黃 勝，潘秋芝，安 苗，余 科，李 珊，陳敦學，馬秀慧

( 1.貴州大學 動物科學學院，貴州 貴陽 550025； 2.貴州農(nóng)業(yè)職業(yè)學院，貴州 貴陽 551400 )

形態(tài)度量分析是魚類種群生態(tài)學研究方法之一，傳統(tǒng)形態(tài)性狀測量法主要集中在魚體的頭、尾部和軸向，未能全面地利用魚體軀干部提供的有用信息[1-2]，對種間及種以上水平的鑒定有效但對種群間的鑒定往往效果較差[3]。使用多變量形態(tài)測量a指標，利用框架結構將魚體劃分為功能單元區(qū)來測量魚的外部形態(tài)，這樣可以更準確地反映魚的形態(tài)差異[4]?；趥鹘y(tǒng)形態(tài)學和框架結構數(shù)據(jù)的多元分析法已在卡拉白魚(Chalcalburnuschalcoides)[5]和日本鯖(Scomberjaponicus)[6]等不同魚類形態(tài)變異識別中被廣泛運用。

1 材料與方法

1.1 試驗材料

斑鱖樣本于2016—2018年采自沅江、柳江和烏江3水系在貴州省境內(nèi)的10個站點(圖1)，共計收集372尾樣本。沅江水系7個站點共253尾，體長6.51～ 29.51 cm，體質量9.43～484.63 g；柳江水系2個站點共86尾，體長7.80～26.10 cm，體質量9.43～370.35 g；烏江水系思南點33 尾，體長7.90～28.50 cm，體質量10.98～472.63 g(表1)。

圖1 斑鱖種群的采樣點

表1 3個斑鱖種群基本信息

1.2 數(shù)據(jù)測量

共測量了372尾魚的17 110個數(shù)據(jù)。數(shù)據(jù)分為兩類。一類是傳統(tǒng)形態(tài)學數(shù)據(jù)包括可數(shù)性狀和可量性狀兩類[2,4,18]?？蓴?shù)性狀包括：背鰭棘、背鰭條、胸鰭、腹鰭棘、腹鰭條、臀鰭棘、臀鰭條、尾鰭、脊椎骨、幽門垂、側線鱗、第一鰓弓外鰓耙12項；傳統(tǒng)可量性狀測量了全長、體長、體高、體寬、頭長、吻長、眼徑、眼間距、尾柄長和尾柄高10項(圖2)；可數(shù)性狀和可量性狀共22項。另一類為框架數(shù)據(jù)，選取11個同源坐標點建立框架圖[4,17,19](圖3)測量24項框架參數(shù)。46項原始形態(tài)測量值精確至0.01 cm。

1.3 數(shù)據(jù)處理和分析

1.3.1 可量數(shù)據(jù)標準化和參數(shù)選擇

為消除魚體規(guī)格大小對試驗結果的影響，34個傳統(tǒng)可量性狀和框架數(shù)據(jù)除以體長并采用公式標準化：

Madj=log10[(M/L)+1][20]

式中，M為原始測量數(shù)據(jù)，Madj為標準化后的數(shù)據(jù)，L為體長(cm)。

基于標準化的數(shù)據(jù)，先進行方差齊性檢驗，再采用單因素方差分析方法和Pearson相關性分析方法[20]，篩選種群間具有顯著差異的參數(shù)用于下一步分析。數(shù)據(jù)處理和分析采用Excel 2019和SPSS 15.0軟件完成。

圖2 斑鱖形態(tài)測量指標

圖3 斑鱖框架結構示意

1.3.2 差異性檢驗

參照文獻[21]對亞種進行識別和劃分規(guī)則，對3個種群12項比例性狀的差異系數(shù)進行差異性分析，計算公式如下：

CD=|M1-M2|(SD1+SD2)

式中，CD表示差異性系數(shù)，M1、M2分別代表2個種群某種比例性狀的平均值，SD1和SD2為對應的標準差。

1.3.3 可數(shù)性狀處理

將12項可數(shù)性狀經(jīng)單因素方差分析[22]和差異性檢驗，數(shù)據(jù)處理和分析采用Excel 2019和SPSS 20.0軟件完成。

1.3.4 主成分分析

使用KMO和Bartlett檢驗性狀參數(shù)是否適合因子分析[20]，通過建立相關系數(shù)矩陣，以主成分法提取公因子，選擇特征值大于1的因子為主要因子，并采用方差最大正交旋轉法對因子負荷矩陣進行旋轉，從而獲得各主成分的特征值和貢獻率?；诟饕蜃拥梅郑L制主成分散點圖[17-18,20]。

1.3.5 逐步判別函數(shù)分析

采用逐步判別法建立分類判別函數(shù)，據(jù)此對各種群進行預測分類，建立典型判別函數(shù)得分圖，選出對判別貢獻較大的參數(shù)建立各種群的判別公式，計算判別準確率和綜合判別率。

1.3.6 聚類分析

分別求出34項形態(tài)比例參數(shù)的平均校正值，然后用平均校正值進行聚類分析，所采用聚類方法為歐氏距離的最短系統(tǒng)聚類法，繪出聚類關系圖。

2 結 果

2.1 參數(shù)選擇

33項標準化性狀逐步進行齊性檢驗(P>0.05)、單因素方差分析(P<0.05)和Pearson相關性分析，最終篩選出12項(體寬/體長、眼間距/體長、尾柄長/體長、2-3/體長、4-3/體長、6-8/體長、8-7/體長、8-10/體長、10-5/體長、11-9/體長、7-5/體長和5-3/體長)用于差異性分析、主成分分析、逐步判別函數(shù)。

