方法的文章

前面。生态。另一个星球。,08 March 2023
秒。古生物学
卷11 - 2023 | https://doi.org/10.3389/fevo.2023.1127756

高通量微ct扫描和深度学习细分工作流程分析雪莱无脊椎动物和他们的化石:海洋双壳纲的例子

斯图尔特·m·伊迪 ¹ ^*,

凯蒂·s·柯林斯²和

David Jablonski^3、4

¹古生物学、国家自然历史博物馆史密森学会,美国华盛顿特区
²自然历史博物馆,伦敦,英国
³地球物理学院、芝加哥大学、芝加哥,美国
⁴委员会在进化生物学上,芝加哥,芝加哥大学,美国

经验数据的最大来源生命的历史很大程度上来源于海洋无脊椎动物。丰富的化石记录是一个重要的试验田macroecological和宏观进化论理论,但这历史生物多样性仍然锁在巩固沉积物。手动准备无脊椎动物化石的矩阵可能需要数周甚至数月的仔细的挖掘和不能保证经济复苏的重要特性的标本。ct机大大改善我们访问这些化石的形态,但它仍然是难以数字化不同标本沉积物的成分相似,例如,在碳酸盐岩丰富钙质壳矩阵。这里我们提供一个工作流使用机器学习的深度学习——一个子集的基于人工神经网络——传输到增加的分割困难的化石。我们还提供了一个指南批量扫描化石和最近的壳,大小从1毫米到20厘米,使大规模3 d数据的快速采集宏观进化论和macroecological分析(300 - 500枚炮弹在8小时的扫描)。然后我们说明这些方法已经用于访问形态学的新维度,让严谨的统计测试空间和时间模式的形态进化,而开放的小说在生命的历史研究方向。

介绍

海洋无脊椎动物的骨骼是生物多样性的一个健壮的系统分析模式,今天和在深时间(范林丁,1973号;斯坦利,1979;富特,1997;Seilacher Gishlick, 2014;Sepkoski 2015)。双壳纲,包含蛤、牡蛎、贻贝、牡蛎,包含估计有6000现存物种在浅大陆架(伊迪et al ., 2017对面),和贝壳类大量保存在化石记录:成千上万的物种发生在5.2亿年的进化(约翰斯顿和界限,1998年)。这些壳是由内部发育等因素相互作用和模块化(Matsukuma 1996;Vermeij 2013;中et al ., 2017;伊迪et al ., 2022 b),外部因素如选择在生活史和生态功能(斯坦利,1970;Vermeij 1987),提供关键洞察问题的进化形式(塞尔维亚et al ., 2011,2017年;柯林斯et al ., 2016),大规模物种灭绝和复苏的动力(雅布隆斯基,2005),进化的节奏和方式(雅布隆斯基,2017)和空间多样性梯度的起源(雅布伦斯基et al ., 2013)。然而,这样的分析需要一个广泛的库存外壳形式,和多的双壳类动物多样性是嵌入式的化石在合并或岩化的沉积物(富特et al ., 2015;戴利和布什,2020年)。人工开挖的特点,特别是那些重要的分类识别如铰链的牙齿,需要几个小时到几天的准备(Feldmann et al ., 1989;快速三角帆船et al ., 2021),通常是不可能的。

x射线计算机断层扩展访问和新发现的化石无脊椎动物的多样性(坎宁安et al ., 2014;萨顿et al ., 2017;Claussen et al ., 2019;里德et al ., 2019;鲍尔和拉赫曼,2021年;柯林斯et al ., 2021;Leshno Afriat et al ., 2021;汤普森et al ., 2021),就像最近的繁荣古脊椎动物(2016年拉西科特表示,他非常;Schwarzhans et al ., 2018;科茨et al ., 2019;他et al .,: 2022)。无脊椎动物化石从塑造的痕迹的原始动物的周围rock-CT扫描可以几乎把内部或外部表面的原始动物散装,以及可以恢复标本难以进入手工皮(里德et al ., 2019)。化石保存为主或remineralized材料可以数字从围岩或沉积物中提取,但平心而论,这个虚拟准备有时需要尽可能多的时间手工准备考虑到有限的成分对比材料。仍然与物理制备不同,数字挖掘可以“撤销”任何意外删除关键特性从一个化石,如精致的铰链在双壳类的牙齿。相衬成像,主要来自同步源和越来越多的在实验室设置,是提高化石材料的分离(即从周围的矩阵。、低衰减对比设置,萨顿et al ., 2017;Birnbacher et al ., 2021),但最近的进步后处理,即从深度学习,还可以极大地加速矩阵从外壳的“清洗”。深度学习图像分割是一种强大的工具,帮助消除干扰x射线图像(黄et al ., 2022),提高数字挖掘化石嵌在矩阵(刘和歌曲,2020年;Borowiec et al ., 2022;Yu et al ., 2022在进化生物学上的其他应用程序)。

