摘要:一些蜥蜴和蛇已经开发出多种防御机制作为对抗捕食者的生存策略,这是进化过程之类的诸如健身成本和自然选择之类的结果。最近在南德里的Tilpath Valley Biovirevility Park的Lycodon Striatus中观察到了诸如静止不动的死亡或塔诺病的生存策略,突出了当他们面临严重威胁时的使用,揭示了他们在遭受严重的威胁时的使用,揭示了进化生存策略的复杂相互作用。这些发现为物种行为提供了宝贵的见解,并可以帮助保护工作。关键字:防御机制,模仿,塔诺病,狼蛇,捕食者避免某些进化三大,例如配备了防御机制的生存策略,并重复了猎物中的捕食者突然威胁,捕食者捕食者预先可能通过一种被称为健身成本的过程而逐渐进化为自然选择的一部分(humpherys&Rue x. ruexthonon,ushoxthon,shum use&u xy the the the the septions&u x. y x.蜥蜴和蛇在其血统中独立地获得了这种防御机制,以避免其人口中的捕食压力。某些生存策略(例如Batesian和Mullerian仿真)已在很大程度上演变为混淆捕食者。其他抗掠夺性逃生策略包括部分量表脱毛或皮肤自动切开术,蠕虫或一动不动,尾部自动切开术或尾巴的自我截肢以及Letisimulation或假装死亡Kown作为Thatatosis(Humpherys&Ruxton,2018年)。在不同生态系统中种群中种群中的捕食压力等物种之间的相互作用可能会进一步导致新型行为性状的演变,例如ANI捕食性逃生机制,包括抗逆转逃生机制,包括抗封闭或生理颜色变化,颜色模式的个体发生变化,导致颜色模式的变化,导致Juveniles和成人,手感选择或色彩成符号的颜色不同;所有这些机制可能促进了几种物种的栖息地伪装,而进化的端子或鲜艳的色彩只是为了消除其令人讨厌的性质。在某些蜥蜴中的所有这些状态分析中,在蛇的尾矿中的细胞病被证明是相对较好的,这在很大程度上演变为避免从捕食者的视觉检测或阻止或驱除非清除掠食者。Thanatosis have been reported from some western Europian non venomous snakes belonging to the genus Natrix , North American Heterodon species, South African monotypic spitting cobra Hamachatus haemachatus , widely distributed Malpolon and also among multiple Asian genera such as Eryx , Fowlea , Coelognathus , Naja , Pseudoxenodon macrops and in
摘要 性别决定是脊椎动物成功发育的关键要素,这表明性染色体系统可能在各个谱系中都具有进化稳定性。例如,哺乳动物和鸟类在漫长的进化时期内保持了保守的性染色体系统。相比之下,其他脊椎动物经历了频繁的性染色体转换,这更加令人惊奇,因为我们对它们各自的系统发育的大部分了解仍然很少。一种特殊的爬行动物群,壁虎蜥蜴(壁虎亚目),在性染色体转换方面表现出极高的不稳定性,并且可能拥有鳞目动物(蜥蜴和蛇)中的大多数转换。然而,大多数壁虎物种缺乏关于性染色体的详细基因组和细胞遗传学信息,这给我们对进化过程的理解留下了巨大的空白。为了解决这个问题,我们组装了壁虎(Sphaerodactylidae:Sphaerodactylus)的染色体水平基因组,并利用该组装数据在六个密切相关的物种中寻找性染色体,其中使用了各种基因组数据,包括全基因组重测序、RADseq 和 RNAseq。之前的研究已经在两种 Sphaerodactylus 壁虎中发现了 XY 系统。我们在那项工作的基础上扩展了该属中两到四个性染色体顺式转换(XY 到新的 XY)。有趣的是,我们确认了两种不同的连锁群为 XY 性染色体系统,而此前人们并不知道它们在四足动物中充当性染色体(与 Gallus 的 3 号染色体和 Gallus 的 18/30/33 号染色体同源),进一步突显了一个独特而令人着迷的趋势,即大多数连锁群都有可能充当有鳞动物的性染色体。
抽象的原始皮肤是皮革制革厂中使用的常见主要材料。作为一种有机材料,皮革有微生物损害微生物的风险。尽管制革厂过程使用多种化学物质和动作来防止其损坏,但皮革的较长储存时间可以为微生物提供重生的机会。该研究旨在通过微生物的活性引起的微观结构条件了解监测器蜥蜴皮革质量。通过细菌计数评估皮革的各种储存时间(1、2、3和4年)。根据结果,皮革中的细菌计数和氮含量显着增加(p <0.05),而皮革储存两年后的pH值和热稳定性显着下降。因此,储存时间越长,皮革质量就越低。
-Rakesh Mishra董事,CSIR -CCMB非法野生动植物贸易是全球威胁。在发展中国家,有标志性物种,例如老虎,亚洲大象,单角犀牛。定期将一些新的野生动植物物品包括在非法野生动植物贸易中。穿衣尺度,红色沙纸上,巨型盖克和监测蜥蜴正在偷猎以灭绝其身体部位。这些项目是无法识别的,并且从这种材料中涉及的物种的鉴定极具挑战性。此处概述的协议是十年来测试,标准化和成功应用基于DNA的技术在野生动植物法医学诊断中的结果。如果此SOP之后是感兴趣的各方,则可以及时解决一些野生动植物犯罪。
