Simple Protocol Morfometrik

Machine Translated by Google
Morfologi Daun, Taksonomi dan Geometri

Morfometri: Protokol Sederhana untuk Pemula
Vincenzo Viscosi1 *, Andrea Cardini2,3,4
1 Museo Erbario del Molise, Dipartimento di Scienze e Tecnologie per l'Ambiente e il Territorio, Universita` del Molise, Contrada Fonte Lappone, Pesche, Italia,
2 Dipartimento di Biologia, Universita´ di Modena e Reggio Emilia, Modena, Italia, 3Hull York Medical School, The University of Hull, Hull, Inggris, 4 Center for
Ilmu Forensik, Universitas Australia Barat, Crawley, Australia Barat, Australia
Abstrak
Taksonomi sangat bergantung pada morfologi untuk membedakan kelompok. Metode morfometrik geometris terkomputerisasi untuk analisis bentuk kuantitatif
mengukur, menguji, dan memvisualisasikan perbedaan bentuk dengan cara yang sangat efektif, dapat direproduksi, akurat, dan kuat secara statistik. Daun
tumbuhan umumnya digunakan dalam analisis taksonomi dan sangat cocok untuk morfometrik geometris berbasis landmark. Namun, para ahli botani tampaknya
belum memanfaatkan rangkaian metode ini dalam penelitian mereka sebanyak yang dilakukan para ahli zoologi. Dengan menggunakan perangkat lunak gratis dan
contoh kumpulan data dari dua populasi geografis daun ek sesil, kami menjelaskan secara rinci namun sederhana cara: a) menghitung variabel ukuran dan bentuk
menggunakan metode Procrustes; b) menguji kesalahan pengukuran dan tingkat variasi utama (populasi dan pohon) dengan menggunakan desain hierarki; c)
memperkirakan keakuratan diskriminasi kelompok; d) ulangi perkiraan ini setelah mengendalikan pengaruh perbedaan ukuran pada bentuk (yaitu alometri).
Kesalahan pengukuran dapat diabaikan; variasi individu dalam morfologi daun cukup besar dan perbedaan antar pohon secara umum lebih besar dibandingkan
dalam pohon; perbedaan antara kedua populasi geografis tersebut kecil baik dalam ukuran maupun bentuk; meskipun tren alometriknya lemah, pengendalian
pengaruh ukuran terhadap bentuk sedikit meningkatkan akurasi diskriminasi. Metode berbasis Procrustes untuk analisis landmark sangat efisien dalam mengukur
struktur hierarki perbedaan daun dan dalam mengungkap variasi skala yang sangat kecil. Dalam taksonomi dan banyak bidang botani dan biologi lainnya,
penerapan morfometrik geometris berkontribusi meningkatkan ketelitian ilmiah dalam mendeskripsikan aspek-aspek penting dimensi fenotipik keanekaragaman
hayati. Studi contoh langkah demi langkah yang mudah diikuti namun terperinci dapat mendorong penggunaan metode numerik ini secara lebih luas, karena
metode ini memberikan pengenalan terhadap disiplin ilmu yang, bagi banyak ahli biologi, tidak terlalu menakutkan dibandingkan literatur spesialis yang seringkali
tidak dapat diakses.
Kutipan: Viscosi V, Cardini A (2011) Morfologi Daun, Taksonomi dan Morfometri Geometri: Protokol Sederhana untuk Pemula. PLoS SATU 6(10): e25630. doi:10.1371/journal.pone.0025630
Editor: Carles Lalueza-Fox, Institut de Biologia Evolutiva - Universitat Pompeu Fabra, Spanyol
Diterima 5 Juli 2011; Diterima 7 September 2011; Diterbitkan 3 Oktober 2011
Hak Cipta: 2011 Viscosi, Cardini. Ini adalah artikel akses terbuka yang didistribusikan di bawah ketentuan Lisensi Atribusi Creative Commons, yang mengizinkan penggunaan, distribusi, dan
reproduksi tanpa batas dalam media apa pun, asalkan penulis dan sumber asli dicantumkan.
Pendanaan: Penulis tidak memiliki dukungan atau dana untuk melaporkan.
Kepentingan yang Bersaing: Para penulis telah menyatakan bahwa tidak ada kepentingan yang bersaing.
* Email: vincenzo.viscosi@unimol.it
Perkenalan poin homolog ''… tidak ada informasi dalam konteks serangkaian landmark yang
tidak dapat diekstraksi dengan penerapan pendekatan…'' ([3] hal. 667–669).
Morfologi daun sangat penting dalam taksonomi dan sistematika tumbuhan [1] Variabilitas bentuk daun telah diselidiki menggunakan analisis landmark dan garis
dan sebagian besar telah dipelajari menggunakan morfometri tradisional [2,3]. besar untuk membedakan spesies dan hibridanya secara akurat. Misalnya,
Namun, dalam dekade terakhir, terdapat peningkatan minat terhadap penggunaan menggunakan GMM pada daun, Jensen [9] dan Jensen dkk. [10] mendeteksi
morfometrik geometris modern (GMM) untuk mempelajari bentuk daun. GMM hibridisasi pada pohon ek Amerika hitam dan merah dan Penãloza-Ramirez et al.
menganalisis posisi relatif landmark anatomi dan kumpulan titik yang digunakan [11] menunjukkan bahwa hibrida pohon ek dan persilangan balik memiliki morfologi
untuk memperkirakan kurva (garis besar) dan permukaan untuk mengukur ukuran sedang. Viscosi dkk. [12,13] juga menerapkan GMM dan menemukan bukti bahwa
dan bentuk [3]. Informasi geometris dari perbedaan bentuk dipertahankan, kekuatan bentuk daun pohon ek putih Eropa berkorelasi kuat dengan taksonomi spesies dan
statistik ditingkatkan [4], pola dapat divisualisasikan menggunakan rendering gambar hibrida yang disimpulkan menggunakan data molekuler. Dalam taksonomi dan
dan berbagai diagram lainnya [5]. Peningkatan jumlah publikasi yang menggunakan bidang lainnya, genetika dan morfometri dapat berinteraksi secara bermanfaat
GMM dalam [5,6] dan dari luar [7,8] biologi bersifat eksponensial dan memberikan sebagai alat yang saling melengkapi untuk memahami asal mula perbedaan
bukti keberhasilan rangkaian metode ini. fenotipik [14].
Namun, jenis analisis ini sebagian besar berfokus pada serangga dan mamalia
Ahli taksonomi dan ahli botani telah menyadari potensinya dan belum banyak dilakukan di bidang botani. Baru-baru ini studi GMM tentang
GMM di bidangnya: ''Jika ahli sistematika benar-benar tertarik untuk berfokus pada dampak lingkungan terhadap perkembangan tanaman mulai mendapat prioritas
bentuk, terpisah dari ukuran, dan/atau menguji hipotesis tentang perbedaan bentuk, dalam literatur: Albarrań-Lara dkk. [15] meneliti fluktuasi asimetri pada hibrida dua
maka pendekatan tradisional tidaklah memadai; metode landmark jelas lebih unggul, pohon ek putih Meksiko yang subur; Viscosi dkk. [13] menunjukkan korelasi antara
terutama bila landmark tersebut terdefinisi dengan baik, secara biologis
PLoS SATU | www.plosone.org 1 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi
kedalaman lobus daun dan suhu, curah hujan dan, yang lebih jarang, ketinggian pohon untuk mencapai ''perspektif baru tentang interaksi fenotipe, genotipe, dan lingkungan ...
ek putih Eropa; Van der Niet dkk. [16] mengeksplorasi kovariasi bentuk dengan [dan] pemahaman yang lebih baik tentang proses ontogenetik dan filogenetik'' dalam
penyerbuk menggunakan analisis data tiga dimensi dari rekonstruksi terkomputerisasi variasi tanaman (hal. 669, [3]).
bunga Satyrium berdasarkan pemindaian tomografi komputer mikro. Van der Niet dkk.
[16] memberikan contoh yang sangat baik tentang kekuatan analitis GMM. Menggunakan
teknologi canggih untuk pengumpulan dan visualisasi data yang akurat dikombinasikan Bahan dan metode
dengan analisis komponen utama, metode statistik sederhana untuk merangkum
variabel bentuk, secara efektif menggambarkan bahwa bentuk bunga dikaitkan dengan Pernyataan etika
kelas penyerbuk. Temuan mereka mencerminkan serangkaian studi GMM sebelumnya Tidak diperlukan izin khusus untuk studi lapangan yang dijelaskan: a) tidak
yang dilakukan oleh Go´mez dkk. [17–19] tentang genetika dan tekanan selektif di balik diperlukan izin khusus untuk lokasi/kegiatan tersebut; b) lokasi bukan milik pribadi atau
variasi yang diamati pada bunga Erysimum. Gomez dan rekan-rekannya tidak hanya dilindungi; c) studi lapangan tidak melibatkan spesies yang terancam punah atau
menyarankan agar penyerbuk sangat memilih bentuk mahkota dengan memilih bunga dilindungi.
dengan imbalan yang tinggi, namun mereka juga dapat menambahkan detail pada
cerita ini dengan menunjukkan bahwa: ''(1) Interaksi dengan organisme generalis dapat Bahan tanaman
menghasilkan seleksi yang kuat. (2) Perubahan spasial pada penyerbuk utama Tingkat utama perbandingannya adalah sampel geografis, yang, untuk
mengakibatkan seleksi yang berbeda antar populasi. (3) mempermudah, kita akan menyebutnya sebagai 'populasi'. Kami menggunakan desain
yang sangat seimbang dengan jumlah observasi yang sama dalam setiap kelompok.
Hal ini diinginkan karena memudahkan perhitungan dan menghindari pemberian bobot
yang lebih besar kepada kelompok dengan sampel yang lebih besar.
Mosaik geografis bergantung pada keseimbangan antara seleksi mutualistik dan Untuk masing-masing dari dua populasi, yang berjarak sekitar 1,5 km, dua daun pohon
antagonis. (4) Mosaik seleksi beroperasi pada skala spasial yang cukup kecil'' (hal. ek sesil (Quercus petraea (Mattuschka) Liebl., 1784) diambil sampelnya secara acak
245, [18]). dari 22 pohon yang dipilih secara acak.
Tinjauan singkat ini dengan beberapa contoh penerapan GMM dalam biologi dan Daerah asalnya berada di dekat kota Campobasso dan Busso (Tabel 1), yang
khususnya botani menunjukkan bahwa metode ini lebih dari menjanjikan dan telah selanjutnya akan kita gunakan sebagai nama populasi. Penetapan spesies diverifikasi
terbukti efektivitasnya dalam banyak penelitian. Meskipun demikian, botani tertinggal menggunakan data genetik mikrosatelit pada sampel dari tiga spesies ek putih
dari zoologi dalam mengeksploitasi GMM sepenuhnya. Perkiraan cepat namun sangat simpatrik termasuk populasi penelitian [23].
kasar mengenai perbedaan dalam hal keluaran publikasi dapat diperoleh dengan
menggunakan Google Cendekia untuk menelusuri ''zoologi morfometrik geometri'' atau
''botani morfometrik geometri''.
Konfigurasi landmark
Daun ditekan, dikeringkan dan dipindai dengan permukaan abaksial paling atas
Pencarian pertama memberikan hasil sekitar lima kali lebih banyak daripada pencarian pertama
menggunakan pemindai Epson GT-15000 dengan resolusi 300 dpi. Seluruh prosedur
kedua. Di kedua bidang tersebut, sebagian besar penelitian berkaitan dengan pengumpulan data (yaitu, akuisisi gambar dan digitalisasi landmark) pada sampel daun
pertanyaan taksonomi. Karena sebagian besar identifikasi masih didasarkan pada diulangi dua kali untuk memperkirakan kesalahan pengukuran. Pengulangan dilakukan
morfologi, hal ini tidak mengherankan. Para ahli taksonomi memang harus tertarik dua minggu setelah pengumpulan data putaran pertama.
untuk memanfaatkan metode kuantitatif baru dalam mendeskripsikan bentuk. Kemajuan
teknologi dan metodologi akan segera memberikan cara yang lebih efisien untuk Gambar yang dipindai digunakan untuk merekam 11 landmark di bagian kanan
mendeteksi keanekaragaman hayati dan membedakan kelompok taksonomi setiap daun (Gambar 1 – lihat Viscosi dkk. [12], untuk definisi landmark). Kami fokus
menggunakan data bentuk [20,21] termasuk alat komputerisasi semi-otomatis [22]. pada satu sisi saja untuk mengadopsi konfigurasi yang sama seperti yang digunakan
dalam penelitian sebelumnya pada spesies yang sama [12,13]. Ini adalah cara umum
untuk mengurangi waktu pengumpulan data dalam struktur simetris. Namun, jika pola
Makalah ini ditujukan untuk para ilmuwan yang memiliki sedikit atau tidak memiliki asimetri dan/atau data pada kedua sisi daun diperlukan, analisis tersebut dapat
pengalaman tentang GMM dan ingin memahami apakah dan bagaimana GMM dapat dilakukan di MorphoJ [24] menggunakan metode yang dijelaskan dalam Klingenberg
diterapkan pada taksonomi dan botani. Kami akan menggunakan perangkat lunak et al. [25].
gratis yang mudah digunakan untuk memberikan contoh langkah demi langkah tentang cara:
I) mengukur variasi populasi dalam ukuran dan bentuk daun menggunakan koordinat
Analisis morfometrik geometris dan statistik langkah demi langkah 1a) Dari
kartesius dari landmark anatomi dan GMM berbasis Procrustes; II) menguji
konfigurasi
perbedaan kelompok dengan
landmark hingga variabel bentuk: latar belakang teoretis. GMM berbasis landmark
mempartisi variansi ke dalam komponen-komponen (populasi, pohon, daun, dan
[4,5,26] menangkap bentuk struktur menggunakan koordinat Cartesian dari konfigurasi
kesalahan pengukuran) yang dibandingkan secara statistik dengan cara hierarki
titik. Titik-titik ini harus mempunyai korespondensi satu lawan satu pada spesimen yang
(yaitu, untuk menilai apakah perbedaan populasi lebih besar daripada perbedaan
akan dibandingkan. Jenis korespondensi (topografi, anatomi, perkembangan, dll.)
antar pohon dalam populasi yang sama, dan apakah perbedaan tersebut lebih
bergantung pada pertanyaan ilmiah yang diajukan ([27]; lihat juga
besar dibandingkan daun pada pohon yang sama, dll.); III) memvisualisasikan
bentuk daun menggunakan diagram (misalnya rendering garis luar,
gambar rangka, dan kisi-kisi deformasi spline pelat tipis).
Tabel 1. Contoh lokasi dan ukurannya.
Kami berharap penelitian ini dapat menstimulasi para pemula untuk mengeksplorasi
potensi GMM dalam botani dan memfasilitasi penggunaannya dalam taksonomi.
koordinat geografis populasi N (pohon) N (daun)
Memang benar, kuantifikasi yang akurat dan visualisasi yang efektif dari tingkat utama
variasi morfologi pada daun, bunga dan struktur lainnya adalah kunci untuk memperoleh Campobasso 41.5513; 14.6171 22 44
wawasan tentang proses evolusi dan ekologi dari diversifikasi fenotipik dan memberikan Busso 22 44
41.5587; 14.5954
landasan fundamental untuk mengembangkan studi yang lebih kompleks.
doi:10.1371/journal.pone.0025630.t001