在这里,我们提供了一个指南数字挖掘化石标本使用ct机扫描和工作流使用深度学习段钙质雪莱从钙质材料,抑制分割单独使用材料密度矩阵a的情况。我们穿过批量扫描化石和最近的壳,大小从1毫米到20厘米,使大型3 d数据的快速采集宏观进化论和macroecological分析(300 - 500枚炮弹在8小时的扫描)。然后我们说明这些方法已经用于访问形态学的新维度,让严谨的统计测试空间和时间模式的进化形态。与脊椎动物的小说形态和分类观察发现嵌入在结节,高通量x射线microcomputed断层扫描(ct机)加上深度学习分割是准备彻底改变无脊椎动物进化生物学和paleobiology-arguably经验数据的最大来源的历史生活。

方法

标本采集

样本选择和包装

迄今为止几乎所有标本采样bivalve-3D项目(“biv3d”)来自博物馆的收藏。抽样策略会有所不同根据安排的集合,但是下面的协议已经应用于各种各样的设置没有损失的标本。拉和准备标本进行扫描是最好的练习与联合物理和数字书面记录。从一个给定的很多,选择的阀(s)的其余部分分开,安排了很多的照片标记(图1一个)。高可见性标记(例如,霓虹色)放置在很多注意的是多少标本了。然后准备标本运输和扫描取决于它们的大小。如果大于1厘米,样品包装在低密度泡沫聚苯乙烯(通常作为“盘包装泡沫”)出售,这是与画家的胶带保护;这两个材料是透明的x射线,这样标本不需要离开他们的包装扫描,这大大减少了风险损失或破损(图1 b)。泡沫崩溃的这道菜用手使它更柔软,帮助包装更精致的标本。标本的注册号和它的物理位置记录用钢笔画家的磁带。如果标本小于1厘米,它被放置在一个泡沫gelcap和精心保护。注册号码和试样的物理位置(如地板、行、内阁和抽屉号码)集合的写在一张纸上,放置在胶帽。

图1

图1。工作流为扫描采样和包装标本收藏。(一)晚白垩世化石博物馆与目标样本”鲁西娜”parvilineataShumard 1861成像和临时注意标记标本或阀门取样(如“biv3d取样标签”)。位置代码给出了物理位置标本的博物馆,在这里:地板3北行10例21上,抽屉4。(B)宏标本(> 1厘米)是裹在柔软的泡沫,并确保与画家的胶带,注意注册号码和标本的博物馆中的物理位置代码。微观标本(< 1厘米)放置在胶帽和一个标签包含注册号和博物馆的标本的物理位置(在这张照片的标签)。

标本的元数据

至少,我们发现物品的信息表1是至关重要的维持独特的对象标识符和它们的关联元数据。一定要逐字记录的副本ID、局部性和地层学信息提供博物馆标签为了保持数据库连接回博物馆,即使那些更新的信息分析(见“照片”图1一个)。每个标本选扫描接收标本ID (表1)。标本的阀门都被扫描,标本ID是指这两个阀门,同一标本的一部分。这是必要的,这两个数字网格对象代表这些阀门可以继续在分析相关标本ID(每一个独特的阀门由网状ID,然后引用表1)。

