การวัดทางสัณฐานวิทยา
การวัดรูปร่าง (จากภาษากรีก μορΦή morphe , "รูปร่าง, รูปแบบ" และ -μετρία metria , "การวัด") หรือการวัดรูปร่าง[ 5 ]หมายถึงการวิเคราะห์เชิงปริมาณของรูปร่างซึ่งเป็นแนวคิดที่ครอบคลุมทั้งขนาดและรูปร่าง การวิเคราะห์รูปร่างมักทำกับสิ่งมีชีวิต และมีประโยชน์ในการวิเคราะห์บันทึกฟอสซิล ผลกระทบของการกลายพันธุ์ต่อรูปร่าง การเปลี่ยนแปลงรูปร่างในระหว่างการพัฒนา ความแปรปรวนร่วมกันระหว่างปัจจัยทางนิเวศวิทยาและรูปร่าง รวมถึงการประมาณค่าพารามิเตอร์ทางพันธุกรรมเชิงปริมาณของรูปร่าง การวัดรูปร่างสามารถใช้เพื่อวัดปริมาณลักษณะที่มีความสำคัญทางวิวัฒนาการ และโดยการตรวจจับการเปลี่ยนแปลงในรูปร่าง สามารถอนุมานบางสิ่งบางอย่างเกี่ยวกับการเจริญเติบโตหน้าที่ หรือความสัมพันธ์ทางวิวัฒนาการได้ วัตถุประสงค์หลักของการวัดรูปร่างคือการทดสอบสมมติฐานทางสถิติเกี่ยวกับปัจจัยที่ส่งผลต่อรูปร่าง
"การวัดรูปร่าง" ในความหมายที่กว้างขึ้น ยังใช้เพื่อระบุตำแหน่งของอวัยวะบางส่วนอย่างแม่นยำ เช่น สมอง[ 6 ] [ 7 ]และเพื่ออธิบายรูปร่างของสิ่งอื่นๆ
แบบฟอร์ม
โดยทั่วไปแล้ว วิธีการวิเคราะห์รูปร่างจะแบ่งออกเป็น 3 วิธีหลัก ได้แก่ การวิเคราะห์รูปร่างแบบดั้งเดิม การวิเคราะห์รูปร่างโดยใช้จุดสังเกต และการวิเคราะห์รูปร่างโดยใช้เส้นขอบ
การวัดรูปร่างแบบ "ดั้งเดิม"
การวัดรูปร่างแบบดั้งเดิมจะวิเคราะห์ความยาว ความกว้าง มวล มุม อัตราส่วน และพื้นที่[ 8 ]โดยทั่วไป ข้อมูลการวัดรูปร่างแบบดั้งเดิมเป็นการวัดขนาด ข้อเสียของการใช้การวัดขนาดจำนวนมากคือส่วนใหญ่จะมีความสัมพันธ์กันสูง ส่งผลให้มีตัวแปรอิสระน้อยมากแม้ว่าจะมีการวัดจำนวนมากก็ตาม ตัวอย่างเช่น ความยาวของกระดูกหน้าแข้งจะแปรผันตามความยาวของกระดูกต้นขา และยังแปรผันตามความยาวของกระดูกต้นแขนและกระดูกปลายแขน และแม้กระทั่งแปรผันตามการวัดส่วนหัว อย่างไรก็ตาม ข้อมูลการวัดรูปร่างแบบดั้งเดิมมีประโยชน์เมื่อขนาดสัมบูรณ์หรือขนาดสัมพัทธ์เป็นสิ่งที่น่าสนใจเป็นพิเศษ เช่น ในการศึกษาการเจริญเติบโต ข้อมูลเหล่านี้ยังมีประโยชน์เมื่อการวัดขนาดมีความสำคัญทางทฤษฎี เช่น มวลร่างกายและพื้นที่หน้าตัดและความยาวของแขนขาในการศึกษาสัณฐานวิทยาเชิงหน้าที่ อย่างไรก็ตาม การวัดเหล่านี้มีข้อจำกัดที่สำคัญอย่างหนึ่งคือ มีข้อมูลน้อยมากเกี่ยวกับการกระจายตัวเชิงพื้นที่ของการเปลี่ยนแปลงรูปร่างทั่วร่างกาย นอกจากนี้ยังเป็นประโยชน์เมื่อพิจารณาถึงขอบเขตที่มลพิษบางชนิดส่งผลกระทบต่อแต่ละบุคคล ดัชนีเหล่านี้รวมถึงดัชนีตับต่อร่างกายดัชนีอวัยวะสืบพันธุ์ต่อร่างกายและปัจจัยสภาพต่างๆ (Shakumbila, 2014)