[6,30]. Dengan demikian, kami melakukan analisis Procrustes umum (GPA,

[31]) untuk memisahkan komponen ukuran dan bentuk variasi bentuk.
Koordinat bentuk dihitung dengan menstandarkan setiap konfigurasi ke
ukuran satuan centroid dan dengan meminimalkan perbedaan translasi dan
rotasi semua spesimen menggunakan algoritma kuadrat terkecil. Ukuran
diukur untuk setiap spesimen sebagai ukuran centroid dari konfigurasi
landmark. Ukuran centroid (yang akan kita rujuk hanya sebagai ukuran di
sebagian besar artikel ini) mengukur sebaran landmark menggunakan
fungsi jaraknya dari centroid, yang merupakan 'baricenter' suatu konfigurasi:
landmark yang tersebar akan mempunyai ukuran yang besar. ukuran
centroid, landmark mengelompok yang kecil. Rangkaian operasi yang
digunakan untuk menghitung variabel ukuran dan bentuk dari koordinat
kartesius landmark, yang biasa digambarkan sebagai IPK, juga disebut
superimposisi / penyelarasan / registrasi / kecocokan Procrustes dan
merupakan salah satu dari beberapa metode superimposisi. Dibandingkan
dengan metode lain, IPK memiliki sifat statistik yang diinginkan sebagai
kekuatan yang lebih tinggi dalam pengujian dan peningkatan akurasi dalam
memperkirakan rata-rata sampel [32-34].
Koordinat bentuk Procrustes mubazir. Artinya, terdapat lebih banyak

koordinat daripada jumlah sebenarnya variabel bentuk setelah superimposisi.
Dalam analisis dua dimensi (yaitu, landmark pada gambar datar, seperti
dalam studi kasus kami), empat derajat kebebasan hilang: satu untuk
standarisasi ukuran, dua untuk menerjemahkan konfigurasi pada sumbu
Gambar 1. Konfigurasi landmark. Dari Viscosi et al., 2009, dimodifikasi. doi:10.1371/
koordinat X dan Y untuk menempatkan pusat massanya, satu lagi untuk
meminimalkan perbedaan rotasi.
journal.pone.0025630.g001
Dalam tiga dimensi, ketika setiap landmark memiliki koordinat X, Y dan Z,
hilangnya derajat kebebasan dihitung dengan cara yang sama tetapi jumlah
Diskusi). Tidak ada konfigurasi landmark yang mutlak pada struktur tertentu
totalnya adalah tujuh karena adanya sumbu tambahan (Z) untuk translasi
dan pilihan konfigurasi harus diarahkan oleh pernyataan yang jelas
dan dua bidang lagi untuk rotasi. Uji statistik parametrik multivariat mungkin,
mengenai hipotesis yang diuji: ''... dalam studi tentang sayap kelelawar dan
bergantung pada cara penerapannya oleh pembuat perangkat lunak, salah
burung jika seseorang tertarik pada fungsi, landmark di ujung sayap dan di
menghitung derajat kebebasan variabel jika dilakukan pada koordinat
sepanjang tepi depan dan belakang mungkin memiliki fungsi yang setara;
bentuk.
mereka mungkin mewujudkan pertanyaan tersebut dalam kaitannya dengan
Namun, redundansi tersebut mudah diidentifikasi dan diperhitungkan
aspek bentuk yang relevan secara fungsional. Namun, landmark ini mungkin
dengan melakukan analisis komponen utama (PCA) menggunakan matriks
terletak pada struktur yang tidak setara dalam hal lain; untuk studi
varians-kovarians dari koordinat bentuk IPK. PCA adalah cara untuk
pertumbuhan atau evolusi, penanda alternatif mungkin merupakan yang
meringkas data multivariat dengan membangun kombinasi linier dari
paling sesuai'' [hal. 89, 27]. Oleh karena itu, pemilihan landmark merupakan
variabel asli yang tidak berkorelasi dan memaksimalkan jumlah total sampel
langkah penting dalam analisis dan penggunaan metode garis besar, titik-
varians yang dijelaskan [2–35].
titik dengan jarak yang sama pada kontur dan permukaan (disebut
Hubungan spasial antar spesimen tidak berubah, seluruh rangkaian PC
semilandmark) [5] atau teknik lain, yang tidak bergantung pada identifikasi
memperhitungkan seluruh varians dalam variabel asli dan tidak ada yang berubah
eksplisit landmark anatomi, tidak bergantung pada identifikasi eksplisit
dalam struktur data, karena hanya sumbu proyeksinya yang diputar secara kaku.
landmark anatomi. tidak menghindari asumsi mendasar korespondensi
Spesimen dapat dianggap sebagai titik-titik awan dalam ruang multivariat di mana
deskriptor morfometrik yang digunakan [28]. Mereka, setidaknya dalam pengamat telah mengubah posisinya untuk mendapatkan gambaran yang lebih baik
bentuknya saat ini, hanya mendelegasikan peran ahli anatomi dalam tentang sisi terpanjang awan. Dalam GMM, PCA pada variabel bentuk kadang-
memilih algoritma untuk menentukan lokasi titik secara tepat [28]. kadang disebut sebagai analisis warp relatif [36,37]. Ada perbedaan halus antara
Meskipun terdapat ketelitian, objektivitas dan kemampuan untuk kedua metode tersebut; namun, pada hampir semua aplikasi biologis, keduanya
mengekstraksi informasi yang sulit diperoleh, kriteria matematis dan berfungsi secara efektif dengan cara yang sama dan menghasilkan skor yang
pemilihan parameter yang berbeda (misalnya, kepadatan titik semilandmark) identik. Karena alasan inilah kami menyukai istilah PCA yang terkenal.
dapat menghasilkan jarak dan hasil bentuk yang tidak kongruen [28,29].
Yang lebih penting lagi, mereka membiarkan pertanyaan tentang biologi
yang mendasari ciri-ciri anatomi yang ditentukan secara algoritmik tetap 1b) Dari konfigurasi landmark hingga variabel bentuk: aplikasi perangkat
terbuka dan kemungkinan bahwa titik-titik yang sesuai secara matematis lunak dan ruang bentuk. Kami menggunakan program freeware MorphoJ
mungkin benar-benar dipetakan ke area yang tidak konsisten di antara [24] untuk sebagian besar analisis. Program ini disajikan secara ringkas di
individu-individu dan dalam kaitannya dengan model biologis yang Klingenberg [24], tetapi juga memiliki panduan pengguna html yang
ditetapkan oleh pertanyaan-pertanyaan ilmiah yang sedang ditangani adalah nyata dan harus
ekstensif. diakui.
Kami akan[27].
meluangkan waktu untuk merinci operasi spesifik
GMM adalah serangkaian teknik berbeda [5] dengan tujuan yang sama: yang dilakukan di MorphoJ dan beberapa perangkat lunak gratis lainnya
analisis statistik perbedaan bentuk menggunakan deskripsi kuantitatif yang yang kami gunakan. Program-program ini merupakan paket komputer
mempertahankan geometri variasi bentuk. Kecuali ditentukan lain, komprehensif yang kuat, yang dapat melakukan berbagai analisis dan
selanjutnya kami akan menggunakan GMM untuk merujuk hanya pada manipulasi data. Beberapa lainnya, yang tidak kami gunakan, dapat
metode berbasis landmark menggunakan analisis Procrustes. Saat ini ditemukan dengan mengikuti tautan di http://life. bio.sunysb.edu/morph/
merupakan metode standar untuk analisis data landmark dan teknik GMM (Diakses 2011 Juni 8). Untuk lebih banyak fleksibilitas dan spektrum alat
yang paling umum bersama dengan berbagai bentuk analisis Fourier untuk analisis yang lebih luas, data bentuk dapat diimpor dalam R (www.r-
studi garis besar. project.org/. Diakses 2011 Juni 8)

atau langsung dihasilkan dalam lingkungan statistik ini dengan menggunakan Setelah selesai pengumpulan data dan pendahuluan
paket 'bentuk' [38]. Buku Claude [39] tentang GMM di R memberikan operasi, analisis numerik dimulai:
pedoman dan contoh untuk membantu penggunaan bahasa perangkat lunak ini. Spesimen ditumpangkan pada Procrustes (menu: pendahuluan; opsi:
File untuk manipulasi data dan digitalisasi sebagian besar dibuat Procrustes fit). Di MorphoJ, seperti di sebagian besar program GMM lainnya,
menggunakan perangkat lunak dari Seri TPS, serangkaian program untuk operasi ini memisahkan ukuran dan bentuk dan juga memproyeksikan
analisis morfometrik geometris dua dimensi [37]: koordinat bentuk ke dalam ruang Euclidean yang bersinggungan dengan
Pertama kita membuat file TPS di TPSUtil menggunakan opsi ''build TPS ruang bentuk Procrustes.
file from images''. Ini adalah file teks ascii sederhana dengan ekstensi .TPS, Proyeksi ke dalam ruang singgung dilakukan karena metode statistik
yang mencantumkan nama file gambar dan menentukan bahwa belum ada standar seperti regresi, analisis varians dan banyak lainnya pada umumnya
landmark yang didigitalkan. File TPS dapat dimanipulasi di TPSUtil (misalnya, mengharuskan data berada dalam ruang Euclidean yang datar. Secara
untuk mengubah urutan/menghapus landmark atau spesimen, dll.) atau sederhana, ini berarti jarak antara dua pengamatan adalah garis lurus yang
secara manual di editor teks apa pun. dihitung menggunakan teorema Pythagoras (atau perluasan multivariatnya).
Kemudian kami membuka file TPS di TPSDig dan mendigitalkan 11 landmark Namun, karena bentuk ruang Procrustes melengkung, ia harus didekati
dalam urutan yang sama pada setiap gambar, setelah mengatur faktor skala. Faktor dengan ruang tangen Euclidean menggunakan proyeksi yang dihitung
skala diatur menggunakan menu alat gambar TPSDig (pilihan: ukur, atur skala) seperti yang dilakukan kartografer untuk menggambar permukaan bumi
untuk mengukur jarak yang ditentukan oleh pengguna (10 mm, dalam contoh kita) yang melengkung ke dalam peta datar. Titik singgung antara kedua ruang
pada penggaris yang ditempatkan di samping daun ketika dipindai. Faktor skala tersebut merupakan bentuk rata-rata sampel. Perkiraan ruang singgung
(mm/piksel) digunakan untuk mengubah koordinat dari piksel ke milimeter (atau untuk hampir semua kumpulan data biologis yang dianalisis hingga saat ini
satuan ukuran lainnya) dan untuk mendapatkan konfigurasi landmark semua sangat baik [5].
spesimen ke skala yang sama. Namun, jika faktor skalanya sama untuk semua Ruang yang ditempati oleh organisme nyata, bahkan ketika ini merupakan
gambar, seperti dalam kasus kami di mana semua daun dipindai menggunakan studi makroevolusi tentang perbedaan antara ordo mamalia [40], sangatlah
perbesaran dan resolusi yang sama, faktor ini dapat diatur selama digitalisasi kecil dibandingkan dengan ruang dari semua kemungkinan bentuk. Perkiraan
gambar pertama saja; ini akan digunakan untuk semua individu lain dalam file yang ruang singgung dipandang sebagai masalah teoritis murni oleh sebagian
sama. besar ahli morfometri yang mengerjakan data biologis.
Meski begitu, hal itu harus diperiksa. TPSMall [37] melakukan regresi melalui
Kami mengonversi TPS menjadi NTS (TPSUtil, opsi konversi file TPS/ asal himpunan jarak Euclidean di ruang Euclidean ke himpunan jarak bentuk
NTS) mencentang kotak untuk menggunakan faktor skala dan juga untuk Procrustes. Jika perkiraannya sangat baik, maka akan diperoleh regresi
menggunakan nama gambar sebagai label. Format NTS adalah file teks yang kemiringan dan korelasinya hampir sama dengan 1.
ascii lain yang digunakan untuk koordinat landmark (dan variabel lainnya).
Informasi koordinat landmark yang disimpan dalam file jenis ini sama dengan Sampel diperiksa apakah ada outlier. Hal ini dilakukan baik pada sampel
format TPS, tetapi data disusun ulang sebagai matriks dengan baris yang total maupun pada setiap sampel populasi. Sub-sampel diperoleh di MorphoJ
sesuai dengan spesimen dan kolom yang sesuai dengan koordinat. Dalam menggunakan opsi ''pendahuluan'' ''bagi lagi kumpulan data berdasarkan''
contoh ini, konversi ke NTS hanya digunakan sebagai jalan pintas untuk dengan pengklasifikasi yang sesuai. Pencilan untuk ukuran lebih mudah
membuat pengidentifikasi spesimen dengan cepat berdasarkan nama asli ditemukan menggunakan metode univariat, misalnya plot kotak [41] di PAST
file gambar. [42,43]. Untuk bentuk, MorphoJ memiliki opsi di menu pendahuluan yang
Memang benar, jika nama deskriptif dipilih untuk file gambar dan dapat membantu mendeteksi spesimen yang jauh dari rata-rata. Hal ini
digunakan sebagai label di NTS, nama tersebut dapat dengan mudah diubah didasarkan pada model yang mengasumsikan bahwa data multivariat
menjadi variabel pengelompokan di MorphoJ, setelah mengimpor file NTS terdistribusi normal. Metode eksplorasi kedua untuk menemukan potensi
(menu: ''file''; opsi: ''buat proyek baru '' menggunakan data dua dimensi outlier adalah dengan mencari titik-titik individual yang terpisah dari sebaran
dalam format ''NTSYSpc'', tanpa simetri objek karena hanya satu sisinya pengamatan utama dalam plot sebar PCA. PCA dapat dilakukan di MorphoJ
yang didigitalkan). Misalnya, dalam nama file sebagai Busso_T01_L1_R1.jpg setelah menghitung matriks kovarians varians dari koordinat bentuk
atau Campo_T04_L2_R2.jpg: lima karakter pertama menunjukkan lokasi; Procrustes (menu: ''pendahuluan''; opsi: ''hasilkan matriks kovarians'') dan
pohon ke-7 sampai ke -9 dari lokasi itu; tanggal 11 dan 12 adalah daun dari memproyeksikan data ke vektor eigen yang sesuai (menu: '' variasi''; opsi:
pohon tersebut dengan gambar replika pertama (R1) atau kedua (R2) yang ''analisis komponen utama''). Opsi ketiga untuk membantu deteksi outlier
landmarknya didigitalkan satu kali pada setiap gambar. Dengan menggunakan yang dikombinasikan dengan dua opsi sebelumnya adalah mencari cabang
opsi ''ekstrak pengklasifikasi baru'' di menu ''pendahuluan'' MorphoJ, terisolasi, umumnya di dekat akar pohon, dalam fenogram. Fenogram dapat
seseorang dapat memberitahu program untuk menggunakan karakter 1–5 dihitung dengan melakukan analisis cluster di PAST [42,43] menggunakan
untuk populasi geografis; 1–9 untuk pepohonan; 1–12 untuk masing-masing jarak Euclidean yang dihitung pada matriks koordinat bentuk Procrustes
daun. Pengklasifikasi, serta kovariat yang dibuat dari variabel kontinu
(menu: multivar; opsi: analisis cluster). Phenogram adalah ringkasan
(misalnya, koordinat geografis, kovariat lingkungan seperti suhu,
hubungan kesamaan dalam kumpulan data multivariat menggunakan
kelembapan, dll.), juga dapat diimpor nanti dari file txt terpisah atau
diagram pohon. Jarak antar spesimen dalam pohon sebanding dengan
ditentukan secara manual di menu edit pengklasifikasi di MorphoJ.
perbedaannya. Bentuk yang paling mirip terdapat pada cabang saudara,
Terakhir, untuk membantu visualisasi, kami menggambar garis, yang
sedangkan bentuk yang paling berbeda terletak di sebelah akar.
disebut link, di antara pasangan landmark (menu: ''pendahuluan; opsi: buat
atau edit wireframe'') untuk membuat wireframe yang menyerupai daun bergaya.
Kami juga membuat dan mengimpor (menu: ''file''; opsi: ''import outline file'')
garis besar daun untuk membuat representasi grafis yang lebih efektif dari
keluaran analisis. Outline adalah kontur yang digambar di TPSDig Pohon cenderung mengubah jarak bentuk [44]. Indeks korelasi cophenetic
menggunakan serangkaian titik. Titik-titik ini tidak akan digunakan dalam yang tersedia di PAST membantu mengukur besarnya distorsi [45]. Indeks
analisis, karena bukan merupakan penanda, namun dapat digunakan untuk dihitung sebagai korelasi antara jarak bentuk asli dan jarak yang
menunjukkan variasi bentuk dengan merender gambar kontur di latar direkonstruksi menggunakan topologi pohon dan berkisar antara 1 (tidak
belakang. Garis besar tidak dapat diimpor secara langsung dalam format ada distorsi) dan 0 (distorsi maksimum yang mungkin terjadi). Algoritme
TPS dan harus dikonversi dalam format file ascii txt, seperti yang dijelaskan pembangunan pohon yang berbeda dapat digunakan dan besarnya
secara rinci dalam panduan pengguna MorphoJ.

