengan ensefalisasi dalam zona epipelagik. Karena kami tidak mendeteksi pola ini, kami menyimpulkan bahwa suhu tidak secara langsung mempengaruhi ensefalisasi.

Pengaruh ekologi makan pada ensefalisasi

Ada korelasi umum antara usus yang lebih pendek dan pakan berkualitas tinggi pada ikan (Kramer & Bryant, 1995 Elliott & Bellwood, 2003 Wagner dkk., 2009 ), meskipun ada pengecualian (Hari dkk., 2011 Pogoreutz & Ahnelt, 2014). Hipotesis jaringan mahal memprediksi bahwa ada trade-off antara investasi di usus dan otak (Aiello & Wheeler, 1995) oleh karena itu, kami berharap untuk mendeteksi efek tingkat trofik pada ensefalisasi dalam analisis kami. Meskipun studi intraspesifik pada ikan laut tidak menunjukkan pertukaran antara jaringan mahal seperti testis, hati dan otak (Warren & Iglesias, 2012), kami menganggap mungkin bahwa ukuran tidak langsung dari trade-off antara panjang usus dan otak massa di hampir 500 spesies ikan akan mengungkapkan pola seperti itu jika ada. Namun, hasil kami tidak memberikan bukti bahwa hipotesis jaringan mahal berlaku di seluruh ikan laut. Kurangnya efek tingkat trofik pada ensefalisasi di zona epipelagik sangat mencolok, mengingat spesies zona epipelagik menunjukkan variasi paling banyak dalam tingkat trofik dan terdiri lebih dari tujuh puluh persen spesies dalam kumpulan data kami.

Meskipun ensefalisasi pada ikan laut mesopelagik sebagian dijelaskan oleh tingkat trofik (Tabel 2 dan 3), temuan ini tidak sesuai dengan harapan di bawah hipotesis jaringan yang mahal. Daripada menemukan peningkatan ensefalisasi pada posisi trofik yang lebih tinggi, analisis kami mendukung hubungan terbalik. Kecenderungan peningkatan ukuran otak relatif terhadap ukuran tubuh pada posisi trofik yang lebih rendah mungkin sebagian dijelaskan oleh peningkatan kebutuhan sensorik dari planktonik feeder pada kedalaman di bawah 200 m. Ikan mesopelagik atas dan ikan mesopelagik yang mengalami migrasi vertikal dicirikan oleh modifikasi visual ekstrem yang memungkinkan untuk mendeteksi sedikit kontras cahaya dan memanfaatkan bioluminesensi (Kotrschal dkk., 1998 ). Pengumpan plankton khususnya cenderung memiliki mata yang lebih besar dan modifikasi gurat sisi untuk mendeteksi jumlah mangsa yang lebih kecil (Bleckmann, 1986 Coombs dkk., 1988 ). Sementara perubahan morfologi otak telah dikaitkan dengan ikan epipelagik yang hidup di air keruh (Huber & Rylander, 1992 Kotrschal dkk., 1998 ), tidak jelas apakah ada juga tren sistematis dalam pengurangan atau pembesaran daerah otak tertentu pada ikan mesopelagik pada tingkat trofik yang berbeda. Analisis kami menyoroti ini sebagai area penelitian masa depan yang sangat bermanfaat.

Peringatan untuk hasil ini adalah bahwa keakuratan tingkat trofik yang dihitung oleh FishBase (Froese & Pauly, 2014) tidak jelas. Spesies ikan di FishBase yang data pakannya kurang masih dapat diberikan tingkat trofik yang dihitung berdasarkan apa yang diketahui tentang kerabat terdekat dalam database dengan informasi diet yang tersedia (Froese & Pauly, 2000). Ini adalah asumsi yang memiliki keandalan yang tidak diketahui, karena pola disparitas trofik dan data yang hilang akan bervariasi secara tidak acak di antara taksa. Beberapa penelitian telah mencoba untuk memverifikasi penetapan FishBase dari tingkat trofik, dengan beberapa menunjukkan kesepakatan yang baik antara ukuran yang diturunkan secara empiris dan tingkat trofik FishBase (Kline & Pauly, 1998 Mancinelli dkk., 2013 ) dan lainnya menunjukkan kesepakatan yang lemah atau variabel (Faye dkk., 2011 Carscallen dkk., 2012 ). Tidak diketahui berapa banyak spesies yang termasuk dalam analisis kami memiliki tingkat trofik yang dihitung dari data spesies lain, sebuah peringatan yang menekankan perlunya studi sejarah alam untuk membantu pemahaman kita tentang tren makroevolusi (McCallum & McCallum, 2006). Mengingat hal ini, dan bahwa kami menguji hipotesis jaringan mahal secara tidak langsung, kesimpulan kami mengenai validitas hipotesis jaringan mahal harus ditafsirkan dengan hati-hati.