表1

表1。记录样品信息数据库模式。

提前扫描准备

组织标本

对所有扫描,最小的大小感兴趣的特性决定了批量扫描标本被分组。在双壳类,含有小数点键分类铰链的牙齿通常比壳小一个数量级,它设置一个上限多少标本可能适应检测器的视野。例如,在通用电气凤凰v |多美| x M 240/180 kV双管μCT DXR250 (16”, 4 M像素)x射线探测器在美国国家自然历史博物馆(NMNH也USNM),标本约1毫米(1000μm)感兴趣的特性足够解决使用< 20μm决议,将描述这些特性与50像素在图像平面。这项决议将40毫米的40毫米的视野在2000×2000像素探测器,探测器通常可以容纳4 - 5约10 - 20毫米的标本在一个圆柱形的安排。大标本有更大尺寸的最小包装感兴趣的特性,可以以较低的分辨率;类似的数字扫描然而,大多数双壳类有扫描最佳分辨率比50μm细。化石标本嵌入在沉积矩阵通常是单独扫描,因为多个化石标本,特别是在密集的硅质碎屑的,可以要求更高的电压穿透完整的对象;这可能超过CT机的功率限制,它可能会减少标本的边缘之间的反差和矩阵,使分割更困难或几乎不可能(在实验室阶段的进步对比CT可以提高分割的材料随着信号的细微差别,明白了Birnbacher et al ., 2021)。此外,扫描化石嵌在矩阵在最高分辨率尽可能地减少构件(如部分体积效应,而产生的平均灰度值与不同密度材料在一个单一的体素(进一步描述亚伯et al ., 2012;2016年拉西科特表示,他非常)。

越来越多的标本

一旦样本分组已经扫描,他们可以装在圆柱形容器。阿基米德,薄壁塑料汽水瓶平坦,水平泡沫插入支持标本从底部最适合控股标本(图2一个)。宏观标本(> 1厘米),安排在一个叠瓦状时尚的外壳合缝处垂直于底部的容器(图2一个,即,mounting with the long-axis perpendicular to the X-ray source as in萨顿et al ., 2014,53页);这种安排降低Feldkamp工件和提供最表面之间的界限。标本可以安装在垂直层高度等于容器的直径(即。,一个正方形的视野),与额外的泡沫包装,以防在扫描运动。对微观标本(< 1厘米),使用纸质或塑料吸管将胶帽;吸管可以插入到50毫升或15毫升锥形离心管(图2 b),确保彼此保持标本水平。

图2

图2。山标本进行微ct成像。(一)宏标本(> 1厘米)被放置在一个圆柱形塑料容器以覆盖的方式,连合垂直于泡沫支持容器的底部。扫描地图记录的位置扫描标本的使用登记号码或山独特的相对于扫描标本id标记(例如,一个橡皮擦)。(B)微观标本(< 1厘米)被放置在塑料或纸吸管,然后放置在15毫升或50毫升离心管。

映射的标本

东方扫描,放置一个标记到比标本扫描x射线密度较低的容器,如橡皮擦;使用更多的x射线密度可以遮荫的标记标本,这使得他们更难在后处理部分。画一个计划视图”扫描地图”的样本相对于标记,识别位置使用唯一标识代码标记的样品包装或胶帽(图2)。每个扫描“墨盒”可以在扫描之前做好准备,这是一个关键的一步最大化机器时间。

扫描设置和重建

参数调优

标本在ct机安装后,应调整几个参数优化的x射线成像。每个扫描可以,经常有不同的参数设置,并根据不同的材料密度标本和扫描现场或标本的数量,为化石,体积和矿物学周围的矩阵。因为具体的扫描参数会随ct机系统,我们强调,下面只列出了优化过程的目的是可概括的;参数报道,不过这里有可能好的起点(优化扫描参数的全面概述,请参阅萨顿et al ., 2014,页56 -)。对于所有步骤,监控的灰度值直方图成像软件;这是最大化的关键工具对比材料的扫描。