indeks cophenetic dibandingkan dengan memilih salah satu yang meminimalkan dengan derajat kebebasan yang sesuai dengan populasi (pembilang) dan pohon
distorsi ovalall. 2a) (penyebut).
Menguji variasi populasi, pohon dan daun menggunakan Procrustes ANOVA Untuk melengkapi analisis, kami juga menghitung persentase jumlah kuadrat
yang dimodifikasi: latar belakang teoritis. Untuk lebih jelasnya, jika populasi, pohon, yang dijelaskan oleh masing-masing efek. Jumlah kuadrat mengukur deviasi
daun, dan replika (yaitu kesalahan) mengacu pada efek yang diuji secara statistik, observasi dari mean (atau mean, jika terdapat kelompok) dan lebih tepat disebut
kita sekarang akan menggunakan huruf miring. Perbedaan ukuran dan bentuk daun sebagai 'jumlah deviasi kuadrat'. Karena ini adalah perkiraan variabilitas sampel
dapat terjadi pada beberapa tingkatan. Tujuan utama kami adalah mengukur dan yang tersedia dalam keluaran ANOVA, ini dapat digunakan untuk menilai seberapa
menguji variasi populasi geografis. Namun, kita juga perlu mengetahui seberapa cocok berbagai faktor dengan data. Hal ini mudah diperoleh dengan membagi
jauh perbedaan daun di dalam dan di antara pepohonan, dan apakah hal ini lebih jumlah kuadrat suatu efek dengan jumlah total kuadrat dan mengalikan rasio ini
dari sekadar disebabkan oleh kesalahan pengukuran. Untuk tujuan ini, kami dengan 100.
menggunakan analisis varians hierarki (ANOVA) dengan populasi sebagai efek
utama, pohon dan daun sebagai efek acak (yaitu, faktor-faktor yang jumlah levelnya Namun, hal ini tidak sama dengan memperkirakan komponen varians dalam
tidak ditentukan oleh kriteria apriori tujuan apa pun dan hanya mencerminkan ANOVA, prosedur statistik lebih lanjut yang kami jelaskan secara singkat dalam
pengambilan sampel), dan dedaunan bersarang di pepohonan. Dalam menu catatan di Lampiran 1.
''variasi'' MorphoJ, analisis ini disebut ''Procrustes ANOVA'' menurut Klingenberg et 3) Menguji perbedaan populasi menggunakan uji permutasi dan analisis
al. [25]. Varians dipartisi dengan menggunakan ''jumlah hierarki hierarki'' (p. 620, diskriminan: latar belakang teori dan aplikasi perangkat lunak. Hasil Procrustes
[41]) sedemikian rupa sehingga setiap efek disesuaikan untuk semua efek lain yang ANOVA memberikan dasar untuk merencanakan langkah analisis selanjutnya.
muncul sebelumnya dalam hierarki. Hal ini memperhitungkan struktur data yang Tingkat terendah, daun, harus signifikan secara statistik, karena perbedaan antara
tersarang (masalah yang sangat penting jika desain tidak seimbang, yaitu dengan daun, terlepas dari populasi dan pohon, harus lebih besar daripada kesalahan
ukuran sampel yang tidak sama), sehingga memungkinkan seseorang untuk pengukuran. Oleh karena itu, kesalahan pengukuran harus menjelaskan persentase
mengukur perbedaan dalam populasi, pohon tanpa memandang populasi, dan daun varians yang dapat diabaikan. Tingkat berikutnya, pohon, menunjukkan apakah
tanpa memandang kedua populasi. dan pohon. Varians yang tidak dapat dijelaskan terdapat lebih banyak variasi daun pada pohon yang berbeda dibandingkan pada
oleh salah satu efek ini adalah kesalahan pengukuran dan diperkirakan menggunakan pohon yang sama. Jika hal ini terjadi, ada alasan yang lebih kuat untuk
perbedaan antara pengulangan, yang mencakup kesalahan digitalisasi dan menggabungkan daun-daun di dalam pohon dan menggunakan rata-ratanya sebagai
kesalahan selama perolehan gambar. Jadi, secara ringkas, kami menguraikan perkiraan tren bentuk daun di setiap pohon. Setelah menghilangkan replikasi semu
varians total dalam ukuran atau bentuk menjadi komponen utama (populasi), acak (yaitu, pengamatan non-independen sebagai beberapa daun dari sebuah pohon)
(pohon, daun) dan kesalahan (replika) dan menghitung rasio antara komponen- dari sampel, berbagai tes standar untuk perbedaan kelompok dapat diterapkan
komponen ini (populasi/pohon, pohon/daun, daun/kesalahan) dikoreksi dengan [12,13,46] untuk memeriksa tingkat tertinggi dan paling menarik, pada setidaknya
jumlah derajat kebebasan yang sesuai untuk menghasilkan statistik pengujian. dari perspektif taksonomi, variasi kelompok: perbedaan populasi. Jadi: Pertama kita
rata-ratakan daun di dalam pohon di MorphoJ menggunakan opsi ''pengamatan rata-
2b) Menguji variasi populasi, pohon dan daun menggunakan Procrustes ANOVA rata menurut'' dari menu ''pendahuluan''.
yang dimodifikasi: aplikasi perangkat lunak. Procrustes ANOVA dalam menu variasi
MorphoJ dirancang untuk studi asimetri dalam struktur simetris bilateral [25]. Analisis Kemudian, kami menggunakan data rata-rata untuk menguji populasi dengan
dilakukan secara otomatis untuk ukuran (univariat) dan bentuk (multivariat). Faktor- menggunakan serangkaian pengujian untuk perbedaan rata-rata sampel termasuk
faktor tersebut harus ditentukan secara akurat ketika analisis diminta, karena ini perkiraan keakuratan bentuk daun dalam kelompok prediksi.
merupakan model hierarki dan oleh karena itu merupakan urutan analisis. Untuk ukuran, kami melakukan uji-t parametrik untuk sampel independen. Kami
juga mengulangi pengujian menggunakan permutasi, yang tidak mengasumsikan
dampaknya (pertama populasi, kemudian pohon, diikuti oleh masing-masing daun) data terdistribusi normal dan dapat dilakukan meskipun sampelnya kecil. Semua
adalah hal yang penting. Versi MorphoJ saat ini tidak memungkinkan seseorang pengujian ini dilakukan secara bersamaan di PAST menggunakan menu ''Statistik''
untuk menentukan efek acak selain individu (yaitu, daun dalam penelitian kami). dengan opsi ''Uji F dan T untuk dua sampel''. Uji permutasi perbedaan kelompok
Oleh karena itu, kami harus mengambil beberapa langkah tambahan untuk juga dapat dilakukan di MorphoJ menggunakan pendekatan regresi. Kovariat
mendapatkan hasil yang benar: dummy dibuat (menu: pendahuluan; opsi: edit kovariat), di mana satu populasi diberi
Kami memilih populasi diikuti oleh pohon sebagai efek utama (panel kanan di kode -1 dan populasi lainnya diberi kode 1 (atau sebaliknya). Kemudian, ukuran
jendela analisis) dan daun sebagai satu-satunya efek acak (pertama gulir ke bawah diregresikan ke dalam kovariat dummy ini menggunakan permutasi untuk menguji
pada menu di sisi kiri jendela analisis). Hal ini merupakan kesalahan spesifikasi signifikansi. Tes ini memberikan nilai P bersama dengan persentase varians yang
faktor dan menentukan bahwa baik populasi maupun pohon dianggap berada pada dijelaskan oleh populasi.
tingkat yang sama dan masing-masing dibandingkan dengan (yaitu, dibagi dengan)
jumlah rata-rata daun individu. Dalam kasus ini dan kasus lainnya ketika kami menyatakan kesesuaian model
dalam bentuk varians dan bukan jumlah kuadrat, kami melakukannya karena varians
Kami secara manual menghitung rasio F untuk pengaruh utama populasi dengan adalah konsep yang mungkin lebih familiar bagi sebagian besar pembaca. Karena
menggunakan pohon sebagai efek acak untuk mengoreksi model yang salah terdapat satu set prediktor dan tidak ada partisi antar faktor, seperti pada Procrustes
spesifikasi. Perhitungannya terdiri dari membagi jumlah rata-rata kuadrat populasi ANOVA, persentase jumlah kuadrat yang dijelaskan identik dengan persentase
dengan jumlah rata-rata kuadrat pohon dan hal ini mudah dilakukan karena jumlah varians (Zelditch et al., 2004).
rata-rata kuadrat dan derajat kebebasannya sama dengan keluaran standar
MorphoJ. Jadi, seseorang hanya perlu mengambil angka dari jendela hasil MorphoJ Perbedaan bentuk multivariat dapat diuji berpasangan di PAST menggunakan
dan secara manual melakukan rasio F 'populasi terhadap pohon'. pendekatan parametrik (menu: Multivar; opsi: Hotelling) atau permutasi (menu:
Multivar; opsi: Permutasi dua grup). Bagi mereka yang tidak terbiasa dengan
metode yang menggunakan pengacakan, alasan untuk uji permutasi dan perluasan
Terakhir, tingkat signifikansi P dari statistik F yang diamati dapat diperoleh multivariatnya dijelaskan dengan baik dalam bab tentang ''Metode statistik berbasis
dengan menggunakan kalkulator distribusi F (misalnya, http://davidmlane.com/ komputer'' di Zelditch dkk. [26] dan juga dalam buku pengantar statistik resampling
hyperstat/F_table.html. Diakses pada 8 Juni 2011) atau tabel nilai kritis ( http:// oleh Manly [47]. Peringatan penting untuk diingat dalam menggunakan tes ini
www.itl.nist.gov/div898/handbook/eda/section3/eda3673.htm.Diakses 2011 Juni 8) adalah, meskipun permutasi bisa

dilakukan dengan ukuran sampel yang terlalu kecil untuk uji parametrik, sampel perbedaan [52]. Alometri dapat menjelaskan proporsi variasi morfologi yang besar
yang kecil pasti akan mengurangi kekuatan statistik dan meningkatkan dan signifikan secara statistik. Hal ini diuji menggunakan regresi multivariat dari
ketidakakuratan dalam memperkirakan mean dan varians kelompok. Sedangkan bentuk ke ukuran (di MorphoJ, menu: Kovariasi; opsi: Regresi). Ukuran centroid
untuk ukuran, perbedaan juga dapat diuji di MorphoJ menggunakan pendekatan pertama-tama dapat ditransformasikan ke logaritma naturalnya untuk meningkatkan
regresi dan permutasi. Uji perbedaan rata-rata sampel diperoleh di MorphoJ juga kesesuaian model, yang diperkirakan dengan persentase varian bentuk yang
sebagai bagian dari keluaran analisis diskriminan (DA). Hasilnya akan setara dengan dijelaskan oleh ukuran. Signifikansi diuji menggunakan uji parametrik (PAST) atau
pendekatan regresi, namun pendekatan regresi juga menghitung varians yang permutasi (MorphoJ).
dijelaskan dan pendekatan regresi juga menghasilkan tabel klasifikasi, seperti yang
dijelaskan di paragraf berikutnya. Jika terdapat kelompok, seseorang tidak dapat memasukkan satu garis regresi
ke seluruh kelompok untuk menguji alometri. Hal ini karena garis dapat mempunyai
Kami menguji perbedaan kelompok juga menggunakan DA. Di MorphoJ ini kemiringan atau titik potong yang spesifik pada suatu kelompok. Uji parametrik
diperoleh dari menu ''perbandingan'', opsi ''analisis diskriminan''. DA mungkin standar untuk perbedaan kemiringan dan perpotongan lintasan alometrik juga
merupakan metode statistik yang paling banyak digunakan untuk menyelidiki menyediakan metode untuk 'mengoreksi' pengaruh ukuran terhadap bentuk.
perbedaan taksonomi dan umumnya digunakan sebagai sinonim untuk analisis Ini adalah MANCOVA dengan populasi sebagai kelompok dan ukuran centroid
variat kanonik (CVA). Istilah DA lebih disukai digunakan ketika hanya dua kelompok sebagai kovariat [26]. MANCOVA mirip dengan MANOVA, dimana MANCOVA
yang dibandingkan; CVA bila terdapat tiga kelompok atau lebih. Seringkali dalam memiliki kelompok apriori untuk dibandingkan, namun juga memiliki regresi, karena
DA mengenai data taksonomi fokus utamanya adalah pada prediksi kelompok, seseorang dapat memasukkan satu atau lebih variabel kontinu sebagai prediktor.
sedangkan dalam CVA lebih pada pentahbisan. Neff dan Marcus [35] dan Albrecht Tujuannya adalah untuk menguji kelompok (populasi) setelah menghilangkan
[48] memberikan pengenalan DA/CVA yang sangat baik dan ringkas; Klingenberg varians dalam variabel respon (bentuk) yang diperhitungkan oleh kovariat (ukuran).
dan Monteiro [49] mendiskusikan penggunaannya di GMM. Secara sederhana, DA/ Dengan melakukan hal ini, kita dapat mengatakan bahwa perbedaan bentuk
CVA adalah metode lain untuk menggabungkan sekumpulan variabel, seperti PCA. sebenarnya disebabkan oleh variasi ukuran saja. Mengontrol satu faktor, sambil
Namun, kombinasi linier dari variabel asli kini diturunkan untuk memaksimalkan menguji faktor lain, membuat model penjelasan menjadi lebih sederhana dan
pemisahan kelompok untuk: 1) menguji kelompok (inferensi statistik), 2) meningkatkan kekuatan statistik.
merencanakan perbedaannya (pentahbisan) dan 3) memprediksi afiliasi kelompok MANCOVA diterapkan pada rata-rata daun pohon yang telah kami uji perbedaan
(klasifikasi). Ketiga jenis keluaran dihasilkan oleh MorphoJ ketika analisis ditentukan populasinya pada langkah (3). Itu juga digunakan untuk menghitung bentuk yang
sebagai DA untuk dua kelompok (seperti dalam kasus kami). 'dikoreksi ukuran', yang kemudian diperiksa menggunakan serangkaian pengujian
yang sama seperti pada bentuk penuh (3):
Sebelum melanjutkan dengan MANCOVA, signifikansi alometri dalam kelompok
Namun, dengan tiga kelompok atau lebih, opsi CVA di MorphoJ hanya akan menguji dapat diuji terlebih dahulu. Hal ini memerlukan pemisahan populasi menjadi sampel
perbedaan kelompok secara berpasangan dan menghasilkan pentahbisan. terpisah (menu MorphoJ: ''Preliminar-ies''; opsi: ''Bagi lagi kumpulan data
Tabel klasifikasi dan uji perbedaan keseluruhan (yaitu, semua kelompok bersama- berdasarkan'') dan melakukan regresi bentuk multivariat ke dalam ukuran satu
sama) dapat diperoleh dengan menggunakan PAST (menu: ''Multi-var''; opsi: kelompok pada satu waktu (menu: ''Kovariasi'' ; opsi: ''Regresi''). Jika setidaknya
''MANOVA/CVA, matriks konfusi''). Dengan demikian, koordinat bentuk Procrustes salah satu kelompok signifikan secara statistik, pengendalian alometri menggunakan
dapat diekspor dari MorphoJ sebagai file teks (menu: ''file''; opsi: ''ekspor kumpulan MANCOVA, seperti dijelaskan dalam paragraf berikutnya, mungkin menarik.
data'') dan langsung dibuka di PAST setelah mengubah nama kolom pertama dari
ID menjadi LABELS ( atau apa pun selain ID). Alternatifnya, koordinat mentah dalam
format TPS dapat langsung diimpor ke PAST, ditumpangkan pada IPK, dikenakan MANCOVA lengkap dengan populasi sebagai kelompok, ukuran sebagai kovariat,
PCA, dan kemudian digunakan untuk CVA. dan istilah interaksi populasi berdasarkan ukuran disertakan.
Tujuan utamanya adalah untuk membandingkan kemiringan regresi antar kelompok.
Di PAST, grup ditentukan dengan memilih dan mewarnai baris (menu: ''Edit''; opsi: Hal ini diuji melalui interaksi antara populasi dan ukuran. Dalam konteks ini, di sini
''Warna/simbol baris'') dan pengujian multivariat harus dilakukan menggunakan PC dan di seluruh makalah ini, kami secara informal menggunakan 'interaksi' sebagai
dengan nilai eigen bukan nol untuk memastikan derajatnya kebebasan dihitung cara ringkas untuk menunjukkan pengujian kemiringan dengan menggunakan
dengan benar dari data bentuk Procrustes. Akhirnya, baik di MorphoJ dan PAST, ketentuan yang sama seperti pada sebagian besar program statistik, meskipun hal
hanya tabel klasifikasi yang divalidasi silang dengan jack-knife yang memberikan ini tidak sepenuhnya sesuai dengan arti ' interaksi' dalam MANOVA. Uji kemiringan
informasi yang dapat diandalkan tentang kelompok [50]. Dalam validasi silang jack- ini membandingkan jumlah varian yang dijelaskan oleh dua model: model pertama
knife atau exit-one-out, satu per satu setiap individu tidak dimasukkan dalam analisis adalah regresi linier multivariat spesifik kelompok yang disesuaikan secara simultan
dan diprediksi menggunakan data dari semua spesimen lainnya. Dengan cara ini dengan setiap populasi mempunyai kemiringannya sendiri; yang kedua juga
prediksi jacknifed menghindari 'penalaran melingkar' dan akibatnya meningkatkan menyesuaikan garis-garis khusus kelompok tetapi melakukannya dengan
akurasi DA/CVA yang tidak divalidasi silang, di mana spesimen diklasifikasikan memaksanya menjadi paralel.
menggunakan fungsi yang dihitung pada sampel yang mencakup spesimen yang Kesesuaian model pertama (yaitu, persentase varians yang dijelaskan) akan selalu
sama. Hasil yang tidak divalidasi silang dan divalidasi silang dihasilkan di MorphoJ, lebih baik dibandingkan model kedua, karena kemiringan regresi garis sejajar harus
sedangkan hasil yang divalidasi silang harus diminta di PAST dengan mencentang dikompromikan antara kemiringan spesifik kelompok. Akan tetapi, jika garis-garis
kotak yang sesuai di jendela matriks konfusi. terpisah hanya sedikit lebih cocok dengan data dibandingkan garis paralel dan hal
ini tidak cukup untuk menjadi signifikan secara statistik, perbedaan antara kedua
model dapat diabaikan dan lintasan alometrik dapat dianggap paralel. Dalam hal
4) 'Koreksi ukuran' setelah menguji pengaruh ukuran terhadap bentuk (yaitu variasi bentuk, hal ini berarti bahwa pola alometrik antar kelompok adalah sama:
alometri) menggunakan desain analisis kovarian multivariat (MANCOVA): latar seiring bertambahnya ukuran daun, perubahan relatif dalam proporsi wilayahnya
belakang teoritis dan aplikasi perangkat lunak. Ukuran dan bentuk, hingga saat ini, juga serupa pada populasi yang berbeda. Misalnya, populasi A mungkin memiliki
telah diuji secara terpisah. Mungkin menarik untuk mempertimbangkan juga cara daun berbentuk bulat telur sedangkan populasi B mungkin berbentuk bulat telur,
mereka berinteraksi dan berinteraksi. Misalnya, jika variasi ukuran besar, kita tetapi pada populasi A dan B, daun yang lebih besar cenderung lebih ramping
mungkin ingin mengulangi perbandingan bentuk setelah mengendalikan pengaruh dibandingkan dengan yang lebih kecil. Bentuk daunnya tidak sama, namun
ukuran pada bentuk [51]. Efek ini disebut alometri dan secara umum mengacu pada kecenderungan kovariasinya dengan ukuran serupa.
perubahan bentuk yang berhubungan dengan ukuran