生态环境中的动物不仅会响应外部事件(例如机会和威胁),还会根据内部需求做出反应。因此,生物体的生存是通过调节行为实现的。尽管稳态和异态原则在此类行为中起着重要作用,但动物大脑如何实施这些原则尚未完全了解。在本文中,我们提出了一种新的调节行为模型,其灵感来自内侧网状结构 (mRF) 的功能。该结构遍布整个脑干,并显示出广泛的中枢神经系统 (CNS) 唤醒控制和基本动作选择特性。我们提出,基于 mRF 的模型允许在不同领域实施所需的灵活性,同时它还允许集成其他组件(例如位置细胞)以丰富代理的性能。这种模型将在移动机器人中实施,该机器人将导航复制沙潜蜥蜴的行为,这是调节行为的基准。
[4] Linda Evans、Fred Hardtke、Emily Corbin 和 Wouter Claes。2020 年。伪装的变色龙:在埃及 el-Hosh 遗址的新发现。《考古学和人类学》12,8 (2020),1–9。[5] 欧洲宠物食品工业联合会 (FEDIAF)。2020 年。事实与数据 2020。https://www.fediaf.org/images/FEDIAF_Facts_and_Figures_2020.pdf [6] Martin S Fischer、Cornelia Krause 和 Karin E Lilje。2010 年。变色龙运动能力的进化,或如何成为树栖爬行动物。《动物学》113,2 (2010),67–74。[7] Olivier Friard 和 Marco Gamba。 2016. BORIS:一款免费、多功能的开源事件记录软件,可用于视频/音频编码和实时观察。《生态学与进化方法》7,11(2016),1325–1330。[8] Klaus Greff、Rupesh K Srivastava、Jan Koutník、Bas R Steunebrink 和 Jürgen Schmidhuber。2016. LSTM:搜索空间漫游。《IEEE 神经网络与学习系统汇刊》28,10(2016),2222–2232。[9] Anthony Herrel、Krystal A Tolley、G John Measey、Jessica M da Silva、Daniel F Potgieter、Elodie Boller、Renaud Boistel 和 Bieke Vanhooydonck。2013. 缓慢但坚韧:变色龙奔跑和抓握能力分析。 《实验生物学杂志》216,6(2013),1025–1030。[10] Timothy E Higham 和 Bruce C Jayne。2004。蜥蜴在斜坡和栖木上的运动:树栖专化者和陆栖通才者的后肢运动学。《实验生物学杂志》207,2(2004),233–248。[11] Mayank Kabra、Alice A Robie、Marta Rivera-Alba、Steven Branson 和 Kristin Branson。2013。JAABA:用于自动注释动物行为的交互式机器学习。《自然方法》10,1(2013),64–67。 [12] Mary P Klinck、Margaret E Gruen、Jérôme RE del Castillo、Martin Guillot、Andrea E Thomson、Mark Heit、B Duncan X Lascelles 和 Eric Troncy。2018 年。通过随机临床试验,开发了供看护人/主人 MI-CAT (C) 使用的蒙特利尔猫关节炎测试工具,并对其初步效度和信度进行了评估。《应用动物行为科学》200 期 (2018),第 96-105 页。[13] JB Losos、BM Walton 和 AF Bennett。1993 年。《肯尼亚变色龙的冲刺能力与粘着能力之间的权衡》。《功能生态学》(1993),第 281-286 页。[14] Tom Menaker、Anna Zamansky、Dirk van der Linden、Dmitry Kaplun、Aleksandr Sinitica、Sabrina Karl 和 Ludwig Huber。 2020 年。面向数据驱动的动物行为模式自动分析方法。第七届动物-计算机交互国际会议论文集。1-6。[15] Nikola Mijailovic、Marijana Gavrilovic、Stefan Rafajlovic、M Ðuric-Jovicic 和 D Popovic。2009 年。从加速度和地面反作用力识别步态阶段:神经网络的应用。Telfor 杂志 1, 1(2009 年),34-36。[16] Hung Nguyen、Sarah J Maclagan、Tu Dinh Nguyen、Thin Nguyen、Paul Flemons、Kylie Andrews、Euan G Ritchie 和 Dinh Phung。2017 年。使用深度卷积神经网络进行动物识别和鉴别,用于自动野生动物监测。2017 年 IEEE 数据科学与高级分析国际会议 (DSAA)。IEEE,40–49。[17] Matthias Ott。2001 年。变色龙有独立的眼球运动,但在扫视猎物追踪过程中双眼会同步。实验脑研究 139,2(2001 年),173–179。[18] Veronica Panadeiro、Alvaro Rodriguez、Jason Henry、Donald Wlodkowic 和 Magnus Andersson。2021 年。28 款免费动物追踪软件应用程序回顾:当前功能和局限性。实验室动物(2021 年),1–9。[19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020. 