การวัดรูปร่างเชิงเรขาคณิตตามจุดสังเกต
ในการวัดรูปร่างเชิงเรขาคณิตแบบอิงจุดสังเกต ข้อมูลเชิงพื้นที่ที่ขาดหายไปจากการวัดรูปร่างแบบดั้งเดิมนั้นมีอยู่ในข้อมูล เนื่องจากข้อมูลเป็นพิกัดของจุดสังเกต : ตำแหน่งทางกายวิภาคที่แยกจากกันซึ่งอาจถือได้ว่ามีความคล้ายคลึงกันในทุกบุคคลในการวิเคราะห์ (กล่าวคือ สามารถถือได้ว่าเป็นจุด "เดียวกัน" ในแต่ละตัวอย่างในการศึกษา) ตัวอย่างเช่น จุดที่รอยประสาน สองรอย ตัดกันเป็นจุดสังเกต เช่นเดียวกับจุดตัดระหว่างเส้นเลือดบนปีกแมลงหรือใบไม้ หรือรูเล็กๆ ที่เส้นเลือดและหลอดเลือดผ่าน การวิเคราะห์รูปร่างแบบอิงจุดสังเกตแบบดั้งเดิมจะวิเคราะห์ข้อมูล 2 มิติ แต่ด้วยเทคนิคการสร้างภาพ 3 มิติที่เพิ่มมากขึ้น การวิเคราะห์ 3 มิติจึงมีความเป็นไปได้มากขึ้นแม้แต่กับโครงสร้างขนาดเล็ก เช่น ฟัน[ 9 ]การหาจุดสังเกตให้เพียงพอเพื่ออธิบายรูปร่างอย่างครอบคลุมอาจเป็นเรื่องยากเมื่อทำงานกับฟอสซิลหรือตัวอย่างที่เสียหายได้ง่าย นั่นเป็นเพราะจุดสังเกตทั้งหมดต้องมีอยู่ในทุกตัวอย่าง แม้ว่าพิกัดของจุดสังเกตที่หายไปจะสามารถประมาณได้ ข้อมูลสำหรับแต่ละบุคคลประกอบด้วยการจัดเรียงของจุดสังเกต
มีแลนด์มาร์คที่ได้รับการยอมรับ 3 ประเภท[ 10 ]แลนด์มาร์คประเภทที่ 1ถูกกำหนดในระดับท้องถิ่น กล่าวคือ ในแง่ของโครงสร้างที่อยู่ใกล้กับจุดนั้น ตัวอย่างเช่น จุดตัดระหว่างรอยเย็บ 3 รอย หรือจุดตัดระหว่างเส้นเลือดบนปีกแมลง ถูกกำหนดในระดับท้องถิ่นและล้อมรอบด้วยเนื้อเยื่อทุกด้าน ในทางตรงกันข้ามแลนด์มาร์คประเภทที่ 3 ถูกกำหนดในแง่ของจุดที่อยู่ไกลจากแลนด์มาร์ค และมักจะถูกกำหนดในแง่ของจุดที่ "ไกลที่สุด" จากจุดอื่น แลนด์มาร์คประเภทที่ 2อยู่ระหว่างกลาง ประเภทนี้รวมถึงจุดต่างๆ เช่น โครงสร้างปลาย หรือค่าต่ำสุดและสูงสุดของความโค้งในระดับท้องถิ่น พวกมันถูกกำหนดในแง่ของคุณลักษณะในระดับท้องถิ่น แต่ไม่ได้ถูกล้อมรอบทุกด้าน นอกจากแลนด์มาร์คแล้ว ยังมีเซมิแลนด์มาร์คซึ่งเป็นจุดที่มีตำแหน่งตามแนวเส้นโค้งโดยพลการ แต่ให้ข้อมูลเกี่ยวกับความโค้งในสอง[ 11 ]หรือสามมิติ[ 12 ]
การวัดรูปร่างเชิงเรขาคณิตตามแบบ Procrustes