Ketika kemiringan berbeda, lintasan alometrik menunjuk ke arah yang berbeda cara. Jadi, dengan menggunakan ukuran umum untuk memprediksi bentuk, kami
dan seseorang tidak dapat dengan mudah mengontrol pengaruh ukuran terhadap membuat pengaruh ukuran pada bentuk dapat dibandingkan antar kelompok.
bentuk dalam pengujian perbedaan kelompok [26]. Namun, jika (dan umumnya Namun, kami belum mengatakan berapa ukuran umum (b) ini. Ternyata kita dapat
hanya jika) kemiringan lereng tidak berbeda secara signifikan (yaitu, ukuran menggunakan ukuran rata-rata sampel keseluruhan (yaitu, ukuran rata-rata semua
MANCOVA menurut interaksi populasi tidak signifikan secara statistik), kita dapat kelompok) atau ukuran lainnya dan dalam hal pengujian statistik dan perbedaan
melanjutkan ke langkah berikutnya: mengendalikan pengaruh alometri sambil relatif antar kelompok, hal ini tidak akan membuat perbedaan.
menguji kelompok dan menghitung bentuk yang 'dikoreksi ukuran'. MANCOVA Hal ini karena garis regresi sejajar dan oleh karena itu jarak relatifnya (yaitu
diulangi setelah istilah interaksi (yang tidak signifikan!) dihilangkan. Variabel perbedaan bentuk) adalah sama di seluruh rentang variasi ukuran. Jika asumsi ini
pengelompokan, populasi, kini menguji perbedaan intersep regresi dengan dilanggar, karena kemiringan lereng sangat berbeda, hasil 'koreksi ukuran' bisa
membandingkan persentase varians yang dijelaskan oleh model yang berbeda. berbeda tergantung pada pilihan ukuran umum (b) [26].
Namun, model yang paling cocok dalam hal ini adalah model dengan garis-garis
yang terpisah namun paralel, seperti yang telah kita lihat, dan model yang paling
cocok adalah garis regresi tunggal yang melewati semua data tanpa memandang 5) Interpretasi dan visualisasi variasi bentuk: latar belakang teoritis dan aplikasi
kelompoknya. Jika perbedaannya tidak signifikan secara statistik, perpotongan dua perangkat lunak. Bagian terakhir ini menjelaskan bagaimana variasi bentuk
(atau lebih) garis sejajar dengan sumbu Y secara statistik tidak dapat dibedakan. diinterpretasikan dan divisualisasikan setelah analisis statistik. Dalam morfometrik
Hal ini berarti bahwa lintasan-lintasan alometrik saling tumpang tindih antar kelompok multivariat tradisional, interpretasi hasil sangat bergantung pada penentuan
dan oleh karena itu pola-polanya tidak hanya serupa (misalnya sejajar atau kepentingan relatif dari berbagai pengukuran. Misalnya, dalam PCA, mungkin
bertransposisi ke samping) namun sebenarnya sama. Perbedaan kelompok dalam menarik untuk mengetahui variabel mana yang memberikan kontribusi paling besar
kasus khusus ini dijelaskan sepenuhnya oleh alometri: jika suatu populasi lebih terhadap sumbu utama variasi. Dalam konteks regresi, hubungan antara prediktor
besar dan membentuk kovarian berdasarkan ukuran, maka bentuknya akan berbeda dan variabel yang diprediksi mungkin lebih kuat atau lebih lemah bergantung pada
hanya karena ia telah bergerak sedikit lebih jauh dalam lintasan alometrik yang variabelnya. Jenis interpretasi ini banyak dilakukan dengan melihat koefisien
sama. (pemuatan PC, koefisien regresi, dll.) yang digunakan untuk memberi bobot pada
variabel. Dalam GMM hal ini tidak dapat didasarkan pada koefisien dan harus
Untuk merekonstruksi bentuk yang 'dikoreksi ukurannya', kemiringan tidak boleh dilakukan dengan menggunakan diagram untuk memvisualisasikan perbedaan
signifikan secara statistik. 'Koreksi ukuran' menurut model MANCOVA dapat bentuk antara dua kelompok, variasi sepanjang vektor (PC1, PC2 ... atau vektor
dilakukan di MorphoJ. Namun, MorphoJ tidak menguji kemiringan dan berasumsi regresi, dll.).
bahwa hal ini telah dilakukan di perangkat lunak lain. Misalnya, seseorang dapat
menggunakan TPSRegr [37] untuk melakukan MANCOVA bentuk dua dimensi
mengikuti pendekatan regresi. Penjelasan rinci tentang langkah-langkah analitis Beberapa jenis diagram tersedia di MorphoJ, PAST dan program lainnya: Grid
yang terlibat dalam pengujian ini tersedia di file bantuan TPSRegr. Setelah deformasi pelat tipis
menunjukkan tidak pentingnya lereng, kita dapat melanjutkan dengan 'koreksi spline (TPS) [26,53] adalah salah satu diagram bentuk yang paling efektif dan
ukuran' di MorphoJ. Hal ini ditentukan dalam jendela regresi (menu ''Kovariasi'') umum digunakan. Mereka mengambil inspirasi dari grid transformasi D'Arcy
menggunakan bentuk sebagai kumpulan data dependen, ukuran pusat massa Thompson [54]. Ide Thompson adalah mendeskripsikan perubahan bentuk dengan
sebagai kumpulan data independen, dan opsi ''regresi gabungan dalam subgrup'' melapiskan kisi-kisi bujursangkar ke bentuk awal, misalnya ikan, dan kemudian
dengan populasi sebagai subgrup. MorphoJ kemudian melakukan serangkaian menggunakan transformasi matematis sederhana untuk membengkokkan kisi-kisi
operasi: ini agar sesuai dengan target, ikan dengan bentuk berbeda.
Demikian pula ''...cara berpikir tentang … [TPS] ... adalah seolah-olah suatu bentuk
dicetak pada lembaran plastik transparan yang kaku [bersama dengan sekumpulan
cocok dengan garis regresi paralel;
kisi-kisi persegi] dan kemudian dimanipulasi dengan cara ditekuk sehingga '
a) b) mengambil garis lurus yang tegak lurus sumbu X ukuran; C) bayangan' mengambil posisi penanda yang ditentukan dalam bentuk kedua'' [55].
mencari titik perpotongan antara garis (b) ini dan garis regresi setiap populasi Dalam praktiknya, yang dilakukan TPS adalah menggunakan fungsi interpolasi
(catatan: perpotongan adalah sebuah titik dalam ruang bentuk multivariat, untuk menghasilkan deformasi yang halus. Penghalusan dilakukan dengan
yang mempunyai dimensi sebanyak jumlah koordinat bentuk, yaitu dua kali meminimalkan kelengkungan lembaran tempat penanda pada bentuk awal
lipat jumlah landmark dalam data dua dimensi); d) menghitung sisa regresi, ditempatkan dan dimanipulasi hingga tumpang tindih dengan konfigurasi target.
yaitu selisih setiap bentuk yang diamati dan prediksinya menurut lintasan Operasi ini menghasilkan vektor koefisien yang dapat digunakan untuk memprediksi
alometrik paralel spesifik populasi; bagaimana garis grid dapat berubah akibat lengkungan tersebut.
Merender kontur (sering disebut garis besar) struktur studi seperti daun atau
bahkan gambar atau permukaan tiga dimensi di mana landmark didigitalkan adalah
e) menambahkan populasi demi populasi (c) ke (d) untuk merekonstruksi bentuk-
pilihan lain untuk memvisualisasikan variasi bentuk. Hal ini umumnya dicapai
bentuk yang variasi alometrik dalam kelompoknya telah dihilangkan.
dengan menerapkan koefisien yang sama yang diperoleh dengan menggunakan
TPS untuk memprediksi perubahan bentuk pada garis besar atau jenis informasi
Hasilnya adalah contoh bentuk yang 'dikoreksi ukurannya' menurut lintasan visual lainnya yang 'digambar' dalam ruang konfigurasi landmark. Meskipun tidak
alometrik paralel khusus kelompok. Mereka dapat digunakan untuk analisis lebih ada informasi kuantitatif dalam representasi diagram kecuali letak landmarknya,
lanjut (misalnya, DA dan uji permutasi seperti pada langkah (3)) dengan memilih diagram ini membantu menafsirkan perbedaan bentuk dan menjadikannya lebih
keluaran regresi di jendela pohon proyek MorphoJ. Meskipun MorphoJ mengacu nyata dibandingkan visualisasi abstrak landmark saja.
pada bentuk 'koreksi ukuran' hanya sebagai ''sisa'', sebenarnya mereka adalah sisa
yang ditambahkan ke bentuk yang dihitung seperti pada (b–c). Karena bentuk (b–c)
diprediksi pada ukuran umum yang sama dalam setiap kelompok dan residu (d) Perbedaan relatif antara dua benda uji dapat divisualisasikan dengan
menurut definisi tidak bergantung pada ukurannya, menambahkannya kembali ke menggunakan vektor perpindahan. Vektor perpindahan (disebut ''grafik lollipop''
(b–c) akan menghasilkan sampel baru yang rata-ratanya (b–c) 'dikoreksi ukuran' (d– dalam MorphoJ) adalah panah yang ditarik antara sebuah landmark dalam bentuk
e) dan variasi alometrik telah 'diperas' di sekitar (b–c) awal dan landmark yang sama dalam bentuk target. Mereka bisa berguna dan
efektif, asalkan dilakukan dengan hati-hati

mengintegrasikan informasi yang diberikan oleh masing-masing panah ini ke tidak ada spesimen dengan bentuk yang tidak biasa. Plot kotak dan ukuran
seluruh konfigurasi landmark. Jika tidak, hal tersebut dapat memberikan kesan histogram (tidak diperlihatkan) juga tidak menunjukkan adanya outlier yang
yang menyesatkan tentang suatu landmark yang bergerak secara independen kuat, meskipun sebaran daun Campobasso tidak merata.
dari satu lokasi ke lokasi lain. Tengara tidak berpindah. Ini adalah ruang yang
mereka definisikan yang berubah (memuai, berkontraksi, membengkok, dll.). 2) Pengujian variasi populasi, pohon dan daun menggunakan
Perbedaan antara dua bentuk, misalnya segitiga sama sisi dan segitiga sama Procrustes ANOVA yang dimodifikasi
kaki, tetap sama terlepas dari cara kita melapiskannya untuk mengekstrak
Procrustes ANOVA yang dimodifikasi dilakukan pada semua spesimen (termasuk
variabel ukuran dan bentuk. Namun, ketika ditampilkan satu ditumpangkan di
replika dan beberapa daun dari setiap pohon). Analisisnya harus ditentukan dalam
atas yang lain, posisi relatif dari landmark menjadi fungsi dari jenis
MorphoJ menggunakan populasi dan pohon sebagai efek utama dan daun sebagai
superimposisi dan Procrustes adalah pilihan standar hanya untuk properti efek acak individu. Sebagai
statistiknya. Dalam Diskusi kita akan mempertimbangkan salah satu dari
diantisipasi, ini bukan desain yang benar, namun versi program saat ini tidak
beberapa jenis superimposisi lainnya dan menunjukkan kemungkinannya
mengizinkan efek acak kedua dalam model.
setara dalam hal keluaran numerik dalam analisis multivariat, namun mungkin
Pohon dibuat menjadi efek acak dengan menghitung secara manual rasio F
menunjukkan perbedaan bentuk yang sangat berbeda, jika hal ini dijelaskan
yang sesuai menggunakan jumlah rata-rata kuadrat dan derajat kebebasan
menggunakan bentuk yang ditumpangkan dan vektor perpindahan.
dari keluaran asli MorphoJ, seperti yang dijelaskan dalam Bahan dan Metode.
Oleh karena itu, kami mengoreksi rasio F untuk suku populasi sehingga efek
Terakhir, jenis visualisasi keempat dan paling umum adalah yang menggunakan
ini (pembilang) dapat dibandingkan dengan variasi antar pohon (penyebut),
wireframe, yang telah kami jelaskan di bagian pertama metode ini.
bukan variasi antar daun, seperti pada keluaran awal.
Semua jenis visualisasi ini tersedia untuk data dua dimensi di MorphoJ,
Hasil untuk ukuran dan bentuk dilaporkan masing-masing pada Tabel 2–3.
yang juga melakukan wireframe tiga dimensi dan vektor perpindahan. Dengan
Untuk ukuran, pengaruh utama populasi signifikan secara statistik dan
mengklik kanan di jendela perubahan bentuk grafik dan memilih ''ubah jenis
menjelaskan sekitar 6% dari total jumlah kuadrat.
grafik'' seseorang dapat memilih diagram. Di PAST, beberapa analisis
Perbedaan ukuran daun antar pohon hanya sedikit namun tidak signifikan lebih
(misalnya PCA koordinat bentuk) memungkinkan seseorang membuat
besar dibandingkan perbedaan ukuran daun pada pohon yang sama (masing-
visualisasi menggunakan wireframe dan grid TPS. PAST juga
masing sekitar 55% dan 39% dari total jumlah kuadrat). Efek individual (misalnya
mengimplementasikan sistem kode warna yang disebut faktor ekspansi
daun) sangat signifikan secara statistik dan kesalahan pengukuran berjumlah
Jacobian untuk membantu mendeteksi menggunakan wilayah warna berbeda kurang dari 0,1% dari jumlah total
di mana grid menyusut dari area di mana grid mengembang.
kotak. Artinya, dalam hal ukuran, variasi daun mempunyai kesesuaian dengan
data yang dua kali lipat lebih besar dibandingkan kesalahan dalam perolehan
Pertimbangan terakhir menyangkut pembesaran perbedaan.
gambar dan digitalisasi landmark.
Merupakan kebiasaan untuk memperbesar variasi kecil untuk membantu interpretasinya.
Hasil untuk bentuk sebagian besar mencerminkan hasil untuk ukuran
Hal ini karena perbedaan yang kecil namun signifikan akan sulit terlihat kecuali jika
dengan satu pengecualian utama: efek acak pohon sangat signifikan secara
perbedaan tersebut 'dilebih-lebihkan'. Perbesaran terdiri dari perkalian skalar
statistik dan menjelaskan hampir dua kali lipat jumlah kuadrat yang dijelaskan
sederhana perbedaan bentuk antara bentuk awal dan targetnya. Misalnya, jika
oleh variasi daun individu. Jadi, dalam hal bentuk, perbedaan populasinya
suatu pengamatan mempunyai skor pada PC1 sebesar 0,05, perbesaran dua kali
kecil namun signifikan secara statistik, perbedaan pohon jauh lebih besar
lipat dari perbedaan bentuk antara pengamatan ini dan bentuk rata-rata adalah
dibandingkan variasi bentuk daun dalam pohon, dan kesalahan pengukuran
bentuk yang akan diperoleh dengan menggandakan panjang vektor perpindahan
dapat diabaikan. Gambar 2 menunjukkan tumpang tindih yang hampir
dan itu adalah bentuknya. yang skornya di PC1 adalah 0,1. Karena ini bukan bentuk
sempurna antara dua replika masing-masing spesimen pada plot sebar dari
sebenarnya, kita perlu menjelaskan faktor pembesaran secara eksplisit, bila
empat PC pertama. Hasil yang sama juga berlaku pada PC ke-6–7, yang
memungkinkan secara konsisten menggunakan perbesaran yang sama di semua
secara kumulatif menyumbang sekitar 95% varians (hasil tidak ditampilkan).
diagram, dan berhati-hati untuk menghindari interpretasi berlebihan terhadap variasi
Perbedaan antar replika sangat kecil sehingga pada contoh spesimen pada
dalam jumlah kecil.
Gambar 2, replika tersebut sulit dideteksi setelah diperbesar 10 kali lipat.
Hasil
3) Menguji perbedaan populasi menggunakan uji permutasi dan analisis
1) Dari konfigurasi landmark hingga variabel bentuk diskriminan Daun dari pohon yang sama
Perkiraan ruang singgung diuji di TPS Kecil [37]. umumnya lebih mirip dibandingkan daun dari pohon berbeda (lihat bagian
Kemiringan regresi jarak Euclidean pada ruang singgung terhadap jarak sebelumnya). Mereka dirata-ratakan di dalam pohon dan data rata-rata
bentuk Procrustes pada ruang bentuk Procrustes yang melengkung adalah tersebut digunakan untuk menguji lebih lanjut perbedaan populasi. Mereka
0,997 dengan korelasi sebesar 1,000. Rata-rata dan jarak maksimum bentuk menjadi sasaran uji parametrik dan permutasi seri kedua untuk perbedaan
Procrustes terhadap rata-rata bentuk sampel adalah 0,110 dan 0,252 satuan rata-rata kelompok dan keakuratan prediksi bentuk kelompok diuji dalam DA.
jarak bentuk Procrustes. Oleh karena itu, perkiraannya sangat bagus.
Hasil uji signifikansi ditunjukkan pada Tabel 4. Metode yang berbeda
Koordinat mentah diimpor ke MorphoJ, Procrustes ditumpangkan dan menghasilkan hasil yang kongruen. Ukuran signifikan secara statistik (P,0,05),
dikenai PCA. Penyaringan awal untuk outlier (hasil tidak ditampilkan) seperti pada Procrustes ANOVA, dan perbedaan populasi menjelaskan 10,2%
menunjukkan korespondensi yang baik antara data yang diamati dan jarak varians. Plot kotak pada Gambar 3 menunjukkan bahwa daun Campobasso
bentuk yang diharapkan berdasarkan model distribusi normal multivariat, tidak cenderung sedikit lebih besar dibandingkan Busso, namun terdapat banyak
ada ekor panjang dalam distribusi dan tidak ada outlier yang jelas. Juga, plot tumpang tindih antara kedua populasi tersebut.
sebar dari beberapa bentuk PC pertama (Gambar 2 menunjukkan plot Sebaliknya bentuk tidak signifikan secara statistik dan populasi hanya
berpasangan PC1 vs PC2 dan PC3 vs PC4) dan fenogram yang dibuat menjelaskan 4,3% dari total varian. Pola variasi dirangkum dalam Gambar 4
menggunakan metode grup pasangan tak tertimbang dengan rata-rata dan 5 dengan plot sebar untuk empat PC bentuk pertama. Kedua populasi
aritmatika pada matriks jarak bentuk Procrustes (tidak ditampilkan) tersebut sebagian besar tumpang tindih. Diagram bentuk (garis daun, gambar
menyarankan bahwa ada rangka, dan kisi TPS) untuk hal positif

Gambar 2. Variasi bentuk termasuk seluruh pengamatan dan replika. Scatterplot PC1 vs PC2 (a), dan PC3 vs PC4 (b), yang menjelaskan secara keseluruhan
88,3% varians. Sebagai contoh, replika pertama dan kedua dari spesimen 'Campobasso 14a' divisualisasikan menggunakan gambar garis besar yang diperbesar 10
kali (c); bentuk penuh ditampilkan dalam visualisasi dan simbol persegi dan berlian digunakan untuk menunjukkan posisi replika spesimen ini
dalam bentuk sub-ruang dari PC pertama.
doi:10.1371/journal.pone.0025630.g002
PC yang ekstrem menunjukkan adanya variasi yang besar dalam hal ini daun relatif terhadap separuh proksimal. PC2, sebaliknya, menunjukkan
sampel. Ekstrem positif PC1, PC3 dan PC4 ditandai dengan penyempitan daun sepanjang keseluruhannya. Di PC1, PC3 dan
pembesaran atau pemanjangan separuh distal dari Perbedaan PC4 sebagian besar berkaitan dengan perubahan bentuk yang sangat terlokalisasi. Di dalam
Tabel 2. Variasi ukuran centroid.