因为我们的目标是高吞吐量,我们第一组参数影响扫描的长度的最低价值:即。曝光时间设置为最小值,帧平均为1,和帧跳过为0。接下来,我们旋转安装标本,直到透过最厚的部分扫描场景;这将对应于最低生活中的灰值图像强度。我们增加或减少电压直到最小灰度值强度达到推荐机器(这个范围在100 - 200年间在NMNH ct机,趋势向高端灯丝年龄)。我们的目标所需的最低能量x射线穿透标本,最大化对比材料(萨顿et al ., 201456-57)页。接下来,我们调整当前的总范围最大化,对比度,直方图的信号噪声(表2)。增加电流也增加了力量,往往会增加最小灰度值,既可以降低信号噪声和对比度(比较值表2);如果是这样,一步回到以前的设置。如果无法达到最低灰色权力范围内的x光管或没有oversaturating探测器,添加物理过滤器(参见下一节)或增加曝光时间,这可能需要添加帧跳过这探测器面板可以之间的放电图像(这个时间可以高度系统的)。同样,重要的是要检查x光光斑大小不大于预期的体素的大小(即1.3倍。,扫描的分辨率)。增加曝光时间和帧平均也会增加信噪比,帮助定义shell和矩阵之间的尖锐边界如果需要(通常是一个好的设置调整当shell是一个钙质矩阵)。

表2

表2。x射线参数设置对灰度值直方图的影响来扫描标本USNM朋友20943,”鲁西娜”parvilineata。

物理过滤器

过滤器可以减少射束硬化,工件在软x射线吸收在样品表面只留下高能量x射线穿透样品;这将创建条纹或拔火罐工件,灰色值等级从高到低强度(见样本的内部萨顿et al ., 2014;Wellenberg et al ., 2018)。化石外壳矩阵经常显示拔火罐工件,可以使简单的分割灰度值强度。金属过滤器,通常是铝、铜、锡板从0.1到1毫米厚度,可以减少灰度值的梯度强度,但在减少的成本组成的对比。因为我们的许多化石外壳在钙质矩阵,意义有最小的成分对比试样和岩石,我们一般不使用过滤器为了最大化可能存在小的对比。最近的标本免费的矩阵,一个0.1毫米铜过滤器并减少射束硬化,简化分割壳材料的空气和泡沫,但分割扫描缺乏一个过滤器不是任何更加困难。

数字图像的预测

我们所有的扫描使用360°旋转,而设置的经验法则的数量预测图像扫描像素的宽度乘以π(Keklikoglou et al ., 2019,17页),我们发现贝壳与简单,大形态(即。,smooth shells with large hinge teeth) can be scanned with projections equaling the greatest width of the scan scene (for a detector 2000 pixels wide, this would be 2000 projections). This can reduce scan times to as low as 7–10 min, depending also on the exposure time, frame averaging and skips. Thus, it is important to group specimens for bulk scanning according to the desired resolution for their smallest features of interest. For shells with relatively finer details, or for those embedded in matrix, setting a higher number of projections can better resolve those features (萨顿et al ., 2014,58页;Keklikoglou et al ., 2019,p . 7),尽管我们发现N* 1.5通常是足够的。

重建

我们都重新扫描使用专有软件(即ct机的系统。,通用电气凤凰拿督| x),但替代解决方案是可用的(萨顿et al ., 2014,页149 - 150)。我们一直扫描设置,以弥补任何漂移的中心旋转,焦斑尺寸的变化,任何小的标本(通用电气系统,这将是使用自动扫描优化器随后自动几何校准之前重建)。扫描使用探测器(即转变。,small adjustments in the detector panel to reduce hot pixels), can reduce beam hardening (for additional mitigation techniques, seeWellenberg et al ., 2018)。条纹、环形工件和束硬化往往在我们的扫描和重建时可以进一步减少一步,但我们发现这些工件很少影响最终的表面网格矩阵最近的化石材料,是免费的。化石的矩阵,应用深度学习下面细分可以帮助克服这些工件。

扫描分割

与等值的阈值分割

一旦重建,最近和化石材料是免费的矩阵通常可以隔绝空气和包装材料通过简单阈值的非目标图像栈中的值(见最近的商业软件和免费软件的操作列表Keklikoglou et al ., 2019表15,但也看到3 d切片机Kikinis et al ., 2014;我们主要使用口服补液盐蜻蜓;对象研究系统(ORS)公司,2022年)。如果外壳的有机质含量变化在一个批量扫描(即。,nacre vs. calcite), the scan scene may require separate threshold values for generating shell-specific regions of interest (ROIs). These shell ROIs can be further refined using manual segmentation tools, or by removing any pixels isolated from the targeted shells with simple region of interest tools, such as island processing algorithms that remove pixel sets less than a certain value (e.g., “Processing Islands” in ORS Dragonfly). From these refined ROIs, contour meshes can be generated and exported for further cleaning and morphological analysis. For many fossil shells embedded in matrix, particularly those in calcareous matrix, this simple thresholding approach will not work given the limited compositional contrast between the specimen and sediment. Here, deep learning can facilitate segmentation.