揭示未知:使用深度学习实时识别加拉帕戈斯蛇类。动物 10, 5 (2020), 806。[20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan Shuman 和 Denise J Cai。2019. ezTrack:用于研究动物行为的开源视频分析流程。科学报告 9, 1 (2019), 1–11。[21] Talmo D Pereira、Diego E Aldarondo、Lindsay Willmore、Mikhail Kislin、Samuel SH Wang、Mala Murthy 和 Joshua W Shaevitz。2019. 使用深度神经网络快速估计动物姿势。自然方法 16, 1 (2019), 117–125。[22] Jane A Peterson。 1984. 蜥蜴(爬行动物:蜥蜴)的运动方式,特别是前肢。《动物学杂志》202,1(1984),1-42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用智能与信息学会议上。Springer,216-231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016. 您只需看一次:统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779-788。 [25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019),116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。一种新型活动监测器在评估猫的身体活动和睡眠质量方面的实用性。Plos one 15, 7 (2020),e0236795。实验动物(2021),1-9。 [19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020。揭示未知:利用深度学习实时识别加拉帕戈斯蛇种。动物 10, 5 (2020), 806。 [20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan S human 和 Denise J Cai。 2019. ezTrack:用于研究动物行为的开源视频分析管道。科学报告 9、1 (2019)、1-11。 [21] 塔尔莫·D·佩雷拉、迭戈·E·阿尔达隆多、林赛·威尔莫尔、米哈伊尔·吉斯林、塞缪尔·SH·王、马拉·穆尔蒂和约书亚·W·沙维茨。 2019. 使用深度神经网络快速估计动物姿势。《自然方法》16,1(2019),117–125。[22] Jane A Peterson。1984. 蜥蜴(爬行动物:蜥蜴)的运动方式,特别是前肢。《动物学杂志》202,1(1984),1–42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用情报与信息学会议上。Springer,216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。 2016. 只需看一次:统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957. 世界上的现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019. 行为在动物伪装中的关键作用。生物学评论 94, 1 (2019),116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020. 新型活动监测器在评估猫身体活动和睡眠质量中的实用性。 Plos one 15, 7 (2020), e0236795。实验动物(2021),1-9。 [19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020。揭示未知:利用深度学习实时识别加拉帕戈斯蛇种。动物 10, 5 (2020), 806。 [20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan S human 和 Denise J Cai。 2019. ezTrack:用于研究动物行为的开源视频分析管道。科学报告 9、1 (2019)、1-11。 [21] 塔尔莫·D·佩雷拉、迭戈·E·阿尔达隆多、林赛·威尔莫尔、米哈伊尔·吉斯林、塞缪尔·SH·王、马拉·穆尔蒂和约书亚·W·沙维茨。 2019. 使用深度神经网络快速估计动物姿势。《自然方法》16,1(2019),117–125。[22] Jane A Peterson。1984. 蜥蜴(爬行动物:蜥蜴)的运动方式,特别是前肢。《动物学杂志》202,1(1984),1–42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用情报与信息学会议上。Springer,216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。 2016. 只需看一次:统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957. 世界上的现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019. 