Tabel 3. Variasi bentuk.
menjelaskan
memengaruhi SS SS MS df F P menjelaskan
memengaruhi SS SS MS df F P
populasi 6,2% 55.578 55.578 1 4.862 0,033
populasi 2,8% 0,066 0,003686 18 1,916 0,012
kesalahan untuk lokalitas 491.517 11.431 43
kesalahan untuk lokalitas 1,489 0,001924 774
pohon 54,7% 491.517 11.431 43 1.400 0,137
pohon 63,0% 1,489 0,001924 774 1,846 ,0,0001
kesalahan untuk pohon 350.970 8.162 43
kesalahan untuk pohon 0,807 0,001042 774
daun (individu) 39,1% 350.970 8.162 43 41971.891 ,0,0001
daun (individu) 34,1% 0,807 0,001042 774 1340.927 ,0,0001
kesalahan untuk individu1 ,0,1% 0,017 0,000 88
kesalahan untuk 0,1% 0,001 0,000001 1584
total 100,0% 898.083
individu1
Jumlah hierarki kuadrat ANOVA: efek utama: populasi; faktor acak: total 100,0% 2.364
pohon, dedaunan. Di sini dan di tabel berikut, SS, MS dan df merujuk masing-masing
jumlah kuadrat, rata-rata jumlah kuadrat (yaitu SS dibagi df) dan derajat Jumlah hierarki kuadrat Procrustes ANOVA: efek utama, populasi;
kebebasan. faktor acak: pohon, daun.
1 1
Kesalahan pengukuran. Kesalahan pengukuran.
doi:10.1371/journal.pone.0025630.t002 doi:10.1371/journal.pone.0025630.t003

Tabel 4. Perbedaan rata-rata populasi setelah rata-rata daun dalam pohon.
UKURAN
uji-t df P P(perm.)
2.179 1, 42 0,035 0,0350
MEMBENTUK T-persegi df P Mahalanobis d. P(perm.) Procrustes d. P(perm.)
total 44.942 18, 25 0,177 2.021 0,1780 0,0388 0,1336
'ukuran-kor.' 51.211 18, 25 0,110 2.158 0,1076 0,0315 0,2474
Tes permutasi dengan 10.000 permutasi acak.

beberapa detail lebih lanjut, PC1 terkait dengan perubahan perpanjangan 4) 'Koreksi ukuran' setelah menguji pengaruh ukuran
helaian daun dari sub-elips (ekstrim negatif) hingga bulat telur bentuk (yaitu, alometri) menggunakan desain MANCOVA
(ekstrim positif) dan pada pangkal daun berbentuk hati (negatif Ukuran centroid tidak ditransformasikan log, seperti transformasi
ekstrim) hingga akut (ekstrim positif). Juga, lebar terbesar
tidak meningkatkan kesesuaian model secara signifikan dan tidak menghasilkan
helaian daun tampak terdorong ke arah distal menuju puncak
perbedaan hasil (tidak ditampilkan). Regresi bentuk menjadi ukuran
daun dengan pemanjangan pangkal dan kompresi vertikal
satu populasi pada suatu waktu (tidak ditampilkan) secara statistik marginal
blade (ekstrim positif PC1). Variasi bentuk diperhitungkan
signifikan (P = 0,06, 11,4% varians dijelaskan) hanya untuk
oleh PC2 pada prinsipnya terkait dengan penyempitan wilayah apikal
Kampobasso. Ini merupakan indikasi yang sederhana dan mungkin
dan menyempitnya lebar daun. Ekstrem positif
alometri dapat diabaikan. Oleh karena itu, data yang 'dikoreksi ukuran' tidak mungkin terjadi
PC3 menunjukkan daun dengan tangkai daun lebih pendek, basal menyempit
untuk menghasilkan hasil yang berbeda dari analisis bentuk penuh. Satu
wilayah, helaian daun membesar dan wilayah apikal lebih lancip; ini
mungkin masih ingin melakukan analisis untuk yakin bahwa hal ini benar
trennya berbalik ke arah ekstrim negatif. Terakhir, PC4
memang demikian. Dalam penelitian ini kami menjalankan MANCOVA terutama untuk
menunjukkan perbedaan kedalaman lobus, yaitu
berikan contoh model ini. Hasilnya ditunjukkan pada Tabel 6.
sangat menonjol pada ekstrem positif.
Kesesuaian berbagai model MANCOVA diukur dengan
Seperti pada PCA, hasil DA menunjukkan kisaran tersebut
persentase varians yang dijelaskan bervariasi dari 8% (garis terpisah
bentuk daun sebagian besar tumpang tindih antara kedua populasi
untuk populasi) hingga 4% (jalur tunggal tanpa memandang populasi). Itu
(Gambar 6). Karena hanya ada dua kelompok, maka hanya ada satu sumbu
istilah interaksi (uji kemiringan) tidak signifikan secara statistik.
perbedaan bentuk dan skor ditunjukkan dengan batang histogram
Oleh karena itu, dihapuskan dan MANCOVA diulangi.
sebanding dengan frekuensinya. Arti dari daun Campobasso adalah
Populasi (uji intersep) juga tidak signifikan secara statistik.
agak ramping dibandingkan dengan Busso yang lebih lebar. Namun,
Tes ini serta besarnya tumpang tindih antar populasi di
perbedaan ini harus diperbesar 10 kali lipat untuk mewujudkannya
sebaran skor regresi terhadap ukuran (Gambar 7) menunjukkan bahwa
bisa dilihat. Karena hal-hal tersebut tidak mencapai arti penting, maka hal-hal tersebut seharusnya menjadi penting
pengaruh ukuran terhadap bentuk, meskipun lemah, sangat mirip pada keduanya
ditafsirkan dengan sangat hati-hati dan harus dikonfirmasi
populasi: daun yang lebih besar cenderung ramping ('bentuk Campobasso')
pada sampel yang lebih besar. Tabel klasifikasi yang divalidasi silang (Tabel 5)
dan yang lebih kecil cenderung lebih lebar ('bentuk Busso') (Gambar 6,
menunjukkan bahwa keakuratan bentuk daun dalam memprediksi populasi adalah
Angka 8). Lintasan alometrik sebagian besar sejajar dengan
hampir tidak lebih baik dari peluang acak 50%.
vektor perbedaan bentuk rata-rata, seperti yang diharapkan
karena Campobasso memiliki daun yang lebih besar. Sebuah ujian yang tidak signifikan untuk
penyadapan juga berarti tidak adanya dukungan terhadap penduduk
perbedaan menggunakan sampel yang tersedia ketika pengaruh ukuran
variasi bentuk dijaga konstan. Hal ini selaras dengan hasilnya
dari uji permutasi pada bentuk 'koreksi ukuran' (Tabel 4–5),
yang juga tidak signifikan. Namun, data 'dikoreksi ukuran'
sedikit meningkatkan akurasi klasifikasi dalam DA yang divalidasi silang.
Diskusi
Apa yang telah kita pelajari dari contoh studi ini? Kita mulai secara singkat
merangkum hasil utama dan interpretasinya. Sesudah ini
bagian pendahuluan, kita beralih ke topik utama, penerapan
GMM dalam botani taksonomi dan pro dan kontra dari
protokol sederhana yang telah kami sajikan.
a) Variasi fenotipik pada Q. petraea: apakah populasi dan

pohon berbeda dalam ukuran dan bentuk daun?
Sampel ini dikumpulkan untuk dijadikan contoh
perbandingan taksonomi menggunakan GMM dalam botani. Ini sangat
tujuan yang sempit. Meskipun demikian, kita dapat menarik beberapa kesimpulan awal
Gambar 3. Variasi ukuran setelah rata-rata daun di dalam pohon. Kotak
kesimpulan tentang jumlah dan pentingnya bentuk dan ukuran
plot (digambar di MASA LALU): median, kuartil 25–75%, minimum dan
maksimum. variasi daun ek sessile dari daerah Campobasso-Busso
Molise:

Gambar 4. Variasi bentuk setelah rata-rata daun di dalam pohon. Plot sebar PC1 vs PC2, yang bersama-sama menjelaskan 74,2% varians. Bentuk
divisualisasikan untuk titik ekstrem positif dari sumbu ini menggunakan gambar garis besar; tidak ada pembesaran dan simbol persegi/berlian digunakan untuk
menunjukkan posisi bentuk yang divisualisasikan dalam plot
sebar PCA. doi:10.1371/journal.pone.0025630.g004
Pertama-tama, kesalahan pengukuran yang sangat kecil menunjukkan lingkungan, karena daun dari pohon yang sama tidak hanya memiliki gen
bahwa penanda daun ek yang sesil dapat ditemukan dengan tepat dan yang sama tetapi juga memiliki lingkungan yang lebih homogen
gambar diperoleh dengan akurat menggunakan pemindai flatbed sederhana. dibandingkan dengan daun dari pohon yang berbeda.
Kerataan daun pada pohon ek dan banyak tanaman lainnya serta Perbedaan antara kedua populasi geografis tersebut kecil.
penggunaan penanda yang jelas pada titik pertemuan urat dan struktur Hal ini juga sesuai dengan harapan kami, karena kami membandingkan
lain yang jelas menjadikannya bahan studi yang sangat cocok untuk sampel dari lokasi tetangga dalam spesies yang sama. Procrustes ANOVA
analisis GMM dua dimensi. Namun, bahkan penanda yang mudah dikenali, menunjukkan variasi ukuran dan bentuk yang sederhana namun cukup
seperti perpotongan urat daun, tidak selalu sesuai dengan wilayah yang besar. Perbedaan ukuran secara statistik signifikan bahkan setelah
secara biologis homolog dan harus dipilih dengan sangat hati-hati menghitung rata-rata daun di dalam pohon. Hal ini tidak terjadi pada
menggunakan pengetahuan terbaik yang ada pada takson penelitian. bentuk, namun hal ini mungkin disebabkan oleh kekuatan statistik yang
Memang benar, meskipun penanda yang benar-benar homolog seringkali tidak memadai dari sampel yang kecil. Kedua populasi penelitian dicirikan
sulit diidentifikasi pada tumbuhan (Jensen, 2003), bekerja pada kelompok oleh kondisi lingkungan yang serupa tetapi terletak di dua lembah berbeda
spesies yang berkerabat dekat dan memanfaatkan ciri-ciri spesifik dengan pada gunung yang sama (Monte Vairano). Data molekuler yang
korespondensi yang jelas, seperti yang sering terjadi pada lobus pada dikumpulkan hingga saat ini menunjukkan adanya aliran genetik antar
daun lobate, dapat dilakukan. membantu membedakan pola vena tertentu populasi di wilayah ini dan tidak ada perbedaan genetik yang signifikan
dengan hubungan homologis yang akurat. secara statistik [59], yang tampaknya menunjukkan plastisitas sebagai
sumber utama variasi antar populasi.
Variasi individu dalam morfologi daun sangat besar. Hal ini mungkin Eksperimen kebun umum mungkin diperlukan untuk memberikan jawaban
terkait dengan plastisitas. Perbedaan kecil dalam ketersediaan unsur hara pasti apakah perbedaan tersebut mencerminkan perbedaan genetik atau
dan air, paparan sinar matahari, kelembapan, dan faktor lingkungan respons plastik.
lainnya yang mungkin bervariasi antar dan di dalam pohon dapat Hasil awal dan sebagian besar eksplorasi yang kami peroleh
berdampak pada helaian daun, pola urat, dan kontur daun [56–58]. menunjukkan bahwa GMM benar-benar efektif dalam mengungkap variasi
Perbedaan antar pohon sedikit lebih besar dibandingkan perbedaan di skala yang sangat kecil. Untuk lebih memahami variasi fenotipik pada
dalam pohon. Pengamatan ini masuk akal baik dari segi genetika dan pohon ek sesil, penelitian ini harus diperluas dengan mengambil sampel lebih banyak

Gambar 5. Variasi bentuk setelah rata-rata daun di dalam pohon. Plot sebar PC3vs PC4, yang bersama dengan dua PC pertama (Gbr. 3) menjelaskan 90,3%
varians. Bentuk divisualisasikan menggunakan konvensi yang sama seperti pada Gambar
4. doi:10.1371/journal.pone.0025630.g005
lokalitas dan kondisi lingkungan yang lebih luas. perbedaan sebagian besar berkaitan dengan satu atau beberapa hal penting
Memodelkan variasi geografis pada populasi pohon ek sessile di Italia dan Eropa lainnya. Contoh klasik dari masalah ini adalah apa yang disebut 'efek Pinokio' [26]:
mungkin membantu mengukur pola termasuk garis keturunan, terjadinya isolasi jika wajah Pinokio dibandingkan menggunakan koordinat penanda Procrustes
berdasarkan jarak, dan kovariasi dengan faktor lingkungan dan genetik. sebelum dan sesudah berbohong membuat hidungnya lebih panjang, semua
Pengetahuan yang akurat mengenai keanekaragaman fenotipik yang diwariskan penanda akan menunjukkan perbedaan dan tidak hanya yang mengukur hidung,
memberikan kontribusi penting terhadap pengelolaan hutan yang efektif dan karena IPK akan menyebarkan variasi panjang hidung ke seluruh wajah.
peramalan yang akurat mengenai tren masa depan dalam lingkungan yang
berubah dengan cepat. Bentuknya tetap sama terlepas dari apakah dan bagaimana bentuk tersebut
ditumpangkan. Superimposisi hanya merupakan cara untuk menghasilkan variabel
bentuk untuk analisis kuantitatif. Bentuk bukanlah fungsi dari superimposisi, tetapi
a) Metode superimposisi, diagram bentuk dan koordinat landmark adalah fungsi dari superimposisi.
interpretasi biologis Superimposisi yang berbeda umumnya menghasilkan jarak bentuk yang sangat
Jika korespondensi landmark dalam kaitannya dengan biologi merupakan asumsi mirip untuk jenis variasi kecil yang ditemukan di sebagian besar kumpulan data
mendasar dalam studi taksonomi, metode yang dipilih untuk mengekstrak informasi biologis (misalnya, [38], hal. 283–287). Namun, jika konfigurasi yang ditumpangkan
ukuran dan bentuk dari titik-titik tersebut dan konsekuensi pilihan tersebut terhadap diperiksa, variasi di sekitar landmark tertentu dapat terlihat sangat berbeda
interpretasi hasil harus dipertimbangkan dengan cermat. Kami hanya menjelaskan tergantung pada apakah seseorang telah menggunakan IPK atau metode lain.
satu dari metode yang mungkin untuk memperoleh variabel bentuk dari koordinat Misalnya, dengan menggunakan superimposisi garis dasar [28] pada sampel
landmark. IPK hampir menjadi pilihan standar dalam studi GMM dan merupakan segitiga acak, variasi ukuran dan posisi spesimen dihilangkan hanya dengan
pilihan default di sebagian besar program. menerjemahkan, memutar, dan mengubah skala semua spesimen hingga dua
penanda, yang dipilih sebagai garis dasar, bertepatan (Gambar 9a1). Hal ini hanya
Namun metode ini tidak memiliki model biologis yang mendasarinya dan menyisakan satu penanda, yang tidak digunakan sebagai garis dasar, untuk
merupakan pilihan yang efektif namun sewenang-wenang untuk menumpangkan memperhitungkan semua perbedaan bentuk. Jika sampel yang sama ditumpangkan
spesimen serta memisahkan ukuran dan bentuk. 'Kesewenang-wenangan' ini pada Procrustes, bentuknya tidak termodifikasi namun variasi tersebar di seluruh
membuat variabel yang dihasilkan oleh metode GMM berbasis landmark menjadi landmark (Gambar 9b1). Melakukan PCA pada koordinat bentuk dalam kedua
'istimewa': posisi relatif landmark setelah superimposisi Procrustes menangkap kasus hanya akan menghasilkan dua PC dengan bukan nol
perbedaan bentuk secara keseluruhan, namun tidak dapat digunakan untuk mengatakan bahwa ini