การวิเคราะห์รูปร่างเริ่มต้นด้วยการลบข้อมูลที่ไม่เกี่ยวกับรูปร่าง ตามคำจำกัดความ รูปร่างจะไม่เปลี่ยนแปลงโดยการเลื่อน การปรับขนาด หรือการหมุน[ 13 ] ดังนั้น เพื่อเปรียบเทียบรูปร่าง ข้อมูลที่ไม่ใช่รูปร่างจะถูกลบออกจากพิกัดของจุดสังเกต มีมากกว่าหนึ่งวิธีในการดำเนินการทั้งสามนี้ วิธีหนึ่งคือการกำหนดพิกัดของสองจุดให้เป็น (0,0) และ (0,1) ซึ่งเป็นปลายทั้งสองของเส้นฐาน ในขั้นตอนเดียว รูปร่างจะถูกเลื่อนไปยังตำแหน่งเดียวกัน (พิกัดสองจุดเดียวกันถูกกำหนดให้เป็นค่าเหล่านั้น) รูปร่างจะถูกปรับขนาด (ให้มีความยาวเส้นฐานหนึ่งหน่วย) และรูปร่างจะถูกหมุน[ 10 ] อีกวิธีหนึ่งที่นิยมใช้คือการซ้อนทับแบบ Procrustesวิธีนี้จะเลื่อนจุดศูนย์กลางของรูปร่างไปยัง (0,0) พิกัด xของจุดศูนย์กลางคือค่าเฉลี่ยของ พิกัด xของจุดสังเกต และ พิกัด yของจุดศูนย์กลางคือค่าเฉลี่ยของพิกัดyรูปร่างจะถูกปรับขนาดให้มีขนาดเท่ากับจุดศูนย์กลางมวลหนึ่งหน่วย ซึ่งก็คือรากที่สองของผลรวมของระยะทางกำลังสองของจุดสังเกตแต่ละจุดไปยังจุดศูนย์กลางมวล การจัดเรียงรูปร่างจะถูกหมุนเพื่อลดความคลาดเคลื่อนระหว่างรูปร่างนั้นกับรูปร่างอ้างอิง ซึ่งโดยทั่วไปคือรูปร่างเฉลี่ย ในกรณีของจุดสังเกตกึ่งกลาง ความแปรผันของตำแหน่งตามเส้นโค้งก็จะถูกกำจัดออกไปด้วย เนื่องจากปริภูมิรูปร่างเป็นเส้นโค้ง การวิเคราะห์จึงทำได้โดยการฉายรูปร่างลงบนปริภูมิที่สัมผัสกับปริภูมิรูปร่าง ภายในปริภูมิสัมผัสนี้ สามารถใช้วิธีทางสถิติแบบหลายตัวแปรทั่วไป เช่น การวิเคราะห์ความแปรปรวนแบบหลายตัวแปรและการถดถอยแบบหลายตัวแปร เพื่อทดสอบสมมติฐานทางสถิติเกี่ยวกับรูปร่างได้
การวิเคราะห์แบบ Procrustes มีข้อจำกัดบางประการ ประการหนึ่งคือ การซ้อนทับแบบ Procrustes ใช้เกณฑ์กำลังสองน้อยที่สุดเพื่อหาการหมุนที่เหมาะสมที่สุด ดังนั้น ความแปรผันที่จำกัดอยู่ที่จุดสังเกตเพียงจุดเดียวจะถูกกระจายออกไปหลายจุด ซึ่งเรียกว่า 'ปรากฏการณ์พิน็อกชิโอ' อีกประการหนึ่งคือ การซ้อนทับอาจทำให้เกิดรูปแบบความแปรผันร่วมกันบนจุดสังเกต[ 14 ] [ 15 ]นอกจากนี้ ข้อมูลใดๆ ที่ไม่สามารถบันทึกได้ด้วยจุดสังเกตและจุดสังเกตกึ่งสำคัญ ก็ไม่สามารถนำมาวิเคราะห์ได้ รวมถึงการวัดแบบคลาสสิก เช่น "ความกว้างของกะโหลกศีรษะที่มากที่สุด" ยิ่งไปกว่านั้น ยังมีคำวิจารณ์เกี่ยวกับวิธีการแบบ Procrustes ที่กระตุ้นให้เกิดแนวทางอื่นในการวิเคราะห์ข้อมูลจุดสังเกต
การวิเคราะห์เมทริกซ์ระยะทางแบบยูคลิด
ดิฟฟีโอมอร์โฟเมทรี