Pengaruh kedalaman pada ensefalisasi

Analisis kami mendukung korelasi kuat antara kedalaman dan ensefalisasi di seluruh teleost laut (Tabel 2 dan 3). Tingkat metabolisme basal diketahui menurun secara signifikan dengan kedalaman, dan suhu hanya menyumbang sekitar 2% dari perubahan itu (Torres dkk., 1979 ). Selanjutnya, penurunan BMR yang dialami oleh ikan air dalam melebihi yang dialami oleh ikan lintang tinggi pada suhu yang sama (Torres & Somero, 1988a). Oleh karena itu, hasil kami mendukung DMCH, yang menyatakan bahwa BMR adalah faktor fisiologis utama yang membatasi ensefalisasi.

DMCH didukung oleh pola yang kami deteksi di seluruh zona kedalaman yang dianalisis bersama dan independen. Transisi dari zona mesopelagik ke batipelagis telah dikaitkan dengan pergeseran mendadak menuju pengurangan ukuran otak pada teleost (Baik dkk., 1987 Kotrschal dkk., 1998 Lannoo & Eastman, 2000 ), dan ada juga bukti pola pengurangan otak hiu dalam skala besar yang serupa (Yopak & Montgomery, 2008 Yopak, 2012 ). Hasil kami konsisten dengan pergeseran yang diamati ini (Tabel 2 dan 3), tetapi ada kemungkinan tren ini dapat dijelaskan oleh kedalaman yang lebih besar yang mendorong evolusi sistem sensor alternatif yang lebih sesuai dengan kondisi di kedalaman (Deng dkk., 2013 ), yang membutuhkan lebih sedikit massa otak dan karenanya lebih murah untuk pemeliharaannya.

Laju metabolisme basal diperkirakan akan terus menurun pada teleost batipelagis dengan bertambahnya kedalaman. Karena ukuran otak berkorelasi erat dengan BMR, DMCH memprediksi bahwa ensefalisasi juga harus terus menurun seiring bertambahnya kedalaman. Namun, apakah ada batas bawah untuk ensefalisasi pada ikan? Ada banyak predator penyergap yang bergerak lambat di kedalaman ekstrim (Koslow, 1996), yang menunjukkan kemungkinan bahwa pertukaran energi dapat mengurangi tingkat aktivitas daripada massa jaringan. Analisis lebih lanjut tentang hubungan antara BMR, ensefalisasi, dan pertukaran anggaran energik saat ini tidak mungkin dilakukan, karena studi morfologi otak dan tingkat metabolisme hanya dilakukan pada beberapa spesies ikan laut dalam. Saat kami terus menyelidiki ekologi dan evolusi ikan laut dalam, memahami pendorong pengurangan ukuran otak dan faktor-faktor yang membatasi pengurangan ini akan secara signifikan meningkatkan pemahaman kita tentang biologi sensorik.

