Adaptive landscape and functional diversity of Neotropical cichlids: implications for the ecology and evolution of Cichlinae (Cichlidae; Cichliformes)
Notice bibliographique
Résumé
Morphological, lineage and ecological diversity can vary substantially even among closely related lineages. Factors that influence morphological diversification, especially in functionally relevant traits, can help to explain the modern distribution of disparity across phylogenies and communities. Multivariate axes of feeding functional morphology from 75 species of Neotropical cichlid and a stepwise-AIC algorithm were used to estimate the adaptive landscape of functional morphospace in Cichlinae. Adaptive landscape complexity and convergence, as well as the functional diversity of Cichlinae, were compared with expectations under null evolutionary models. Neotropical cichlid feeding function varied primarily between traits associated with ram feeding vs. suction feeding/biting and secondarily with oral jaw muscle size and pharyngeal crushing capacity. The number of changes in selective regimes and the amount of convergence between lineages was higher than expected under a null model of evolution, but convergence was not higher than expected under a similarly complex adaptive landscape. Functional disparity was compatible with an adaptive landscape model, whereas the distribution of evolutionary change through morphospace corresponded with a process of evolution towards a single adaptive peak. The continentally distributed Neotropical cichlids have evolved relatively rapidly towards a number of adaptive peaks in functional trait space. Selection in Cichlinae functional morphospace is more complex than expected under null evolutionary models. The complexity of selective constraints in feeding morphology has likely been a significant contributor to the diversity of feeding ecology in this clade.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».