Diffeomorphometry [ 16 ]มุ่งเน้นไปที่การเปรียบเทียบรูปร่างและรูปแบบด้วยโครงสร้างเมตริกตาม diffeomorphism และเป็นหัวใจสำคัญของสาขากายวิภาคศาสตร์เชิงคำนวณ [ 17 ] การลงทะเบียนแบบ Diffeomorphic [ 18 ]ซึ่งได้รับการแนะนำในช่วงทศวรรษที่ 90 ปัจจุบันเป็นผู้เล่นที่สำคัญ โดยมีฐานรหัสที่มีอยู่ซึ่งจัดระเบียบตาม ANTS [ 19 ] DARTEL [ 20 ] DEMONS [ 21 ] LDDMM [ 22 ] StationaryLDDMM [ 23 ] เป็นตัวอย่างของรหัสการคำนวณที่ใช้งานอย่างแข็งขันสำหรับการสร้างความสัมพันธ์ระหว่างระบบพิกัดตามคุณลักษณะแบบเบาบางและภาพแบบหนาแน่นVoxel-based morphometry (VBM) เป็นเทคโนโลยีที่สำคัญที่สร้างขึ้นบนหลักการเหล่านี้หลายประการ วิธีการที่อิงตามการไหลแบบดิฟฟีโอเมอร์ฟิกถูกนำมาใช้ ตัวอย่างเช่น การเปลี่ยนรูปอาจเป็นดิฟฟีโอเมอร์ฟิซึมของพื้นที่โดยรอบ ส่งผลให้เกิดกรอบงาน LDDMM ( Large Deformation Diffeomorphic Metric Mapping ) สำหรับการเปรียบเทียบรูปร่าง[ 24 ]บนการเปลี่ยนรูปดังกล่าวคือเมตริกอินวาเรียนต์ด้านขวาของกายวิภาคศาสตร์เชิง คำนวณ ซึ่งเป็นการขยายเมตริกของการไหลแบบออยเลอร์ที่ไม่สามารถอัดได้ แต่เพื่อรวมบรรทัดฐานโซโบเลฟที่รับประกันความเรียบของการไหล[ 25 ] ขณะนี้ได้มีการกำหนดเมตริกที่เกี่ยวข้องกับการควบคุมแฮมิลโทเนียนของการไหลแบบดิฟฟีโอเมอร์ฟิกแล้ว[ 26 ]
การวิเคราะห์โครงร่าง
การวิเคราะห์โครงร่างเป็นอีกแนวทางหนึ่งในการวิเคราะห์รูปร่าง สิ่งที่ทำให้การวิเคราะห์โครงร่างแตกต่างออกไปคือ สัมประสิทธิ์ของฟังก์ชันทางคณิตศาสตร์จะถูกปรับให้เข้ากับจุดที่สุ่มตัวอย่างตามโครงร่าง มีหลายวิธีในการวัดปริมาณโครงร่าง เทคนิคเก่าๆ เช่น "การปรับให้เข้ากับเส้นโค้งพหุนาม" [ 27 ] และการวิเคราะห์เชิงปริมาณส่วนประกอบหลัก[ 28 ] ได้ถูกแทนที่ด้วยสองแนวทางหลักในปัจจุบัน ได้แก่ การวิเคราะห์รูปร่างลักษณะเฉพาะ [ 29 ] และการวิเคราะห์ฟูริเยร์แบบวงรี (EFA) [ 30 ]โดยใช้โครงร่างที่วาดด้วยมือหรือคอมพิวเตอร์ วิธีแรกเกี่ยวข้องกับการปรับจุดกึ่งกลางจำนวนหนึ่งที่กำหนดไว้ล่วงหน้าในช่วงเวลาเท่าๆ กันรอบโครงร่างของรูปร่าง บันทึกการเบี่ยงเบนของแต่ละขั้นตอนจากจุดกึ่งกลางหนึ่งไปยังจุดกึ่งกลางหนึ่งจากมุมของขั้นตอนนั้นหากวัตถุเป็นวงกลมธรรมดา[ 31 ]วิธีหลังกำหนดโครงร่างเป็นผลรวมของจำนวนวงรีขั้นต่ำที่จำเป็นในการเลียนแบบรูปร่าง[ 32 ]
ทั้งสองวิธีมีจุดอ่อน จุดอ่อนที่อันตรายที่สุด (และแก้ไขได้ง่าย) คือความอ่อนไหวต่อสัญญาณรบกวนในโครงร่าง[ 33 ]ในทำนองเดียวกัน ทั้งสองวิธีไม่ได้เปรียบเทียบจุดที่เหมือนกัน และการเปลี่ยนแปลงโดยรวมจะได้รับน้ำหนักมากกว่าการเปลี่ยนแปลงในระดับท้องถิ่นเสมอ (ซึ่งอาจมีผลกระทบทางชีววิทยาอย่างมาก) การวิเคราะห์รูปร่างลักษณะเฉพาะต้องกำหนดจุดเริ่มต้นที่เทียบเท่ากันสำหรับแต่ละตัวอย่าง