Studi perbandingan luas menunjukkan bahwa ensefalisasi berkorelasi dengan BMR yang lebih tinggi pada primata dan kelelawar, tetapi tidak pada hewan pengerat dan karnivora (Isler & van Schaik, 2006b). Studi unggas juga melaporkan kurangnya korelasi antara BMR dan ensefalisasi, sebaliknya, tampaknya ada pertukaran antara massa otot dada dan massa otak (Isler & van Schaik, 2006a). Secara keseluruhan, hasil ini menekankan bahwa, terlepas dari anggaran energik, alokasi untuk ensefalisasi bukanlah satu-satunya strategi yang berhasil untuk memaksimalkan kebugaran (Isler & van Schaik, 2009). Mengingat luasnya ekologi dan riwayat hidup ikan epipelagis dalam data kami, ada kemungkinan bahwa perbedaan riwayat hidup dapat menangkal pengaruh kedalaman, garis lintang, dan tingkat trofik dalam berbagai cara habitat (terumbu versus pelagis), mode makan ( ram suction versus sweeping) dan sistem sosial semuanya telah dikaitkan dengan ukuran otak (Bauchot dkk., 1988 van Staaden dkk., 1995 Huber dkk., 1997 Dunbar, 1998 Kotrschal dkk., 1998 ). Ini menunjukkan bahwa hipotesis yang lebih luas, seperti hipotesis pertukaran energi, dapat menghasilkan prediksi yang lebih spesifik yang dapat memfasilitasi identifikasi pertukaran umum yang harus dikontrol ketika menguji hipotesis ensefalisasi dalam kelompok yang diminati. Akhirnya, mengingat hasil kami, kami mengusulkan bahwa selain mengendalikan ukuran tubuh dan filogeni, studi ensefalisasi komparatif yang memeriksa penjelasan fungsional untuk ensefalisasi harus mengontrol BMR jika sesuai.


5. KESIMPULAN

Perubahan lingkungan yang meluas membutuhkan pemahaman tentang bagaimana hewan memodifikasi gerakan dan penggunaan ruang untuk mengakomodasi perubahan habitat atau hambatan pergerakan (Sawyer et al., 2013). Kendala perilaku seperti kesetiaan lokasi dapat membatasi kemampuan individu untuk memilih habitat kualitas tertinggi dalam suatu lanskap (Merkle et al., 2015), dan kendala ini dapat merugikan jika perilaku bertahan meskipun ada penurunan manfaat dalam menghadapi lingkungan yang cepat. perubahan (Sih et al., 2011). Studi kami menunjukkan bahwa kesetiaan situs dikaitkan dengan sejumlah pendorong lingkungan dan bahwa, setidaknya pada rusa, kesetiaan situs bergantung pada pengalaman di situs pada tahun sebelumnya, menunjukkan bahwa ungulata dilengkapi dengan beberapa fleksibilitas untuk merespons perubahan lingkungan secara spasial ( Riotte-Lambert & Matthiopoulos, 2020). Meskipun demikian, sejumlah penelitian telah mengamati hewan kembali ke situs bahkan setelah perubahan lingkungan mereka (Wiens et al., 1986 Wyckoff et al., 2018), menunjukkan bahwa ketertarikan mereka ke situs yang diketahui mengesampingkan tanggapan terhadap lingkungan mereka, setidaknya di jangka pendek. Untuk spesies dengan fidelitas yang lemah, ada kebutuhan untuk melestarikan lanskap dengan cara yang memastikan hewan mempertahankan akses ke area luas yang mengandung sumber daya fana yang dapat bervariasi secara substansial dalam ruang dari tahun ke tahun (Nandintsetseg et al., 2019 Teitelbaum & Mueller, 2019 ) . Studi masa depan yang mengukur fleksibilitas perilaku di seluruh masa hidup individu dan yang secara eksperimental memanipulasi sumber daya utama akan memungkinkan wawasan tentang besarnya dan kekuatan relatif dari efek lingkungan dan memori (Van Moorter et al., 2013).