工作流与深度学习分割

深入学习已经成为图像分割的一个强大的工具,特别是对于数字挖掘化石嵌在矩阵(刘和歌曲,2020年;Yu et al ., 2022)。然而,我们注意到,到目前为止,我们的应用程序的深度学习尚未完全细分矩阵(如双壳类化石Yu et al ., 2022还指出了分段恐龙骨骼从矩阵)。因此,我们使用深度学习作为一种技术来加快分割,这几乎总是需要手动调整完成;这意味着找到一个妥协之间的拟合模型(s)的时间,然后手动完成分割。我们使用深度学习接口开发的口服补液盐蜻蜓(“分割向导,”兰et al ., 2020),它创建一个交互式会话为拟合和精炼多个深度学习模型分割。不管软件的使用,我们认为这种方法是一个很好的,可概括的工作流。持续研究模型架构无疑会带来更快和更准确的初始分割这些低成分对比材料,但是我们的重点是产生相当大的数据集的可行的3 d模型进行定量的进化分析。因此,权衡优化hyperparameters时间和拟合模型寻找一个完美的分割应权衡使用一个适当的模型提供了一个强大的起点为手动分割。

在口服补液盐蜻蜓分割向导中,我们开始从堆栈图像分割通过选择一片最能代表全部功能的多样性;通常这是一个图像包含铰链的牙齿或切成细丝装饰(例如,图3一)。然后我们定义分割框架(即。,a rectangular mask) that brackets the shell and manually set ROIs corresponding to shell material and background (i.e., matrix and/or air,图3一底下一行)。然后火车一系列深度学习使用这一框架模型和预测分割视力检查(图3 b)。通常,U-Net架构(Ronneberger et al ., 2015)是最快的和最精确的方法,但Sensor3D,变化等U-Net注意力U-Net和U-Net + +有时可以更好的独立的化石外壳之间的界限和矩阵(hyperparameters U-Net适合这里图3 c)。由此产生的模型精度提供分割的一般估计的性能,但高精度有时描述模型与贫穷的定义化石外壳和矩阵之间的边界(例如,第一帧图3 b第一轮的培训,有准确度得分为0.97分图3 d)。在这个例子中,模型训练了一轮从空气干净地分离壳,但混淆矩阵和壳牌(比较的部分图3一,B第一帧,尤其是在铰链区)。因此,额外的训练数据标记,该模型权重更新通过持续培训。

图3

图3。分割的壳从矩阵使用深度学习标本USNM朋友20943,“鲁西娜”parvilineata。(一)选择图像片裁剪训练帧在最上面一行,白色文本的帧数。底下一行显示真实标记的训练数据。(B)每一轮分割的图像切片模型预测培训,即。,only frame 1 was trained in round 1, but frames 1 and 2 were used to train round 2, so both have predicted segmentations for this round. Both frames 3 and 4 were included in round 3 of training. Frame 5 was only included in round 4.(C)Hyperparameters U-Net模型。(D)模型的性能统计值每一轮的培训。

后续的培训提高了分割的壳从矩阵(比较更好的捕捉铰链区域轮2 - 4,图3 b)。选择帧3和4中的训练数据来提高分割的壳从矩阵连续构件影响壳边界的边缘标本。5帧被选中来提高分割的壳从矩阵的一个区域铰链区域没有很好地预测通过第三轮培训。我们可以继续进行迭代过程在这一点上,扩大培训将包括图像片较差的预测分类。然而,正如上面提到的,我们衡量持续时间微调这些细分模型手工调优分割。一般来说,我们发现一个或两轮创造训练数据和拟合模型足以产生一个强大的分割。从那里,我们手动部分地区模型未能定义shell和矩阵之间的边界。没有任何手动分割,生成的3 d模型噪声,但抓住了几乎所有的相关分类信息(图4)。所需时间分割通过深度学习相比,完全依赖手工操作,部分计算能力。化石的描述的过程图3需要大约3 h标记的训练数据的拟合模型和预测分割,和一半的时间拟合初始模型(计算能力:英特尔至强银4214 r @2.40 GHz CPU 512 GB的内存和2×16 GB NVIDIA方形住宅区RTX5000 GPU)。完全手动分割这化石估计需要8小时或更长时间的不断投入工作。