Gambar 6. Analisis diskriminan populasi geografis menggunakan bentuk daun setelah dirata-ratakan di dalam pohon. Frekuensi diskriminan
skor yang diprediksi dengan validasi silang jacknife (leave-one-out) ditampilkan menggunakan batang histogram; bentuk rata-rata populasi divisualisasikan menggunakan garis besar
gambar diperbesar 10 kali.
perbedaan. Secara umum, plot sebar dan juga bentuknya lokasi landmark. Jaringan TPS mengikuti pendekatan pertama dan
jarak antar spesimen akan sangat mirip (Gambar 9a2, 9b2). menunjukkan dengan benar bahwa variasi bentuk tetap sama
Namun, diagram dengan konfigurasi yang ditumpangkan, vektor perpindahan, dari superimposisi (Gambar 9a4, 9b4). Vektor perpindahan, PC
dan pembebanan PC akan berbeda dan menyarankan pemuatan, varians di sekitar satu atau landmark lainnya, in
interpretasi yang berbeda: menggunakan garis dasar Bookstein, nampaknya sebaliknya, semua menggunakan informasi tergantung pada pilihan
hanya ada satu landmark yang 'bergerak' ke posisi berbeda superimposisi dan karena itu berpotensi menyesatkan. Juga tidak
(Gambar 9a3) dan menjelaskan semua perbedaan bentuk; dengan Procrustes, landmark 3 hanya bervariasi dalam arah yang tepat seperti yang ditunjukkan pada Gambar 9a3
semua landmark 'bergerak' (Gambar 9b3) dan berkontribusi pada or tidak pula semuanya bervariasi dalam jumlah yang hampir sama tetapi dalam jumlah yang berbeda
tingkat yang lebih besar terhadap variasi bentuk total. Pertanyaan yang jelas adalah arah, seperti pada Gambar 9b3. Arah variasinya adalah
metode apa yang menghasilkan hasil paling akurat untuk dijelaskan geser dan kontraksi/ekspansi seluruh ruang
variasi bentuk. Jawabannya dua-duanya, asal hasilnya konfigurasi landmark (Gambar 9a4, 9b4) dan besarnya
terintegrasi pada ruang seluruh konfigurasi landmark; perubahan adalah jarak bentuk antara referensi dan target,
dan tidak ada, jika perubahan ditafsirkan terjadi secara spesifik yang masing-masing sesuai, pada Gambar 9a2, 9b2, dengan asal
Tabel 5. Perbedaan antar populasi setelah dilakukan rata-rata jumlah daun dalam pohon.
semua bentuk Kampobasso Busso 'ukuran-kor.' Kampobasso Busso
Kampobasso 50,0% 50,0% Kampobasso 59,1% 40,9%
Busso 40,9% 59,1% Busso 36,4% 63,6%
Tabel klasifikasi Jacknife yang divalidasi silang menggunakan semua bentuk atau hanya bentuk 'koreksi ukuran' di DA.

Tabel 6. Variasi bentuk alometrik daun setelah dirata-ratakan b) 'variabel bentuk TPS'
di dalam pepohonan. Grid deformasi TPS tanpa vektor perpindahan (Gambar 8;
Gambar 9a4, 9b4) membantu menggambarkan variasi bentuk dengan cara apa adanya
independen dari metode superimposisi [26]. Gridnya adalah
milik Pillai dihitung hanya dengan menggunakan informasi tentang perbedaan kompresi/
memengaruhi menjelaskan jejak F df P dilatasi, geser dan perubahan bentuk yang terlokalisasi. Ini adalah komponen
15,5% 0,269 0,471 18, 23 0,946
variasi bentuk yang tidak terpengaruh oleh skala, rotasi dan
lereng (populasi 6
ukuran) terjemahan. Karena variasi dalam skala, rotasi dan
penyadapan 9,3% 0,523 1.461 18, 24 0,191 terjemahan yang distandarisasi dengan cara yang berbeda menggunakan yang berbeda
(populasi) superimposisi, TPS menghasilkan, dalam arti tertentu, visualisasi bebas
6,8% 0,624
superimposisi.
ukuran saja 2,305 18, 25 0,027
Namun TPS bukanlah model biologis perubahan bentuk. Dia
Menguji perbedaan antar populasi dalam kemiringan dan titik potong (MANCOVAs adalah interpolasi yang menyatakan perubahan relatif
masing-masing dengan atau tanpa interaksi) lintasan alometrik dan
posisi landmark sebagai deformasi halus keseluruhan
regresi bentuk ke ukuran centroid terlepas dari kelompoknya.
doi:10.1371/journal.pone.0025630.t006 ruang dan awalnya dikembangkan dalam konteks
fisika lembaran logam tipis. Oleh karena itu, tidak masuk akal untuk mengharapkannya
jaringan di antara landmark yang akan dimodifikasi persis seperti itu
sumbu (rata-rata sampel) dan ekstrem positif PC1 dan itu
dijelaskan oleh deformasi TPS. Prosedur ini sangat ketat
hampir sama terlepas dari superimposisinya.
deskripsi ditemukan di Dryden dan Mardia [38], Bookstein [53]
'Kesewenang-wenangan' pilihan superimposisi telah terjadi dan dalam istilah yang lebih mudah diakses di Zelditch dkk. [26], baru saja menghasilkan
implikasi penting lainnya. Seseorang tidak dapat mengasosiasikan digitalisasi sebuah 'gambar'. Secara singkat dan informal, intuisi di balik TPS adalah
kesalahan pada landmark tertentu, setelah spesimen ditumpangkan. Sekalipun bahwa dengan meminimalkan energi yang diperlukan untuk membengkokkan bentuk satu
hanya ada satu landmark yang sangat rendah ke yang lain, seseorang dapat menurunkan himpunan vektor ortogonal
presisi, seperti dalam kasus 'efek Pinokio', Procrustes koefisien yang disebut lengkungan utama. Dengan menggunakan warp utama,
superimposisi akan menyebarkan kesalahan ke seluruh bagian yang perhitungannya hanya bergantung pada landmark, dapat diprediksi
perubahan di wilayah mana pun pada lembar, sesedikit mungkin yang bisa digunakan
konfigurasi. Menggunakan superimposisi garis dasar ini terlihat jelas
koefisien regresi untuk memprediksi nilai variabel dependen
paradoksnya bahkan lebih jelas lagi, jika landmark dengan presisi rendah itu
dari yang independen di mana tidak ada observasi yang tersedia. Jika
salah satu dari dua yang menentukan garis dasar, tidak akan ada kesalahan
pada lembaran tersebut terdapat kisi-kisi berbentuk persegi panjang atau garis luar, seperti yang satu
semua. Jadi, hanya dengan mengulangi digitalisasi pada gambar a yang sama dengan urat dan kontur daun ek yang digunakan dalam penelitian kami
spesimen tunggal tanpa melapiskan replikanya, seseorang mungkin mendapatkannya TPS akan memprediksi deformasi garis ketika a
beberapa petunjuk tentang apakah salah satu landmark tersebut memiliki ukuran yang lebih besar bentuk referensi dibengkokkan agar sesuai dengan konfigurasi target. kisi-kisi
kesalahan pada spesimen itu. dan garis besar mungkin membantu menggambarkan perbedaan bentuk dan memberi kesan
Gambar 7. Regresi bentuk menjadi kumpulan ukuran di dalamnya. Scatterplotpopulasi

skor regresi (yaitu proyeksi bentuk dalam
arah vektor koefisien regresi, Drake dan Klingenberg, 2008) vs ukuran centroid; bentuk pada titik ekstrem yang berlawanan dari rentang tersebut
Variasi alometrik ditunjukkan dengan menggunakan outline daun tanpa pembesaran.

Gambar 8. Analisis diskriminan populasi geografis menggunakan bentuk daun setelah dirata-ratakan di dalam pohon. Perbedaan yang sama seperti pada
Gambar 6 (versi cetak hitam putih) yang divisualisasikan di PAST menggunakan kisi deformasi TPS dan kode warna faktor ekspansi Jacobian yang mengukur
derajat pemuaian atau kontraksi lokal kisi: kuning ke oranye merah untuk faktor .1, yang menunjukkan pemuaian ; biru muda hingga biru tua untuk faktor antara
0 dan 1, menunjukkan kontraksi).
di mana perubahan-perubahan menarik sedang terjadi, namun perubahan-perubahan diturunkan untuk meminimalkan kuantitas energi yang dibutuhkan untuk
tersebut harus ditafsirkan dengan hati-hati karena mungkin tidak akurat. membengkokkan lembaran logam tipis, yang tidak ada artinya dalam konteks
Seperti dalam PCA, variabel digabungkan dengan memproyeksikan pengamatan biologis. Inilah sebabnya, tidak seperti PC yang dapat digunakan untuk plot sebar
pada vektor eigen, lengkungan utama juga dapat digunakan sebagai kumpulan sumbu dan terkadang sebagai bagian dari plot tersebut untuk mengurangi dimensi,
baru untuk memproyeksikan koordinat bentuk. lengkungan parsial dan komponen seragam hanya masuk akal jika digunakan
Hasilnya adalah kombinasi linier dari variabel asli yang disebut lengkungan parsial (untuk secara keseluruhan [60]. Untuk alasan yang sama, bahkan jika beberapa program
perubahan bentuk yang terlokalisasi) dan komponen seragam (untuk perubahan yang yang dikembangkan pada masa-masa awal GMM mungkin masih mencakup
terjadi dengan cara yang sama di mana pun sehingga meninggalkan garis kisi-kisi sejajar pengujian univariat atau bivariat, plot sebar, dan visualisasi warp parsial dan
– misalnya, kompresi kisi-kisi yang seragam). Lengkungan parsial dan komponen komponen seragam, kemungkinan besar hal ini tidak akan berguna dan hanya
seragam memberikan informasi yang sama seperti koordinat bentuk asli atau PC-nya. penggunaan multivariat. semua hasil lengkungan parsial dan komponen seragam
Hal ini mudah diuji dengan membandingkan jarak bentuk berdasarkan koordinat bentuk, harus dipertimbangkan.
PC-nya atau lengkungan parsial ditambah komponen seragam. Bentuk datanya sama Kesimpulannya, PC secara umum merupakan pilihan yang lebih baik sebagai variabel
dan hanya 'sudut pandang' yang digunakan untuk melihatnya yang berubah: dalam PCA bentuk untuk analisis statistik. Namun, pengguna tidak boleh lupa bahwa PC diturunkan
kami ingin melihat arah utama variasi dalam keseluruhan sampel; dengan lengkungan hanya untuk memaksimalkan varian sampel total tanpa memandang kelompok atau
parsial dan komponen seragam kita memutar sumbu untuk menemukan arah yang faktor lainnya (korelasi lingkungan, filogeni, dll.). Bentuk pada dasarnya bersifat
memerlukan energi paling sedikit untuk menekuk kisi-kisi. Namun dalam hal penggunaan multivariat dan ini secara umum berarti bahwa semua variabel bentuk (atau jumlah PC
praktis, ada perbedaan penting yang harus dibuat. 'Arah' (yaitu, vektor eigen) dalam pertama yang dipilih dengan menggunakan kriteria yang valid dan eksplisit) harus
PCA didasarkan pada cara penanda bervariasi dan bervariasi dalam semua spesimen digunakan untuk memodelkan variasi bentuk. Kecil kemungkinannya bahwa mereka
sampel. Misalnya, dalam penelitian kami, PC1 menunjukkan bahwa sumbu utama variasi dapat dianalisis satu per satu untuk menguji perbedaan kelompok, dalam regresi
ada hubungannya dengan pemanjangan relatif helaian daun dan penyempitan pangkal univariat, untuk mengukur kesesuaian masing-masing kelompok terhadap pohon
daun, yang merupakan hal yang informatif. Sebaliknya, 'arah' TPS (yaitu lengkungan filogenetik, dan seterusnya. Penggunaannya sebagai karakter filogenetik juga
utama) hanya didasarkan pada posisi relatif landmark dalam konfigurasi referensi dipertanyakan [61] dan bahkan solusi terbaru yang diusulkan mungkin memerlukan
tertentu (umumnya mean sampel) dan perbaikan besar, seperti yang disarankan oleh pernyataan peringatan Felsenstein (“kita
bisa berbuat lebih baik”) dalam forum diskusi online baru-baru ini (https: //stat.ethz.ch/
pipermail/r-sig-phylo/2010-November/000825.html) dan nasib singkat dari semua hal
yang dikemukakan dalam dua dekade terakhir [5-59–60].

Gambar 9. Contoh pengaruh superimposisi yang berbeda terhadap interpretasi hasil. Satu set 10 segitiga acak (data mentah) ditumpangkan
menggunakan superimposisi dasar Bookstein (a1) atau Procrustes (b1). Koordinat bentuk dikenai PCA yang hasilnya diilustrasikan menggunakan
biplot (a2, b2) yang menunjukkan plot sebar spesimen (lingkaran terisi) dan pembebanan (garis putus-putus) yang digunakan untuk memberi bobot
pada matriks (X1, Y1, dll.) dari bentuk koordinat. Variasi bentuk pada ekstrem positif PC1 divisualisasikan dengan pembesaran empat kali menggunakan
vektor perpindahan (a3, b3) atau
grid TPS (a4, b4). doi:10.1371/journal.pone.0025630.g009
c) Hirarki perbedaan: asumsi dan interpretasi Procrustes ANOVA lebih mudah tetapi asumsi yang digunakan agak membatasi dan kecil
Dalam pengujian statistik taksonomi sebagian besar kemungkinannya untuk dilanggar [25]. Jika ini terjadi, nilai P mungkin menjadi tidak
dapat diandalkan.
menyangkut perbedaan kelompok. Kelompok umumnya adalah populasi dalam
suatu spesies atau spesies yang berbeda. Namun, satu individu dapat berubah- Klingenberg dkk. [25] menyarankan untuk menggunakan uji permutasi dalam
ubah, karena ia mungkin mempunyai banyak daun atau banyak bunga, misalnya. sampel kecil, ketika diduga ada penyimpangan dari normalitas, dan pendekatan
Pertama-tama kita mungkin ingin menguji apakah perbedaan antar individu MANOVA, jika ingin menghindari asumsi isotropik. Sayangnya, belum satu pun dari
(misalnya pohon) dalam suatu kelompok lebih besar daripada variasi alami dalam metode ini yang diterapkan dalam format yang mudah digunakan untuk desain
suatu individu dan, yang lebih penting lagi, kita perlu menunjukkan bahwa kesalahan selain Procrustes ANOVA asli dan studi tentang struktur simetris. Melakukan
pengukuran dapat diabaikan. Untuk tujuan ini, kami mengadaptasi protokol yang penghitungan secara manual menggunakan model parametrik isotropik sederhana
awalnya dikembangkan untuk studi asimetri bilateral dalam data bentuk Procrustes adalah satu-satunya pilihan sederhana yang dapat kami temukan, meskipun ini
(25) dan kemudian diimplementasikan di MorphoJ (24). Untuk menjaga agar analisis merupakan pilihan yang kurang optimal dan hasilnya harus diinterpretasikan
tetap sederhana dan mudah ditiru oleh ahli taksonomi yang mungkin tidak memiliki dengan sangat hati-hati. Misalnya, dalam penelitian kami, kesalahan pengukuran
latar belakang statistik yang kuat, kami menggunakan model isotropik yang sangat kecil (, 0,1%) dan ini membuat kami yakin bahwa kami berada di sisi yang
dijelaskan oleh Klingenberg et al. [25]. aman. Pengaruh populasi juga signifikan secara statistik, namun F tidak terlalu
besar dan persentase jumlah kuadrat yang dijelaskan kecil (< 3– 6%). Setelah
Hal ini memungkinkan setiap pengguna dengan mudah mengoreksi rasio F secara menghitung rata-rata daun di dalam pohon, populasi tidak lagi signifikan secara
manual untuk populasi dengan menggunakan pohon sebagai efek acak. Namun statistik terhadap bentuk dan spesimen diklasifikasikan secara tidak akurat dalam
model isotropik mengasumsikan jumlah variasi yang sama pada masing-masing model DA. Oleh karena itu, secara keseluruhan, kesimpulan kami adalah bahwa mungkin
landmark ke segala arah. Karena tidak ada variasi arah, kita hanya terdapat perbedaan kecil antar populasi, namun
mempertimbangkan besarnya pengaruh yang diuji dengan menjumlahkan jumlah
kuadrat univariatnya. Perhitungannya adalah