Pengantar

Spektroskopi Korelasi Fluoresensi (FCS) adalah teknik mapan yang memungkinkan pengukuran koefisien difusi dan laju reaksi kimia dalam larutan [1]. Teknik ini didasarkan pada pengukuran fluktuasi intensitas fluoresensi yang dipancarkan dari volume sampel yang ditentukan. Fluktuasi ini dapat dihasilkan oleh molekul fluoresen yang berdifusi masuk dan keluar dari volume sampel, yang ditentukan oleh volume fokus laser, dan/atau reaksi fotokimia yang melibatkan molekul fluoresen di dalam volume fokus [2]. Oleh karena itu, volume fokus merupakan parameter teknis utama dari metode FCS. Untuk mengevaluasi dengan benar dinamika sampel, sangat penting untuk mengukur secara akurat ukuran volume fokus. Ada tiga pendekatan yang digunakan untuk menentukan ukuran volume fokus menggunakan sampel yang mengandung molekul dengan konsentrasi yang diketahui, mengukur larutan dengan molekul dengan koefisien difusi yang telah ditentukan atau memindai fitur konformasi statis sampel [3]. Ketiga metode memerlukan sistem kalibrasi independen, yang sifat fisik, kimia atau optiknya mungkin berbeda dari sampel. Misalnya probe fluoresensi yang larut dalam air (Alexa atau Rhodamin) biasanya digunakan untuk tujuan kalibrasi [4]. Koefisien difusi dari probe tersebut, diasumsikan diketahui sebelumnya, mungkin sangat disebabkan oleh sifat larutan yang mengandung probe fluoresen dan/atau teknik pengukuran yang digunakan. Hal ini pada gilirannya akan mempengaruhi nilai yang ditentukan dari volume fokus. Kesulitan lain mungkin timbul dari perbedaan antara sampel dan sistem kalibrasi sehubungan dengan sifat optiknya. Biasanya, volume fokus ditentukan secara eksperimental menggunakan larutan encer pewarna fluoresen hidrofilik. Nilai volume fokus yang dihasilkan berasal dari data eksperimen menggunakan serangkaian asumsi metodologis dan teknis terutama mengenai geometri sistem optik dan sinar iluminasi, stabilitas probe dan pengaruh efek optik lainnya yang dapat diabaikan [5]. Sedangkan penentuan volume fokus, berdasarkan difusi pewarna fluoresen kecil, dapat dengan mudah digunakan untuk karakterisasi proses yang terjadi dalam larutan, mereka mungkin tidak cukup ketika suspensi sistem partikulat dipelajari [6-9]. Analisis kuantitatif dari proses yang berlangsung dalam suspensi dapat dipengaruhi oleh waktu difusi yang lambat dari partikulat, sifat foto-fisik dari pewarna fluoresensi dan cahaya yang tersebar. Dalam makalah ini disajikan metode untuk penentuan volume fokus dan evaluasi efek pemutihan foto dan/atau kedipan pada pengukuran FCS. Pendekatan yang disajikan bergantung pada kombinasi dari dua teknik autokorelasi hamburan cahaya dinamis (DSC) dan spektroskopi korelasi fluoresensi (FCS). Metode ini memungkinkan pengukuran nilai koefisien difusi yang benar dan penentuan volume fokus "in situ", dalam suspensi partikulat berlabel probe fluoresen.


Faktor penghalang pori alternatif: Apa yang harus digunakan untuk pemodelan nanofiltrasi?

Dalam nanofiltrasi, penting untuk tujuan prediksi untuk mendapatkan retensi dan/atau koefisien refleksi dari ukuran pori yang diketahui dan molekul zat terlarut yang tidak bermuatan. Korelasi ini juga diperlukan untuk memodelkan transportasi massal garam atau spesies bermuatan lainnya. Untuk melengkapi model dan kebutuhan prediksi ini, faktor penghalang harus dikorelasikan dengan rasio antara pori dan ukuran molekul, λ. Ada beberapa korelasi yang diusulkan dalam literatur. Selain itu, efek dari tekanan yang diterapkan tidak diperhitungkan dalam korelasi ini sampai revisi terbaru dari model transportasi. Dalam beberapa kasus, aksi gesekan dinding pori juga diabaikan.

Di sini kami membuat revisi asumsi yang berbeda pada faktor penghalang, kami membahas pengaruhnya terhadap transportasi dan kami menunjukkan beberapa kondisi yang harus dicapai dengan korelasi yang benar. Ditunjukkan bahwa penting untuk mempertimbangkan baik tekanan maupun gesekan dinding pori karena suku-suku yang bersesuaian memiliki kontribusi penting untuk retensi dan refleksi. Namun demikian, pilihan hubungan yang akurat untuk faktor penghalang pori kurang relevan dalam hal: λ, sejauh, baik retensi dan refleksi terutama dikendalikan oleh partisi dalam rentang di mana korelasi yang diusulkan berbeda berbeda, yang mengarah ke prediksi transportasi yang sama. Bagaimanapun, korelasi yang benar secara teoritis dapat dipilih dengan memperhatikan kondisi yang harus dicapai oleh refleksi pori.


Tonton videonya: Sifat Koloid pada Gerak Brown Tugas Kimia (Februari 2023).