The scaling of diversification rates with age is likely explained by sampling bias
Notice bibliographique
Résumé
Numerous phylogenetic studies reported the existence of a pervasive scaling relationship between the ages of extant eukaryotic clades and their estimated diversification rates. The causes of this age-rate-scaling (ARS), whether biological and/or artifactual, remain unresolved. Here we fit diversification models to thousands of eukaryotic time-calibrated phylogenies to explore multiple potential causes of the ARS including parameter non-identifiability, model inadequacy, biases in taxonomic practice, and an important and ubiquitous form of sampling bias-preferentially analyzing larger extant clades. We distinguish between two mechanism by which such sampling biases can cause an ARS: First, by favoring clades that happen to be unusually large merely by chance (i.e., due to the stochastic nature of the cladogenic process), thus leading to rate overestimation, and second, by favoring clades that have truly higher diversification rates. We find that, of the proposed explanations, only sampling biases are likely to contribute to the observed ARS. We develop methods for fully correcting for sampling bias mechanism 1, and find that despite these corrections a substantial ARS remains. We then confirm using simulations that preferring trees with truly higher rates (mechanism 2) likely explains this residual ARS. Since we do not have a completely unbiased sample of clades, including extinct ones, for phylogenetic analyses, it is difficult to demonstrate unambiguously that sampling biases are the sole cause of the ARS. Sampling biases are, however, a parsimonious and plausible explanation for this widely observed macroevolutionary pattern, and this has implications for how we interpret the distribution of diversification rate estimates in extant clades.
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 | 0,001 | 0,000 |
| 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 ».