buktinya lemah dan diperlukan sampel yang lebih besar untuk mendapatkan hasil tersedia kelompok apriori, sebuah temuan umum terutama ketika fosil
yang kuat. dimasukkan [48]. Seseorang dapat menghasilkan plot sebar spesimen
Penggunaan desain hierarki untuk menguji perbedaan kelompok dalam ruang DA yang ditransformasikan dan juga menggunakan sifat
memberikan jawaban mengenai tingkat variasi pada tingkat yang berbeda statistik ruang ini untuk menguji signifikansi perbedaan kelompok.
dan hal ini dilakukan dengan mempertimbangkan struktur data. Daun dari Pengujian dan asumsinya (independensi observasi, normalitas multivariat,
pohon yang sama kemungkinan besar akan serupa karena mereka homoskedastisitas) sama dengan MANOVA satu arah. Seperti metode
memiliki gen yang sama dan tumbuh di lingkungan yang sama. Ini berarti parametrik lainnya, asumsi harus dipertimbangkan secara hati-hati karena,
bahwa observasi tersebut bukan observasi independen dan mewakili meskipun relatif kuat terhadap, misalnya, pelanggaran normalitas yang
replikasi semu pada tingkat tertentu. Jika kami tidak memperhitungkan hal moderat, hasilnya mungkin tidak akurat. Ukuran sampel yang heterogen,
tersebut (yang kami lakukan dengan menggunakan desain hierarki), kami sampel yang kecil, dan data yang sangat multivariat mungkin menjadi
mungkin telah melanggar asumsi dasar sebagian besar pengujian statistik: masalah tersendiri. Ini adalah situasi yang tidak jarang terjadi dalam studi
independensi data. Konsekuensi dari pelanggaran ini bisa serius, karena taksonomi [2] dan sesuatu yang membuat inferensi statistik berpotensi
derajat kebebasan serta jangka waktu kesalahan model regresi mungkin tidak dapat diandalkan dan pengujian asumsi menjadi sulit. DA masih
salah dihitung [62]. Pengujian yang menggunakan statistik pengambilan dapat dilakukan tetapi mungkin lebih untuk tujuan deskriptif dan klasifikasi
sampel ulang juga mungkin menjadi tidak dapat diandalkan, karena baik dibandingkan untuk pengujian [35]. Dalam contoh penelitian kami, tidak
permutasi maupun bootstrap mengasumsikan bahwa setiap observasi ada bukti pelanggaran homoskedastisitas (diuji menggunakan Box's M,
dalam suatu faktor sama seperti observasi lainnya, dan hal ini jelas tidak hasil tidak ditampilkan), namun normalitas multivariat tidak diuji karena
benar jika terdapat replikasi semu. Autokorelasi, kesamaan antara sampel yang relatif kecil dan jumlah variabel yang banyak. Uji permutasi,
pengamatan sebagai fungsi waktu, ruang atau faktor lainnya, dapat terjadi yang tidak mengasumsikan normalitas, kongruen dengan uji parametrik
juga karena distribusi spasial dan genetika (filo-): misalnya, pohon yang dan hal ini meningkatkan keyakinan kami terhadap keakuratan hasil.
hidup berdekatan lebih mungkin memiliki kemiripan dibandingkan pohon.
yang berjauhan, dan spesies bersaudara lebih cenderung mempunyai
karakter yang sama di antara mereka dibandingkan dengan spesies Masalah kedua yang penting dan sering diabaikan adalah DA cenderung
lainnya. Model yang menangani berbagai aspek permasalahan ini dapat menyesuaikan data [68,69]. Sederhananya, dengan menggunakan ruang
ditemukan dalam literatur mengenai analisis data spasial (misalnya, data yang diperoleh untuk meningkatkan akurasi klasifikasi, DA cenderung
[62,63]) dan metode komparatif (misalnya, [64–66]). Seiring dengan memaksa munculnya perbedaan meskipun perbedaan tersebut dapat
berkembangnya metode dan semakin banyaknya perangkat lunak yang diabaikan atau tidak ada. Hal ini mudah dipahami dengan membuat
tersedia, dengan mempertimbangkan berbagai sumber data yang tidak sekumpulan variabel yang terbuat dari angka acak yang dibagi menjadi
independen diharapkan akan menjadi lebih mudah dalam analisis univariat beberapa kelompok sembarang tempat seseorang melakukan DA.
dan khususnya multivariat. Semakin besar jumlah prediktor relatif terhadap ukuran sampel, semakin
tinggi akurasi klasifikasi dan semakin baik diskriminasi kelompok dalam
d) Menguji kelompok taksonomi: mengapa hasil DA harus plot sebar meskipun tidak ada perbedaan nyata [50]. Karena GMM
ditafsirkan dengan hati-hati dan tabel klasifikasi harus selalu cenderung menghasilkan sejumlah besar variabel (kurang dari dua atau
divalidasi silang tiga kali jumlah landmark dalam analisis dua dan tiga dimensi) dan
Ketika ada satu variabel pengelompokan, DA mungkin merupakan kemungkinan akan menjadi lebih besar seiring dengan semakin meluasnya
metode yang paling umum untuk menguji perbedaan dan memprediksi penggunaan semilandmark pada kurva dan permukaan. [5], overfitting
kelompok. Ini dikembangkan oleh Fisher [67], Mahalanobis dan ahli adalah masalah serius. Pengurangan dimensi (misalnya, [70]) mungkin
statistik lainnya pada tahun 30an dan telah banyak digunakan dalam membantu tetapi mengakibatkan hilangnya informasi dan tidak sepenuhnya
biologi sejak saat itu. Ini adalah teknik yang terkenal dan tidak memerlukan mengatasi masalah tersebut. Untungnya, terdapat cara yang cukup mudah
penjelasan rinci. Pada Materi dan Metode kami telah memberikan referensi untuk menilai konsekuensi masalah pada kumpulan data tertentu. Kita
pengantar tentang DA secara umum dan lebih khusus lagi di GMM. Pada harus memvalidasi silang prediksi kelompok, seperti yang kami tunjukkan
bagian ini kami menekankan dua aspek terkait metode ini, yang sering dalam contoh studi kami. Misalnya, dalam kasus hipotetis yang kami buat
kali menyesatkan pengguna yang tidak berpengalaman. menggunakan angka acak dan kelompok arbitrer, persentase spesimen
Yang pertama adalah DA menguji perbedaan, memprediksi afiliasi yang diklasifikasikan dengan benar turun menjadi peluang acak (yaitu,
kelompok, dan menyediakan plot sebar dalam ruang data yang tidak lagi 50% dalam sampel seimbang dengan dua kelompok) setelah validasi
sama dengan variabel aslinya. Dalam kasus khusus kita, ini berarti bahwa silang. Inilah sebabnya mengapa validasi silang harus menjadi hal yang
kita tidak lagi berada dalam ruang bentuk yang dihasilkan oleh biasa dan hanya tabel klasifikasi yang divalidasi silang yang harus didiskusikan.
superimposisi Procrustes (atau dalam proyeksinya ke dalam ruang Ketika perbedaannya signifikan secara statistik dan akurasi klasifikasi
Euclidean). Dalam sampel, varians diperas ke segala arah di sekitar yang divalidasi silang tinggi, data mendukung terjadinya perbedaan
sarana kelompok untuk membuatnya melingkar. Di antara sampel, arah taksonomi. Namun, para ahli taksonomi mengetahui bahwa ini hanyalah
perbedaan rata-rata terbesar ditemukan untuk memproyeksikan data pada sebagian kecil bukti untuk membentuk kelompok taksonomi dan harus
sumbu yang paling mampu membedakan kelompok. Dalam ruang yang dilengkapi dengan sumber informasi lain, termasuk ekologi dan genetika,
diubah ini, jarak antar observasi disebut jarak Mahalanobis dan diskalakan untuk membuat pernyataan bermakna tentang status subspesifik, spesifik,
sedemikian rupa sehingga satuan jarak sesuai dengan satu standar atau supraspesifik.
deviasi. Dengan menggunakan jarak antara pengamatan individu dan rata-
rata sampel, probabilitas relatif suatu spesimen untuk termasuk dalam e) Perbedaan bentuk yang mengendalikan alometri
satu kelompok atau kelompok lain dapat dihitung. Dengan menggunakan Ukuran sering dianggap lebih labil secara evolusioner dibandingkan
distribusi normal multivariat, seseorang juga dapat memperkirakan bentuk [20,21,71–75]. Seorang ahli taksonomi mungkin ingin menilai
probabilitas absolut (disebut tipikal) suatu spesimen untuk termasuk dalam apakah perbedaan bentuk sebenarnya mencerminkan perbedaan ukuran
kelompok yang meannya paling dekat. Hal ini memungkinkan untuk karena alometri. Jika hal ini terjadi, kita hanya mempunyai satu bukti
mengatakan tidak hanya ke dalam kelompok mana spesimen tersebut independen mengenai perbedaan kelompok: ukuran dengan pengaruh
diklasifikasikan, dengan menggunakan kumpulan prediktor tersebut, tetapi alometriknya terhadap bentuk. Memang benar, GMM yang menggunakan
juga apakah spesimen tersebut berada di dalam atau di luar kisaran superimposisi Procrustes secara efisien memisahkan ukuran dan bentuk,
namun
variasi yang khas untuk kelompok tersebut [35,48]. Kalau di luar, ada kemungkinan tidak menghilangkan
sebenarnya kovariasi
bukan milik salah satuantara kedua komponen ini. MAN klasik-
dari mereka

Model COVA adalah cara sederhana untuk menguji pengaruh ukuran terhadap rekomendasi mengenai isu-isu metodologis utama yang diuraikan dalam
bentuk ketika membandingkan kelompok. Zelditch dkk. [26] memberikan Diskusi tersedia dalam Lampiran S1; selain itu, Lampiran S2 memberikan
gambaran yang jelas tentang metode ini dan menawarkan alternatif non- informasi tentang file data yang tersedia sebagai informasi tambahan: proyek
parametrik untuk menguji kemiringan dan titik potong. Mitteroecker dkk. [76] MorphoJ yang telah dikerjakan (MorphoJ Project S1), garis besar daun
membahas kerangka kerja berbeda untuk membandingkan alometri, tetapi (MorphoJ Outline S1), data mentah (MorphoJ Raw Data S1), rata-rata data
tidak menyediakan perangkat lunak yang diperlukan untuk melakukan analisis. bentuk pohon (TPSRegr Averaged Tree Data S1) dan variabel dummy untuk
MorphoJ telah mengimplementasikan perluasan model MANCOVA untuk pengujian di TPSRegr (TPSRegr Dummy Data S1).
menghitung data 'koreksi ukuran' yang dapat digunakan sebagai kumpulan
bentuk baru untuk analisis variasi 'non-alometrik'. 'Koreksi ukuran' sangat
bergantung pada asumsi alometri paralel. Contoh ekstensif analisis taksonomi
informasi pendukung
pada data 'koreksi ukuran' ditemukan di Elton dkk. [51], yang juga menyarankan
versi modifikasi model MANCOVA untuk menghilangkan pengaruh alometri Lampiran Rekomendasi S1 tentang metodologi.
evolusioner, sebagai alternatif protokol standar untuk mengontrol variasi (DOKTER)
alometrik kelompok. Kegunaan alternatif ini, dan hubungannya dengan kritik Lampiran S2 Informasi file data.
Gould [77] terhadap model MANCOVA tradisional dalam konteks evolusi,
(DOKTER)
harus dieksplorasi dalam penelitian selanjutnya.
Proyek MorphoJ S1 A mengerjakan proyek MorphoJ.
(MORPHOJ)
Yang terakhir, pengguna harus menyadari bahwa dalam sampel yang
Garis Besar MorphoJ S1 Garis besar daun.
besar, perbedaan kemiringan yang kecil namun tidak signifikan dapat menjadi
(TXT)
signifikan karena kekuatan statistik yang tinggi. Hal ini mungkin terjadi dalam
penelitian Cardini dan Elton [73] pada sampel lebih dari 1.300 orang. Data Mentah MorphoJ S1 Data Mentah dalam format .nts.
Meskipun signifikansi, lintasan-lintasan alometrik terpisah dan paralel memiliki (NTS)
kesesuaian yang sama baik dengan datanya, sebagaimana ditunjukkan oleh
TPSRegr Rata-rata Data Pohon S1 Rata-rata data bentuk pohon untuk
persentase varians yang dijelaskan sangat mirip (masing-masing 43,5% dan
pengujian di TPSRegr.
41,6%) dan lebih dari 4 kali lebih besar dibandingkan jumlah (9,8%) yang
(NTS)
dijelaskan oleh garis regresi tunggal tanpa memandang kelompoknya. Dalam
kasus seperti ini, ahli taksonomi mungkin mempunyai alasan untuk berpendapat TPSRegr Dummy Data S1 Variabel dummy untuk pengujian di TPSRegr.
bahwa data dapat 'dikoreksi ukurannya' meskipun terdapat kemiringan yang
signifikan, karena hasilnya tidak akan terlalu terpengaruh oleh pelanggaran (NTS)
kecil terhadap asumsi ini.
Ucapan Terima Kasih

Kesimpulan
Kami berhutang budi kepada Ø. Hammer (Museum Sejarah Alam, Universitas
Serangkaian analisis yang telah kami uraikan dan diskusikan dalam makalah
Oslo), CP Klingenberg (Universitas Manchester), HD Sheets (Canisius
ini mewakili kerangka sederhana untuk studi taksonomi mengenai perbedaan
College, Buffalo), DC Adams (Iowa State University), DE Slice (Florida State
kelompok dalam botani dan disiplin ilmu lainnya. Hal ini mengambil inspirasi University), ML Zelditch (Universitas Michigan ) untuk saran mengenai metode
dari dan memperluas contoh Rohlf dkk. [78], dibahas dalam makalah penting dan dukungan perangkat lunak, dan kepada S. Gerber, P. Le´ger (INRA dari
Rohlf [60] tentang interpretasi biologis variabel bentuk. Ini adalah aplikasi Bordeaux) dan G. Antonecchia (Universitas Molise) atas bantuan mereka
klasik untuk membentuk data dari metode yang biasa digunakan dalam dalam analisis molekuler dan genotipe spesimen. Kami sangat berterima
morfometri multivariat tradisional [2,35]. Tujuan utamanya adalah untuk kasih kepada semua penyelenggara dan instruktur lainnya, serta para
membekali para ahli taksonomi dengan sedikit atau tanpa pengalaman di pembantu dan peserta lokakarya pertama dan kedua tentang morfometri
geometri di Universitas Molise (Pesche, Italia), yang memungkinkan kami
GMM dengan protokol langkah demi langkah yang jelas, sederhana dan
untuk bertemu dan berinteraksi dengan cara yang paling bermanfaat dan
mudah diikuti yang dapat membantu mereka terbiasa dengan metode ini dan
merangsang. lingkungan. Kami juga berhutang budi kepada K. Seetah
menghindari beberapa kesalahan paling umum. Para pemula mungkin tidak (University of Cambridge dan University of Central Lancashire), P. Sanfilippo
terlalu terintimidasi oleh literatur GMM yang seringkali sulit dan mungkin (University of Melbourne), C. Lalueza-Fox (Academic Editor PloS ONE), FJ
tertarik untuk mengeksplorasi kegunaan dan potensi GMM dalam pekerjaan Rohlf (Stony Brook University) dan semua pengulas atas komentar mereka
mereka. Membaca buku pengantar yang sangat bagus oleh Zelditch dkk. [26] yang paling bermanfaat, yang sangat menyempurnakan versi naskah ini sebelumnya.
dan membaca situs web morfometrik utama http://life.bio.sunysb.edu/morph/
index. html dapat menjadi langkah selanjutnya untuk mempelajari lebih lanjut Kontribusi Penulis
tentang teori, aplikasi, dan beragam perangkat lunak yang tersedia selain
Menyusun dan merancang eksperimen: AC VV. Melakukan percobaan: AC
beberapa program dan metode yang dijelaskan dalam penelitian kami. Daftar VV. Menganalisis data: AC. Reagen/bahan/alat analisis yang disumbangkan:
VV. Menulis makalah: AC VV.
Referensi
1. Bell A, Bryan A (2008) Bentuk Tanaman: Panduan Bergambar Tanaman Berbunga 7. Frieß M, Baylac M (2003) Menjelajahi Deformasi Kranial Buatan Menggunakan Analisis Elliptic
Morfologi. London: Pers Kayu. 432 hal. Fourier dari Procrustes Aligned Outlines. Am J Fisika Antropol 122: 11–22.
2. Marcus LF (1990) Morfometri tradisional. Dalam: Rohlf FJ, Bookstein FL, eds.
Prosiding lokakarya morfometrik Michigan. Ann Arbor: Pers Universitas Michigan. 8. Buchanan B, Collard M (2010) Penilaian berbasis morfometrik geometris terhadap
380 hal. perbedaan bentuk bilah di antara jenis titik proyektil Paleoindian dari Amerika
3. Jensen RJ (2003) Teka-teki morfometrik. Takson 52: 663–671. Utara bagian barat. J Archaeol Sains 37: 350–359.
4. Rohlf FJ, Marcus LF (1993) Sebuah revolusi dalam morfometrik. Tren Ecol Evol 8: 9. Jensen RJ (1990) Mendeteksi variasi bentuk morfologi daun ek: perbandingan
129–132. metode rotasi-fit. Apakah J Bot 77: 1279–1293.
5. Adams DC, Slice DE, Rohlf FJ (2004) Morfometri geometris: Sepuluh tahun 10. Jensen RJ, Hokanson SC, Isebrands JG, Hancock JF (1993) Variasi morfometrik pohon ek di Kepulauan
kemajuan setelah 'revolusi'. Ital J Zool 71: 5–16. Rasul di Wisconsin: bukti hibridisasi antara Quercus rubra dan Q. ellipsoidalis (Fagaceae). Apakah J Bot
6. Sanfilippo P, Cardini A, Mackey D, Hewitt A, Crowston J (2009) Morfologi cakram 80: 1358–1366.
optik - memikirkan kembali bentuk. Prog Ret Mata Res 28: 227–248.