ซึ่งอาจเป็นแหล่งที่มาของข้อผิดพลาด EFA ยังประสบปัญหาความซ้ำซ้อนเนื่องจากตัวแปรทั้งหมดไม่ได้เป็นอิสระต่อกัน[ 33 ] ในทางกลับกัน เป็นไปได้ที่จะนำไปใช้กับเส้นโค้งที่ซับซ้อนโดยไม่ต้องกำหนดจุดศูนย์กลาง ซึ่งทำให้การขจัดผลกระทบของตำแหน่ง ขนาด และการหมุนง่ายขึ้นมาก[ 33 ] ข้อบกพร่องที่รับรู้ได้ของการวัดรูปร่างโครงร่างคือไม่ได้เปรียบเทียบจุดกำเนิดที่เหมือนกัน และทำให้รูปร่างที่ซับซ้อนง่ายเกินไปโดยจำกัดตัวเองให้พิจารณาเฉพาะโครงร่างและไม่พิจารณาการเปลี่ยนแปลงภายใน นอกจากนี้ เนื่องจากทำงานโดยการประมาณโครงร่างด้วยวงรีหลายชุด จึงจัดการกับรูปร่างแหลมได้ไม่ดี[ 34 ]
ข้อวิจารณ์หนึ่งของวิธีการที่ใช้โครงร่างคือ การไม่คำนึงถึงความเหมือนกันทางโครงสร้าง – ตัวอย่างที่มีชื่อเสียงของการไม่คำนึงถึงนี้คือ ความสามารถของวิธีการที่ใช้โครงร่างในการเปรียบเทียบกระดูกสะบักกับมันฝรั่งทอดกรอบ[ 35 ]การเปรียบเทียบเช่นนี้จะไม่สามารถทำได้หากข้อมูลถูกจำกัดไว้เฉพาะจุดที่มีความเหมือนกันทางชีววิทยาเท่านั้น ข้อโต้แย้งต่อคำวิจารณ์นั้นคือ หากวิธีการกำหนดจุดสังเกตในการวัดรูปร่างสามารถใช้เพื่อทดสอบสมมติฐานทางชีววิทยาในกรณีที่ไม่มีข้อมูลความเหมือนกันทางโครงสร้าง การตำหนิวิธีการที่ใช้โครงร่างที่ทำให้สามารถทำการศึกษาประเภทเดียวกันได้จึงไม่เหมาะสม[ 36 ]
การวิเคราะห์ข้อมูล
วิธีการทางสถิติแบบหลายตัวแปรสามารถใช้ทดสอบสมมติฐานทางสถิติเกี่ยวกับปัจจัยที่มีผลต่อรูปร่างและแสดงภาพผลกระทบเหล่านั้นได้ ในการแสดงภาพรูปแบบความแปรผันในข้อมูล จำเป็นต้องลดข้อมูลให้อยู่ในรูปแบบที่เข้าใจได้ (มิติที่ต่ำ) การวิเคราะห์องค์ประกอบหลัก (PCA) เป็นเครื่องมือที่ใช้กันทั่วไปในการสรุปความแปรผัน กล่าวโดยง่าย เทคนิคนี้จะฉายภาพความแปรผันโดยรวมให้มากที่สุดเท่าที่จะเป็นไปได้ลงในมิติเพียงไม่กี่มิติ ดูภาพด้านขวาเป็นตัวอย่าง แต่ละแกนในแผนภาพ PCA คือเวกเตอร์ลักษณะเฉพาะของเมทริกซ์ความแปรปรวนร่วมของตัวแปรรูปร่าง แกนแรกแสดงถึงความแปรผันสูงสุดในตัวอย่าง โดยแกนถัดไปแสดงถึงวิธีการอื่นๆ ที่ตัวอย่างมีความแปรผัน รูปแบบการจัดกลุ่มของตัวอย่างในพื้นที่รูปร่างนี้แสดงถึงความคล้ายคลึงและความแตกต่างในรูปร่าง ซึ่งสามารถสะท้อนถึงความสัมพันธ์ทางวิวัฒนาการได้ นอกจากการสำรวจรูปแบบความแปรผันแล้ว วิธีการทางสถิติแบบหลายตัวแปรยังสามารถใช้เพื่อทดสอบสมมติฐานทางสถิติเกี่ยวกับปัจจัยที่ส่งผลต่อรูปร่างและเพื่อแสดงภาพผลกระทบเหล่านั้นได้ แม้ว่าการวิเคราะห์องค์ประกอบหลัก (PCA) จะไม่จำเป็นสำหรับวัตถุประสงค์นี้ เว้นแต่ว่าวิธีการนั้นต้องการการกลับเมทริกซ์ความแปรปรวนร่วม