图4

图4。分类学的重要观点,晚白垩世的前所未有的内部特性(马斯特里赫特统早期)“鲁西娜”parvilineata,20943年USNM PAL。上面一行显示的是“原始”网格表面直接由深度学习分割后的第4轮培训图3。底下一行显示了最终的网格表面条纹去除后的工件和手动清洗嘈杂的表面数据,模型难以段壳从其周围的矩阵。相当大的应该小心在这一步,以免削弱任何真正的生物特性。

讨论

新的形态测量,新的宏观进化论和macroecological见解

双壳类是一个好的模型系统测试macroecological和宏观进化论的理论。方面的壳形态很大程度上结合分子的发展史(雅布伦斯基Finarelli, 2009;比尔et al ., 2014),允许派生系统发育分析的生物地理的形态,功能,通过深度和形态演化时间。双壳的三维ct机扫描提供前所未有的形态和形态的测量维度,在大样本大小难以量化。这些新数据有助于解决长期存在的问题组织内的进化过程,而我们在下面例子。这种方法添加更广泛的系统上下文一般生态和进化过程作用在其他模型的测试系统,如鱼类和鸟类。

访问隐藏的形态突出了大灭绝后终止进化的路径

定量分析的物种大灭绝重组生物多样性的尺寸要求严格的系统发育,生态,和形态学假说,ct机将加强古生物在这些方面努力。双壳类的属豆是迷失在白垩纪末期大灭绝约66 Ma,及其系统发育位置,因此其损失的影响随后的形态和生态进化的更高的进化枝是不确定的(柯林斯et al ., 2020)。这个属几乎完全从其外部壳形状(如图5),这是众所周知的同形的双壳类(斯坦利,1970;奥利弗和福尔摩斯,2006)。使用ct机和深度学习分割,我们能够部分关键化石标本沉积矩阵,揭示他们的铰链形态分类学的重要(柯林斯et al ., 2020)。比较这些数字发掘罕见标本和身体准备他们的铰链牙齿证实了系统发育的位置豆在双壳类动物最为多样,帘蛤科。此外,壳形状的三维地貌形态示量显示豆典型的家庭,占据一个独特的地区morphospace和ecospace-one从未恢复家庭在新生代多元化,而不是被入侵,甚至抢占其他家庭层次演化支(图5;柯林斯et al ., 2020)。因此,损失的豆成为一个重要的数据点在较大的分析发展偏见和优先级如何影响竞争演化支可以交互形状re-diversification生物多样性的物种大灭绝。

图5

图5。利用CT数据捕获和分析已经灭绝的形态。化石嵌在沉积物,如荚ellipticum康拉德1858年拍摄的,可以从矩阵微ct扫描和分段使用深度学习的方法图3。这一分析表明,venerid属豆(F, G)在白垩纪末期大灭绝,失去了一个非典型的形状,在家庭中再次进化(改编自柯林斯et al ., 2020)。

体积的形态学和纬向的推导多样性梯度

权衡有机体的形式能体现互动发展与生态和环境约束的选择。双贝壳是一个很好的工具分析这些因素的相对影响序列的进化事件,和他们的节奏和模式。例如,双壳类动物的体积相比壳soft-internal解剖学可能反映了充满活力的权衡(柯林斯et al ., 2019)和/或代理壳牌强度(斯坦利,1970),但这些测量需要成型外壳和其内部空腔(空间控股内部软解剖学;看到斯坦利,1970,p . 109)。现在测量这些卷micro-CT-derived 3 d模型计算简单,在大量的三角曲面网格可以用积分近似每个三角形脸的签署了四面体体积网格的重心(柯林斯et al ., 2019)。应用这种方法的比较温暖,cool-temperate动物群挑战macroecological假说,低营养的可用性和减少霰石饱和状态高纬度地区应该过滤和/或减少动物的体积是壳;大型和相对thick-shelled双壳类被发现从佛罗里达到缅因湾(图6;柯林斯et al ., 2019)。同样的高通量方法可以用来生成高精度的种内变异估计相对壳卷类群与已知的海洋酸化反应梯度(例如,bimineralicMytilus物种,布拉德et al ., 2021)。

