MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016934869
■00520240214101706
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380850209
■035    ▼a(MiAaPQ)AAI30636158
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aMatthews,  David  G.▼0(orcid)0000-0002-5926-4348
■24510▼aQuantification  of  Fish  Locomotor  Performance  to  Understand  Adaptive  Evolution▼h[electronic  resource]
■260    ▼a[S.l.]:▼bHarvard  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(109  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-05,  Section:  B.
■500    ▼aAdvisor:  Lauder,  George.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aAdaptive  evolution  is  often  understood  as  a  connection  from  genotype  to  phenotype  to  performance  to  fitness.  While  each  of  these  elements  represent  valuable  fields  of  study  when  considered  individually,  it  is  only  by  combining  all  of  them  that  we  can  connect  genotype  to  fitness,  and  therefore  mechanistically  connect  evolution  to  natural  selection.  This  integrative  approach  has  led  to  many  insights  into  the  dynamics  of  evolution,  but  so  far  has  only  been  applied  to  functionally  simple  systems.  One  major  reason  for  this  is  that  there  has  historically  been  a  disconnect  between  the  traits  whose  genetic  basis  has  been  elucidated  and  those  that  are  involved  in  complex  functions.  I  posit  that  this  disconnect  exists  in  part  because  functionally  relevant  traits  tend  to  be  genetically  quantitative,  and  therefore  measuring  the  functional  relevance  of  individual  genes  or  developmental  pathways  requires  high  precision  measurements.  Since  most  functional  studies  are  conducted  on  live  animals  with  small  sample  sizes,  it  is  often  difficult  to  obtain  such  high  precision  measures  of  organismal  performance.  However,  with  recent  advances  in  robotics  and  statistical  analysis  this  barrier  is  quickly  falling.In  this  dissertation  I  use  studies  of  fish  locomotion  to  show  how  modern  advances  in  functional  biology  can  facilitate  the  study  of  adaptive  evolution.  In  the  introduction  I  explore  the  current  state  of  research  linking  genotype  to  phenotype  to  performance  to  fitness  and  assert  that  new  methodology  is  needed  in  order  to  facilitate  such  studies  in  functionally  complex  systems.  In  particular,  I  argue  that  biological  robotics,  structural  equation  modeling,  and  simultaneous multi-modal  data  collection  methods  carry  the  most  promise.  I  then  give  examples  of  how  each  of  these  methods  can  be  applied  to  make  functionally  complex  traits  evolutionarily  tractable.  In  chapter  1  I  give  a  more  comprehensive  example  of  how  biological  robotics  can  be  used  to  quantify  fine-scale  performance  variation.  I  combine  a  simple  flapping  robotic  system  with  multivariate  modeling  to  isolate  the  effects  of  fin  position  and  relative  fin  motion  on  several  locomotor  performance  metrics  in  a  biomimetic  model.  I  find  that  both  the  position  and  timing  of  the  dorsal  fin  relative  to  the  caudal  fin  impact  swimming  performance,  with  as  much  as  a  35%  increase  in  swimming  speed  possible  if  the  two  fins  are  optimally  aligned.  In  chapter  2  I  extend  this  approach  to  show  how  computational  fluid  dynamics  can  be  combined  with  biological  robotics  to  further  elucidate  performance  variation.  Here  I  use  tuna  inspired  models  to  examine  the  role  of  the  caudal  peduncle,  the  structure  connecting  a  fish's  body  to  its  tail  fin,  to  ask  whether  actively  controlled  traits  could  be  used  to  alter  swimming  performance.  I  find  that  although  it  is  possible  to  change  the  timing  of  the  tail  relative  to  the  body,  there  is  a  tradeoff  between  thrust  production  and  power  consumption  as  you  increase  the  phase  lag  of  the  tail.  When  I  examine  the  effect  of  varied  stiffness  around  this  optimal  tradeoff  point,  I  find  that  there  was  no  one  set  of  parameters  that  outperformed  other  configurations.  This  highlights  the  necessity  of  active  control  to  tailor  the  exact  motion  of  the  tail  to  the  behavior  at  hand.  Finally,  in  chapter  3  I  use  structural  equation  modeling  to  measure  the  effect  of  a  fibrosis  immune  response  on  the  escape  swimming  performance  of  threespine  stickleback  (Gasterosteus  aculeatus).  By  measuring  fibrosis  levels,  body  stiffness,  body  kinematics,  and  escape  performance  I  am  able  to  build  a  hierarchical  structural  model  in  which  each  of  these  metrics  is  accounted  for.  I  can  then  estimate  the  total  effect  of  fibrosis  on  escape  performance  by  taking  the  product  of  successive  correlations  in  the  path  model.  Through  this  method  I  find  that  in  addition  to  reducing  parasite load,  fibrosis  is  associated  with  increased  swimming  performance  during  the  linear  acceleration  phase  of  an  escape.  I  also  compare  this  result  to  those  obtained  with  classical  multivariate  statistics  to  demonstrate  that  these  results  could  not  be  obtained  without  the  use  of  structural  equation  modeling.  Together,  these  chapters  demonstrate  how  modern  methods  can  be  used  to  increase  the  resolution  of  performance  measurements,  allowing  us  to  better  characterize  functional  variation  as  it  relates  to  evolutionary  outcomes.
■590    ▼aSchool  code:  0084.
■650  4▼aBiology.
■650  4▼aAquatic  sciences.
■650  4▼aBiochemistry.
■653    ▼aGasterosteus  aculeatus
■653    ▼aFish  locomotion
■653    ▼aEvolution
■653    ▼aLocomotor  performance
■690    ▼a0306
■690    ▼a0487
■690    ▼a0792
■71020▼aHarvard  University▼bBiology,  Organismic  and  Evolutionary.
■7730  ▼tDissertations  Abstracts  International▼g85-05B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934869▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서