11. Penãloza-Ramirez JM, Gonza`les-Rodrÿ´guez A, Mendoza-Cuenca L, Caron H, Kremer A, dkk. (2010) 44. De Queiroz K, Good DA (1997) Pengelompokan Fenetik dalam Biologi: Sebuah Kritik.
Aliran gen interspesifik di zona hibrida pohon ek multispesies di Sierra Tarahumara, Meksiko. Ann KUARTAL Rev Biol 72: 3–30.
Bot 105: 389–399. 45. Rohlf FJ, Sokal RR (1981) Membandingkan studi taksonomi numerik. Sistem Zool
12. Viscosi V, Fortini P, Slice DE, Loy A, Blasi C (2009) Analisis morfometri geometri variasi daun 30: 459–490.
pada empat spesies oak subgenus Quercus (Fagaceae). 46. Jensen RJ, Ciofani KM, Miramontes LC (2002) Garis, Garis Besar, dan Tengara: Analisis
Biosistem Tumbuhan 143: 575–587. Morfometri Daun Acer rubrum, Acer saccharinum (Aceraceae) dan Hibridanya. Takson 51: 475–
13. Viscosi V, Lepais O, Gerber S, Fortini P (2009) Analisis morfologi daun pada empat spesies ek 492.
Eropa (Quercus) dan hibridanya: perbandingan metode morfometrik tradisional dan geometris. 47. Manly BFJ (1997) Metode Pengacakan, Bootstrap dan Monte Carlo di
Biosistem Tumbuhan 143: 564–574. Biologi. New York: Chapman dan Hall Press. 480 hal.
14. Klingenberg CP (2010) Evolusi dan perkembangan bentuk: pengintegrasian 48. Albrecht G (1992) Menilai kedekatan fosil menggunakan variasi kanonik dan
pendekatan kuantitatif. Nat Rev Genet 11: 623–635. jarak umum. J Hum Evol 7: 49–69.
15. Albarrań-Lara AL, Mendoza-Cuenca L, Valencia-Alvados S, Gonza`les-Rodrÿ´guez A, Oyama K 49. Klingenberg CP, Monteiro LR (2005) Jarak dan arah dalam ruang bentuk multidimensi: implikasi terhadap
(2010) Fluktuasi asimetri daun meningkat antara Quercus magnoliifolia dan Quercus resinosa aplikasi morfometrik. Sistem Biol 54: 678–688.
(Fagaceae) melalui gradien ketinggian di Mexico. Sains Tanaman Int J 171: 310–322.
50. Kovarovic K, Aiello LC, Cardini A, Lockwood CA. Analisis fungsi diskriminan dalam arkeologi:
16. Van der Niet T, Zollikofer CPE, Ponce de Leoń MS, Johnson SD, Linder HP (2010) Morfometri apakah tingkat klasifikasi terlalu bagus untuk menjadi kenyataan? J Archaeol Sci, Sedang dicetak.
geometris tiga dimensi untuk mempelajari variasi bentuk bunga. Tren Tanaman Sci 15: 423–426.
51. Elton S, Dunn J, Cardini A (2010) Garis pada morfologi tengkorak monyet vervet: menyelidiki efek
17. Go´mez JM, Bosch J, Perfectti F, Fernańdez JD, Abdelaziz M, dkk. (2008) alometri pada variasi taksonomi. Biol J Linn Soc 101: 823–843.
Variasi spasial dalam seleksi bentuk mahkota pada tanaman generalis disebabkan oleh
preferensi penyerbuk lokalnya. Proc R Soc B 275: 2241–2249. 52. Klingenberg CP (1998) Heterokroni dan alometri: analisis evolusi
18. Go´mez JM, Perfectti F, Bosch J, Camacho JPM (2009a) Mosaik seleksi geografis dalam sistem perubahan ontogeni. Biol Wahyu 73: 79–123.
umum tumbuhan-penyerbuk-herbivora. Ekol Monogr 79: 245–263. 53. Bookstein FL (1991) Alat morfometrik untuk data landmark. Cambridge: Pers Universitas
Cambridge. 435 hal.
19. Go´mez JM, Abdelaziz M, Munõz-Pajares J, Perfectti F (2009) Heritabilitas dan korelasi genetik 54. Thompson DW (1917) Tentang Pertumbuhan dan Bentuk. Cambridge: Cambridge
bentuk dan ukuran mahkota di Erysimum mediohispanicum. Pers Universitas. 345 hal.
Evolusi 63: 1820–1831. 55. Zelditch ML, Bookstein FL, Lundrigan BL (1992) Ontogeni pertumbuhan tengkorak terintegrasi
20. Cardini A, Nagorsen D, O'Higgins P, Polly PD, Thorington JRW, dkk. (2009) pada tikus kapas Sigmodon fulviventer. Evolusi 46: 1164–1180.
Mendeteksi keunikan biologis menggunakan morfometrik geometris: contoh kasus dari marmut 56. Tsukaya H (1995) Perkembangan genetika morfogenesis daun pada tanaman dikotil
Pulau Vancouver''. Ekol Ethol Evol 21: 209–223. tanaman donat. J Pabrik Res 108: 407–416.
21. Cardini A, Elton S (2009) Pengaruh geografis dan taksonomi terhadap variasi tengkorak pada 57. Roth-Nebelsick A, Uhl D, Mosbrugger V, Kerp H (2001) Evolusi dan Fungsi Arsitektur Venasi Daun:
monyet colobus merah (Primata, Colobinae): memperkenalkan pendekatan baru pada monyet Tinjauan. Ann Bot 87: 553–566.
'morf'. Ekol Biogeogr Global 18: 248–263. 58. Chickarmane V, Roeder AHK, Tarr PT, Cunha A, Tobin C, dkk. (2010)
22. MacLeod N, Benfield M, Culverhouse P (2010) Saatnya mengotomatisasi identifikasi. Morfodinamika Komputasi: Kerangka Pemodelan untuk Memahami Pertumbuhan Tanaman. Annu
Alam 467: 154–155. Rev Tanaman Biol 61: 65–87.
23. Viscosi V, Fortini P (2011) Variasi dan diferensiasi bentuk daun pada tiga spesies ek putih simpatrik 59. Antonecchia G (2011) Karakterisasi Genetik tiga spesies ek putih simpatrik pada tegakan campuran
diungkapkan melalui analisis Fourier elips. Nord J Bot, sedang dicetak. di Italia Tengah (wilayah Molise). Tesis.Universitas Molise. Pesche: pers swasta. 164 hal.
24. Klingenberg CP (2011) MorphoJ: paket perangkat lunak terintegrasi untuk geometri 60. Rohlf FJ (1998) Tentang penerapan morfometrik geometri untuk mempelajari ontogeni dan filogeni.
morfometri. Sumber Daya Mol Ecol 11: 353–357. Sistem Biol 47: 147–158.
25. Klingenberg CP, Barluenga M, Meyer A (2002) Analisis bentuk struktur simetris: mengukur variasi 61. Adams DC, Cardini A, Monteiro LR, O'Higgins P, Rohlf FJ (2011)
antar individu dan asimetri. Evolusi 56: 1909–1920. Morfometri dan Filogenetik: komponen utama bentuk dari modul kranial bukanlah karakter kladistik
yang sesuai dan tidak efektif. J Hum Evol 60: 240–243.
26. Zelditch ML, Swiderski DL, Sheets HD, Fink WL (2004) Morfometri Geometris untuk Ahli Biologi:
Primer. London: Pers Akademik Elsevier. 443 hal. 62. Legendre P, Legendre L (1998) Ekologi Numerik. Edisi ke-2 London: Elsevier Academic Press.
853 hal.
27. Oxnard CE, O'Higgins P (2009) Biologi jelas membutuhkan morfometrik. Melakukan 63. Fortin MJ, Dale MRT (2005) Analisis Spasial: Panduan bagi Ahli Ekologi.
morfometrik perlu biologi?. Teori Biol 4: 84–97. Cambridge, Inggris: Cambridge University Press. 392 hal.
28. Klingenberg CP (2008) Morfometri yang baru dan bebas homologi: Apalah arti sebuah nama? Evol Biol 64. Harvey PH, Pagel MD (1991) Metode Komparatif dalam Biologi Evolusioner. Oxford: Pers
35: 186–190. Universitas Oxford. 248 hal.
29. Huttegger S, Mitteroecker P (2011) Invariansi dan kebermaknaan dalam ruang fenotip. Evolusi 65. Rohlf FJ (2006) Komentar tentang koreksi filogenetik. Evolusi 60:
Biol 38: 335–352. 1509–1515.
30. O'Higgins P (2007) Masalah metodologis dalam deskripsi bentuk. Dalam Lestrel PE, ed. Deskriptor 66. Stone GN, Nee S, Felsentein J (2011) Mengontrol ketidakmandirian dalam analisis komparatif pola
Fourier dan penerapannya dalam biologi. Cambridge, Inggris: Cambridge University Press. 482 antar populasi dalam spesies. Phil TR Soc B
hal. 366: 1410–1424.
31. Rohlf FJ, Slice DE (1990) Perluasan metode Procrustes untuk hasil yang optimal 67. Fisher RA (1936) Penggunaan Pengukuran Berganda dalam Masalah Taksonomi.
superimposisi landmark. Sistem Zool: 39: 40–59. Ann Eugen 7: 179–188.
32. Rohlf FJ (2000) Tentang penggunaan ruang bentuk untuk membandingkan metode morfometrik. 68. Kovarovic K, Aiello LC, Cardini A, Lockwood CA (2011) Analisis fungsi diskriminan dalam arkeologi:
Histriks 11: 8–24. apakah tingkat klasifikasi terlalu bagus untuk menjadi kenyataan? J Archaeol Sci. Dalam revisi.
33. Rohlf FJ (2000) Perbandingan kekuatan statistik antar morfometrik alternatif
metode. Am J Fis Antropol 111: 463–478. 69. Mitteroecker P, Bookstein FL (2011) Diskriminasi linier, penahbisan, dan visualisasi gradien seleksi dalam
34. Rohlf FJ (2003) Bias dan kesalahan dalam estimasi bentuk rata-rata dalam morfometri. morfometrik modern. Evolusi Biol 38: 100–114.
J Hum Evol 44: 665–683.
35. Neff NA, Marcus LF (1980) Sebuah survei metode multivariat untuk sistematika. 70. Sheets HD, Covino KM, Panasiewicz JM, Morris SR (2006) Perbandingan metode garis morfometrik
New York: Pers Museum Sejarah Alam Amerika. 243 hal. geometris dalam diskriminasi perbedaan bentuk bulu terkait usia. Kebun Binatang Depan 3: 2–
36. Rohlf FJ (1993) Analisis lengkungan relatif dan contoh penerapannya pada sayap nyamuk. Dalam 15.
Marcus LF, Bello E, Garcia-Valdecasas V, eds. 71. Stanley SM, Yang X (1987) Perkiraan stasis evolusi untuk morfologi kerang selama jutaan tahun.
Kontribusi terhadap morfometri. Madrid: Pers Museo Nacionale de Ciencias Naturales. 272 hal. Paleobiologi 13: 113–139.
72. Breuker CJ, Patterson JS, Klingenberg CP (2006) Dasar tunggal untuk buffering perkembangan
37. Rohlf FJ (2010) Seri Tps. Departemen Ekologi dan Evolusi, Universitas Negeri New York, Stony bentuk sayap Drosophila. PLoS SATU 1: e7. doi:10.1371/journal.pone.0000007.
Brook, New York. Tersedia: http://life.bio. sunysb.edu/morph/. Diakses 2011 Juni 8.
73. Cardini A, Elton S (2008) Variasi tengkorak guenon I: divergensi spesies, perbedaan ekologi dan
38. Dryden IL, Mardia KV (1998) Analisis Bentuk Statistik. Chichester: John genetik. J Hum Evol 54: 615–637.
Pers Wiley dan Sons. 376 hal. 74. Cardini A, Elton S (2011) GeMBiD, 'Pendekatan morfometrik geometris untuk mempelajari
39. Claude J (2008) Morfometri dengan R. New York: Springer. 318 hal. keanekaragaman hayati': sebuah contoh studi dari kompleks spesies colobus merah. Int J
40. Marcus LF, Hingst-Zaher E, Zaher H (2000) Penerapan morfometrik landmark pada tengkorak yang Primatol 32: 377–389.
mewakili ordo mamalia hidup. Histriks 11: 27–48. 75. Debat V, Debelle A, Dworkin I (2009) Plastisitas, kanalisasi dan stabilitas perkembangan sayap
Drosophila: efek gabungan dari mutasi dan suhu perkembangan. Evolusi 63: 2864–2876.
41. Howell DC (2002) Metode statistik untuk psikologi. edisi ke-5. BelmontCA: Duxbury Press. 768 hal.
76. Mitteroecker P, Gunz P, Bookstein FL (2005) Heterokroni dan morfometrik geometris: perbandingan
42. Hammer Ø, Harper DAT, Ryan PD (2001) MASA LALU: Paket Perangkat Lunak Statistik pertumbuhan tengkorak pada Pan paniscus versus Pan troglodytes. Perkembangan
Paleontologi untuk Pendidikan dan Analisis Data. Elektron Paleontol 4: 3–9. Perkembangan 7: 244–258.
43. Hammer Ø (2011) MASA LALU ver. 2.09. Tersedia: http://norges.uio.no/past/ download.html. 77. Gould SJ (1971) Kesamaan geometri dalam pertumbuhan alometrik: Kontribusi terhadap masalah
Diakses 2011 Juni 8. penskalaan dalam evolusi ukuran. Am Nat 105: 113–136.

78. Rohlf FJ, Loy A, Corti M (1996) Analisis morfometrik Talpidae Dunia Lama (Mammalia, 80. McDonald J (2009) Buku Panduan Statistik Biologi, edisi pertama. Baltimore: Berkilau
Insectivora) menggunakan skor warp parsial. Sistem Biol 45: 344–362. Penerbitan Rumah. 554 hal.
79. Fadda C, Corti M (2001) Morfometri geometri tiga dimensi Arvicanthis: implikasi terhadap sistematika 81. Sokal RR, Rohlf FJ (1995) Biometri: prinsip dan praktik statistik dalam penelitian biologi.
dan taksonomi. J Zool Sistem Evol Res 39: 235–245. Edisi ke-3 New York: WH Freeman and Co.Press. 797 hal.

Simple Protocol Morfometrik

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Simple Protocol Morfometrik

Diunggah oleh

Hak Cipta:

Format Tersedia

Machine Translated by Google

Morfologi Daun, Taksonomi dan Geometri

Diterima 5 Juli 2011; Diterima 7 September 2011; Diterbitkan 3 Oktober 2011

Pendanaan: Penulis tidak memiliki dukungan atau dana untuk melaporkan.

PLoS SATU | www.plosone.org 1 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

gambar rangka, dan kisi-kisi deformasi spline pelat tipis).

Tabel 1. Contoh lokasi dan ukurannya.

PLoS SATU | www.plosone.org 2 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

[6,30]. Dengan demikian, kami melakukan analisis Procrustes umum (GPA,

Koordinat bentuk Procrustes mubazir. Artinya, terdapat lebih banyak

PLoS SATU | www.plosone.org 3 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 4 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 5 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 6 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 7 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 8 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

Tabel 2. Variasi ukuran centroid.

PLoS SATU | www.plosone.org 9 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

Tabel 4. Perbedaan rata-rata populasi setelah rata-rata daun dalam pohon.

2.179 1, 42 0,035 0,0350

MEMBENTUK T-persegi df P Mahalanobis d. P(perm.) Procrustes d. P(perm.)

total 44.942 18, 25 0,177 2.021 0,1780 0,0388 0,1336

'ukuran-kor.' 51.211 18, 25 0,110 2.158 0,1076 0,0315 0,2474

Tes permutasi dengan 10.000 permutasi acak.

a) Variasi fenotipik pada Q. petraea: apakah populasi dan

PLoS SATU | www.plosone.org 10 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 11 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 12 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

semua bentuk Kampobasso Busso 'ukuran-kor.' Kampobasso Busso

Kampobasso 50,0% 50,0% Kampobasso 59,1% 40,9%

Busso 40,9% 59,1% Busso 36,4% 63,6%

PLoS SATU | www.plosone.org 13 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

Gambar 7. Regresi bentuk menjadi kumpulan ukuran di dalamnya. Scatterplotpopulasi

PLoS SATU | www.plosone.org 14 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 15 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 16 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 17 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

Ucapan Terima Kasih

PLoS SATU | www.plosone.org 18 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 19 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Morfometri Geometris Sederhana untuk Ahli Taksonomi

PLoS SATU | www.plosone.org 20 Oktober 2011 | Jilid 6 | Edisi 10 | e25630

Anda mungkin juga menyukai