图6

图6。使用3 d数据,以确定纬度梯度壳形态在北美东海岸。壳的动物的比例仍然类似亚热带佛罗里达和温带海湾之间的缅因州,但最多的类群明显装饰不到达缅因湾(改编自柯林斯et al ., 2019)。

捕食强度假设的另一个因素是强有力的行列式的纬度的多样性梯度(Vermeij 1987;Schemske et al ., 2009;毛石et al ., 2021)。捕食对多样性的影响可能比可以使用更长的时间尺度实时观察,和过去比较控制方法需要增加实地实验。一些猎物的形态方面显然进化直接回应模式和捕食强度(Vermeij 1987),双贝壳刺的进化和变异,肋骨,法兰和其他元素的装饰是假设anti-predatory适应性(Vermeij 1987;哈珀和斯凯尔顿,1993年)。容积扫描的壳允许我们量化这些特性和分析的复杂性大幅下降,或尖刺状,外壳表面的物种从低到高纬度地区,发生了转变,由排序分类家庭而非进化的变换属或种(图6;柯林斯et al ., 2019)。虽然这种模式符合最高捕食强度在热带地区,它启动的调查,可能潜在因素,比如使用化石分析时间滞后的生物地理的色散对高纬度地区的物种,和更广泛的分析区域形态的变化,可能会伴随长期气候变化。

3 d形状的形态学和差异的进化

类的起源以来超过十亿年前,双壳类进化的广泛范围的生态和形态空间,提供许多收敛和发散的比较实验。大多数分析形态进化已经使用2 d的形态学的外壳,主要关注其大纲内的连合平面(矢状面)。合缝处的概要文件捕捉一些外壳形状之间的关系和生态功能,但错过的一个关键轴形状变化在横向plane-its曲率或通货膨胀。这种形态轴也与外壳与下层的交互,从游泳的水动力学扇贝infaunal蛤下层的渗透,即动物的洞穴远离捕食者和缓冲能力开放水域的环境条件。分析三维壳形状使用表面semi-landmarking捕获shell通货膨胀(有很大的差别,柯林斯et al ., 2019,9页;伊迪et al ., 2022 b,4页),确定时应考虑收敛和发散的实例。例如,双壳类,钻入rocks-an生态功能,需要挖掘下层物质比shell-show显著差异的外壳形式通常测量合缝处的平面内,显示多个不同的进化途径进入利基市场。理论上,这个函数会沿着“隐藏”第三轴驱动收敛的变异,壳牌的通货膨胀,但测试包括这个维度表明情况并非如此,这钻岩的确是其中最跨类今天(形态不同的功能柯林斯et al ., 2023)。

访问系统和形态广泛壳形状的特征引入了并发症shape-based地貌形态示量。例如,调整积分生物标本同源性是由双壳纲只有这样一个复杂的点在整个类,嘴壳增长(的起源卡特et al ., 2012,21页;伊迪et al ., 2022 a)。因此,shape-based比较的形态学要求使用生物力学轴对齐,反映出动物与环境进行交互。铰链瀑布线的两个阀门的开启和关闭旋转阀是整个类功能类似,可以定义和使用clade-specific特性(伊迪et al ., 2022 a)。虽然不是严格遵守约定的几何形态测定,该方法给出直观的梯度和集群在壳的形态,可以结合其他手段调整壳来测试假设紧密耦合的形式和功能的壳增长模式(伊迪et al ., 2022 a)。