ข้อมูลจุดสังเกตช่วยให้สามารถมองเห็นความแตกต่างระหว่างค่าเฉลี่ยของประชากร หรือความเบี่ยงเบนของแต่ละบุคคลจากค่าเฉลี่ยของประชากรได้ในอย่างน้อยสองวิธี วิธีแรกคือการแสดงเวกเตอร์ที่จุดสังเกต ซึ่งแสดงขนาดและทิศทางที่จุดสังเกตนั้นเคลื่อนที่ไปเมื่อเทียบกับจุดสังเกตอื่นๆ วิธีที่สองคือการแสดงความแตกต่างผ่านทาง เส้นโค้งสปลาย แผ่นบาง (thin plate splines ) ซึ่งเป็นฟังก์ชันการประมาณค่าที่จำลองการเปลี่ยนแปลงระหว่างจุดสังเกตจากข้อมูลการเปลี่ยนแปลงพิกัดของจุดสังเกต ฟังก์ชันนี้สร้างสิ่งที่ดูเหมือนตารางที่บิดเบี้ยว โดยบริเวณที่ยาวกว่าจะดูยืดออก และบริเวณที่สั้นกว่าจะดูบีบอัด
นิเวศวิทยาและชีววิทยาวิวัฒนาการ
ในปี พ.ศ. 2460 D'Arcy Thompsonเสนอว่ารูปร่างในสิ่งมีชีวิตหลายชนิดสามารถมีความสัมพันธ์กันได้ในลักษณะนี้เช่นกัน ในกรณีของเปลือกหอยและเขาสัตว์ เขาได้ทำการวิเคราะห์อย่างแม่นยำพอสมควร... แต่เขายังวาดภาพปลาและกะโหลกหลายภาพ และโต้แย้งว่าพวกมันมีความสัมพันธ์กันโดยการเปลี่ยนแปลงพิกัด[ 37 ]
การวิเคราะห์รูปร่างถูกนำมาใช้กันอย่างแพร่หลายในนิเวศวิทยาและชีววิทยาเชิงวิวัฒนาการเพื่อศึกษาความยืดหยุ่น[ 38 ] [ 39 ] [ 40 ]การเปลี่ยนแปลงรูปร่างเชิงวิวัฒนาการ[ 41 ] [ 42 ] [ 43 ] [ 44 ]และในชีววิทยาการพัฒนาเชิงวิวัฒนาการเพื่อศึกษาการวิวัฒนาการของการเกิดรูปร่าง[ 45 ] [ 46 ] [ 47 ]รวมถึงต้นกำเนิดของการพัฒนาความเสถียร การกำหนดทิศทาง และความเป็นโมดูลาร์[ 48 ] [ 49 ] [ 50 ] [ 51 ] [ 52 ]การประยุกต์ใช้การวิเคราะห์รูปร่างในนิเวศวิทยาและชีววิทยาเชิงวิวัฒนาการอื่นๆ อีกมากมายสามารถพบได้ในบทนำ: Zelditch, ML; Swiderski, DL; Sheets, HD (2012). Geometric Morphometrics for Biologists: A Primer . London: Elsevier: Academic Press.{{cite book}}: CS1 maint: ตำแหน่งผู้เผยแพร่ ( ลิงก์ )
การถ่ายภาพระบบประสาท
ในการถ่ายภาพระบบประสาทสามารถวัดรูปร่างและโครงสร้างของสมองของสิ่งมีชีวิตได้โดยใช้การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าวิธีการที่พบได้บ่อยที่สุด ได้แก่การวัดปริมาตรของโครงสร้างสมองโดยใช้พิกเซล (voxel-based morphometry ) การวัดความแตกต่างของรูปร่างจากแบบจำลองสมอง ( deformation-based morphometry ) และ การวัดรูปร่างของเปลือกสมองโดยใช้พื้นผิว (surface-based morphometry )