行为在动物伪装中的关键作用。生物学评论 94, 1 (2019),116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020. 新型活动监测器在评估猫身体活动和睡眠质量中的实用性。 Plos one 15, 7 (2020), e0236795。在国际应用情报与信息学会议上。Springer,216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016 年。你只需看一次:统一的实时物体检测。在 IEEE 计算机视觉和模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界上现存的爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019),116–134。 [27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。新型活动监测器在评估猫体力活动和睡眠质量方面的实用性。Plos one 15, 7 (2020),e0236795。在国际应用情报与信息学会议上。Springer,216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016 年。你只需看一次:统一的实时物体检测。在 IEEE 计算机视觉和模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界上现存的爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019),116–134。 [27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。新型活动监测器在评估猫体力活动和睡眠质量方面的实用性。Plos one 15, 7 (2020),e0236795。
我们介绍了Biotrove,这是旨在推进生物多样性应用程序的最大公共访问数据集。Biotrove从Intaturist平台策划,并审查仅包括研究级数据,包含16190万张图像,提供了三个主要王国的前所未有的规模和多样性:Animalia(“动物”),真菌(“ Fungi”),“ Fungi”)和parterae(“植物”),跨越了大约366.6k种。每个图像都用科学名称,分类层次结构和通用名称注释,可提供丰富的元数据,以支持各种物种和生态系统跨越准确的AI模型开发。我们通过释放一套使用4000万个字幕图像的子集(称为Biotrove-Train)训练的剪辑模型来证明Biotrove的价值。This subset focuses on seven categories within the dataset that are underrepresented in standard image recognition models, selected for their critical role in biodiversity and agriculture: Aves ("birds"), Arachnida ("spiders/ticks/mites"), Insecta ("insects"), Plantae ("plants"), Fungi ("fungi"), Mollusca ("snails"), and Reptilia (“蛇/蜥蜴”)。为了支持严格的评估,我们介绍了几个新的基准测试和报告模型的准确性,以跨生活阶段,稀有物种,混杂物种和多种分类学水平进行零拍学习。我们预计生物群将刺激AI模型的开发,这些模型支持用于害虫控制,作物监测,生物多样性评估和环境保护的数字工具。这些进步是确保粮食安全,保存生态系统并减轻气候变化影响的范围。Biotrove公开可用,易于访问,并准备立即使用。
鬃狮蜥腺病毒 1 (BDAdV-1),也称为鬣蜥腺病毒 1,已被全世界描述为内陆鬃狮蜥 (Pogona vitticeps) 的一种流行传染性病原体,鬃狮蜥是一种最常见的有鳞外来宠物爬行动物。之前有限的腺病毒 DNA 聚合酶和六邻体基因序列数据表明,BDAdV-1 是腺病毒科 Atadenovirus 属的成员。Atadenovirus 会感染反刍动物、有袋动物、陆龟类爬行动物和鸟类,但已证明该属源自有鳞爬行动物。在这里,我们报告了一项筛查调查以及 BDAdV-1 的完整基因组序列,该序列直接来自一条死去的幼年鬃狮蜥样本,该幼年蜥蜴在去世前表现出中枢神经系统症状。BDAdV-1 基因组为 35,276 bp,包含 32 个推定基因。它的基因组组织是 Atadenovirus 属成员的特征,然而,发散的 LH3 基因表明与其他属成员(如蛇腺病毒 1)相比,其结构相互作用具有不同的性质。我们鉴定了五种新型开放阅读框 (ORF),其中三种编码 C 型凝集素样结构域 (CTLD) 超家族的蛋白质。ORF3 具有 CTLD II 组样结构域结构,显示出与自然杀伤细胞表面受体和用于神经趋向性的 α 疱疹病毒毒力因子基因 UL45 的结构相似性。与典型的腺病毒右端基因相比,ORF4 和 6 非常长,可能编码具有新型、以前未描述过的结构域结构的 CTLD 超家族成员。BDAdV-1 是迄今为止 Atadenovirus 属中最具发散性的成员,为腺病毒的多样性、进化和发病机制提供了新的见解。