Quantifying macro‐evolutionary patterns of trait mean and variance with phylogenetic location–scale models
Notice bibliographique
Résumé
Abstract Understanding how both the mean ( location ) and variance ( scale ) of traits differ among species and lineages is fundamental to unveiling macroevolutionary patterns. Yet, traditional phylogenetic comparative methods primarily focus on modelling mean trait values, often overlooking variability and heteroscedasticity that can provide critical insights into evolutionary dynamics. Here, we introduce phylogenetic location–scale models (PLSMs), a novel framework that jointly analyses the evolution of trait means and variances. This dual approach captures heteroscedasticity and evolutionary changes in trait variability, allowing for the detection of clades with differing variances and revealing patterns of adaptation, diversification, and evolutionary constraints. Extending PLSMs to a multivariate context enables simultaneous analysis of multiple traits and their covariances, facilitating the testing of hypotheses about evolutionary trade‐offs, pleiotropy and phenotypic integration. By modelling covariances between phylogenetic effects in both the location and scale parts, we can discern whether changes in one trait's mean or variance are associated with changes in another's, thereby offering deeper insights into the mechanisms driving trait co‐evolution and co‐divergence or ‘contra‐divergence’. We also describe how an extended version of PLSMs incorporating within‐species variability can enhance our understanding of trait convergence and divergence arising from ecological and environmental factors. Our framework provides a powerful tool for exploring macroevolutionary patterns and can be used to reassess previously published comparative data, offering new insights into the mechanisms driving the diversity of life.
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 | 0,001 | 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 | 0,000 |
| 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 ».