การวัดโครงสร้างกระดูกด้วยกล้องจุลทรรศน์
การวิเคราะห์ทางสัณฐานวิทยาของกระดูกเกี่ยวข้องกับการเก็บตัวอย่างชิ้นเนื้อกระดูกและการประมวลผลตัวอย่างกระดูกในห้องปฏิบัติการ เพื่อให้ได้ค่าประมาณของปริมาตรและพื้นผิวตามสัดส่วนที่ส่วนประกอบต่างๆ ของกระดูกครอบครอง ขั้นแรก กระดูกจะถูกสลายโดยการแช่ในเอทานอลและอะซิโตน ที่มีความเข้มข้นสูง จากนั้นกระดูกจะถูกฝังและย้อมสีเพื่อให้สามารถมองเห็น/วิเคราะห์ได้ภายใต้กล้องจุลทรรศน์ [ 53 ] การเก็บตัวอย่างชิ้นเนื้อกระดูกทำได้โดยใช้เครื่องมือเจาะกระดูก[ 54 ]
ดูเพิ่มเติม
หมายเหตุ
^1มาจากภาษากรีก: "morph" หมายถึง รูปร่างหรือรูปแบบ และ "metron" หมายถึง การวัด
บรรณานุกรม
- Adams, Dean C.; Michael L. Collyer (2009). "กรอบทั่วไปสำหรับการวิเคราะห์วิถีฟีโนไทป์ในการศึกษาเชิงวิวัฒนาการ" Evolution . 63 (5): 1143– 1154. doi : 10.1111/j.1558-5646.2009.00649.x . PMID 19210539 . S2CID 1873905 .
- บุคสไตน์, เฟรด (1991). เครื่องมือทางสัณฐานวิทยาสำหรับข้อมูลจุดสังเกต: เรขาคณิตและชีววิทยาเคมบริดจ์: สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์ISBN 978-0-521-58598-9.
- Cadrin, Steven X. (2000). "ความก้าวหน้าในการระบุประชากรปลาโดยใช้การวัดทางสัณฐานวิทยา" บทวิจารณ์ในชีววิทยาของปลาและการประมง 10 : 91– 112. doi : 10.1023 /A:1008939104413 . S2CID 25658507 .
- Elewa, AMT, บรรณาธิการ (2004). การวัดรูปร่าง: การประยุกต์ใช้ในชีววิทยาและบรรพชีวินวิทยา . เบอร์ลิน: สปริงเกอร์. ISBN 978-3-540-21429-8.
- Klingenberg, CP; NA Gidaszewski (2010). "การทดสอบและการหาปริมาณสัญญาณทางวิวัฒนาการและโฮโมพลาซีในข้อมูลทางสัณฐานวิทยา" . Systematic Biology . 59 (3): 245– 261. doi : 10.1093/sysbio/syp106 . PMID 20525633 .
- McLellan, Tracy; Endler, John A. (1998). "ความสำเร็จเชิงสัมพัทธ์ของวิธีการบางอย่างในการวัดและอธิบายรูปร่างของวัตถุที่ซับซ้อน" . ชีววิทยาเชิงระบบ . 47 (2): 264– 81. doi : 10.1080/106351598260914 . hdl : 10536/DRO/DU:30094507 . ISSN 1076-836X . JSTOR 2585371 .
ลิงก์ภายนอก
- Dickinson, TA (2001). "วิธีการวัดรูปร่าง" . เก็บถาวรจากต้นฉบับเมื่อ 2020-02-22 . สืบค้นเมื่อ2016-10-09 .
- อดีต
- SHAPE – ตัวบ่งชี้ฟูริเยร์แบบวงรี
- ซอฟต์แวร์ด้านสัณฐานวิทยา – คลังซอฟต์แวร์หลากหลายประเภทที่ใช้ในด้านสัณฐานวิทยา โดยเฉพาะอย่างยิ่งสัณฐานวิทยาเชิงเรขาคณิต