壳形状的三维地貌形态示量还可以解决形态集成和模块化在双壳类,简单的骨架,而逐渐增大,如何与演化支表现出更复杂的分段骨架(如节肢动物和脊椎动物)。双贝壳的特性和封闭的软部件可能落入离散功能或发展单位(图7),例如,铰链牙齿可能显示紧共变的相对大小和位置,充满春天的肌肉和韧带组成的打开和关闭的功能复杂的壳。另外,外壳可能形成一个离散的、集成的模块soft-internal解剖学。至少在大多数speciose组在今天的海洋,帘蛤科,后者似乎是真实的(图7;伊迪et al ., 2022 b)。因此,不同于许多模块分段无脊椎动物,脊椎动物骨骼,甚至在脊椎动物头盖骨,双壳类似乎更紧密的整合主要形态元素和较低的整体模块化(中et al ., 2017;伊迪et al ., 2022 b)。更广泛的比较与其他主要的双壳类团体可以揭示更多样的模式模块化、集成和差距,特别是组织打破双边对称壳生长和形状(雅布隆斯基,2020)。

图7

图7。壳的几何形态学具有里程碑意义的特性和假设venerid模块化和集成的双壳类Chionopsis amathusia(腓立比1844)。“H1”假说的模块化工作假设,与所有潜在的独立模块不同,但H2,只有两个离散模块,由地貌形态示量分析(改编自最好的支持伊迪et al ., 2022 a,b)。

结论

古生物学家的职责在进化生物学自现代合成得到了充分的发展古尔德,2002;Sepkoski 2015;马歇尔,2017;雅布隆斯基,2017,b)。直接访问进化形态的序列是了解创新的关键和其他因素推动多元化发展系统,功能,形态,和灭绝或修剪形式多样化的轨迹的影响。分析extant-only数据有时代理前,尤其是shallow-time辐射,但他们甚至不能解决或近似后者。这两种模式的形态和损失需要健壮的考虑决定论和应急如何影响进化的轨迹。不过,访问这个库time-stratified形态仍然是困难的。新发现的化石多样性曾实地考察活动的规模和数量的限制,然后被安葬在under-cataloged under-digitized博物馆,并且总是对集合的物理访问。广泛的努力一直稳步增长的深层次生物多样性数据库,但许多化石仍然锁在巩固沉积物中字段和collections-making难以访问没有艰苦的收集和准备。x射线计算机断层扫描克服这些局限性,动员虚拟数据和刺激实质性的新化石的发现和描述,主要是脊椎动物。然而,大多数今天的生活和过去属于无脊椎动物类群,其中有许多丰富的化石硬的部分。扫描和数字挖掘这些化石一直是一个挑战的成分相似性他们辛勤部件和周围的沉积物,但分割使用深度学习的进步是加速这一过程。现在,第一次,我们的观点很少或从未见过壳形态,如先前难以接近,分类学的重要内部形态的“鲁西娜”parvilineata分段,打下的基础更完整系统的考虑。双壳类和其他无脊椎动物与强化石记录包括蜗牛、棘皮动物、腕足类、三叶虫、海绵、珊瑚、和更多的成熟为新系统发育和形态进化分析了x射线ct机。

数据可用性声明

最初的贡献提出了研究中都包含在这篇文章。20943年USNM朋友网可以在Morphosource(87602年约柜:/ / m4/497818)。进一步询问可以针对相应的作者。

作者的贡献

所有作者列出了一大笔,直接和知识贡献的工作,批准发布。

资金

这项研究是由美国国家科学基金会支持的耳朵——1633535,DEB 2049627,国家航空和宇宙航行局exob08 - 0089,和一个CDAC数据科学发现格兰特,芝加哥大学。

确认

我们感谢许多博物馆和员工进入他们的护理:集合r·比尔j .戈伯和j·琼斯(博物馆);m·弗洛伦斯·e·e·强,c·沃尔特斯(国家自然历史博物馆);r . Portell和j·Slapcinski(佛罗里达大学自然历史博物馆);e·a·格洛弗,萨尔瓦多,j·d·泰勒和t .白色(伦敦自然历史博物馆);诉Delvanaz, d .盖革,p . Valentich-Scott (SBMNH);库尔和p . Roopnarine (CAS)。对于扫描访问,我们感谢人工智能的尼安德特(芝加哥大学Paleo-CT ct机设备);j·j·希尔和s·惠特克(NMNH科学成像设备)。讨论,我们感谢f . Goetz,基奥。我们感谢e·克拉克和三个评论者建设性的反馈。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用

亚伯,R。,Laurini, C., and Richter, M. (2012). A palaeobiologist’s guide to “virtual” micro-CT preparation.Palaeontol。电子。15:15.2.6T。doi: 10.26879/284