2.2 性狀差異性分析

對3個斑鱖種群的12項顯著性狀參數(shù)進行差異性分析，其結果見表2。烏江種群與沅江種群和柳江種群在尾柄長性狀上的差異系數(shù)分別為1.579、1.405，達到了亞種分類的差異；而沅江種群與柳江種群之間達不到亞種差異分類這個閥值(1.28)[21]。

2.3 可數(shù)性狀

經(jīng)單因素方差分析，3個斑鱖種群在可數(shù)性狀上，除了腹鰭棘、臀鰭棘和脊椎骨數(shù)3項性狀上無顯差異之外，其余9項可數(shù)性狀種群間存在顯著差異。在差異性系數(shù)上均小于1.28，達不到亞種差異閥值(表3)。

2.4 主成分分析

經(jīng)KMO統(tǒng)計量(KMO=0.846)和Baetlett球型檢驗結果(P<0.01)，如果相關系數(shù)矩陣不是單位陣，適宜進行因子分析降維。

表2 3個斑鱖種群間12項顯著性狀的差異系數(shù)

注：*表示差異系數(shù)大于亞種分類閾值1.28.

Note:* denotes that the difference coefficient is greater than the subspecies classification threshold of 1.28.

表3 3個斑鱖種群可數(shù)性狀

注：同行中上標不同字母的平均值表示差異顯著(P<0.05).

Note: the means with different letters in the same line are significant difference (P<0.05).

主成分前6項累積貢獻率達72.668%，其中基礎特征值>1的前4項累積貢獻率為58.894%，即前4項包含了12個相互獨立變量58.894%的變異信息(表4)。3個斑鱖種群在主成分1中起關鍵作用的性狀是尾柄長/體長、11-9/體長、4-3/體長和10-5/體長，主要體現(xiàn)其尾柄長、尾鰭背部起點至尾鰭腹部起點、頭部末端至胸鰭和背鰭末端至臀鰭起點的差異(表5)；主成分2中起關鍵作用的性狀是眼間距/體長，反映了眼間距之間的大小；主成分3中起關鍵作用的性狀是體寬/體長，反映了魚體寬度間的差異。

由主成分散點圖(圖4)可見，沅江與柳江斑鱖種群在主成分1軸-1的右側，而烏江斑鱖種群主要分布在主成分1軸-1的左側；沅江斑鱖種群與柳江斑鱖種群部分交叉重疊，沅江和柳江種群與烏江種群基本上不重疊，可以明顯的從中分離出來。

表4 3個種群主成分分析的特征值和積累貢獻率(主成分1～6)

表5 12個性狀在主成分分析中的因子負荷值

注：*表示負荷值>0.600. Note:*indicates load value>0.600.

2.5 判別分析

對12項參數(shù)性狀，進行逐步判別分析后，發(fā)現(xiàn)判別分析處理中綜合判別率較低。為提高綜合判別率，除了篩選出的12項參數(shù)性狀之外，增加了頭長/體長、體高/體長和尾柄高/體長。這3項性狀也剛好處于魚體的頭部、軀干部和尾部。在傳統(tǒng)的測量方法[1-2]和結合框架測量中[17]都具有一定的代表性。篩選出10項判別貢獻大的性狀(體寬體長、眼間距/體長、尾柄長/體長、尾柄高/體長、體高/體長、4-3/體長、6-8/體長、7-5/體長、8-7/體長、11-9/體長)(表6)。

采用這10項性狀參數(shù)的判別函數(shù)系數(shù)(表6)建立了3個地理種群的判別函數(shù)方程。

沅江種群：

y=742.615x1-290.747x2+94.787x3+521.545x4-249.267x5+119.505x6+346.960x7+572.493x8-517.198x9-129.144x10-539.736

柳江種群：

y=713.422x1-292.650x2+109.060x3+497.023x4-264.802x5+95.767x6+372.274x7+561.096x8-490.175x9-126.732x10-512.370

烏江種群：

y=819.789x1-255.325x2-30.216x3+510.9405x4-231.842x5+133.048x6+328.255x7+601.286x8-541.747x9-107.034x10-561.040

圖4 3個斑鱖種群前兩個主成分散點圖

表6 3個斑鱖種群的Fisher線性判別函數(shù)系數(shù)

注： Fisher 的線性判別式函數(shù). Note: Fisher′s linear discriminant function.

3個斑鱖種群判別函數(shù)系數(shù)見表6，根據(jù)建立的判別公式，可以更簡便地判斷野生斑鱖的種群歸屬。判別歸類結果見表7。由表7可知，非交互驗證時，沅江、柳江、烏江種群分別有19尾、40尾、4尾判別錯誤，判別準確率分別為92.5%、53.5%、81.8%，綜合判別準確率為82.5%。交互驗證時，沅江、柳江、烏江交互驗證準確率分別為91.3%、52.3%、81.8%，交互判別準確率為81.5%。交互驗證結果與直接使用判別公式進行判別的結果的判別準確率接近，說明判別公式是可信的。烏江種群相對獨立，且沅江斑鱖種群與柳江斑鱖種群間形態(tài)較相似(圖5)。

表7 3個斑鱖種群的判別分析結果

2.6 聚類分析

采用歐式距離的最短系統(tǒng)聚類法。對34項形態(tài)比例參數(shù)的平均校正值作聚類分析，結果見圖6，3個野生斑鱖種群主要分為兩支，沅江與柳江先聚為一個支，然后再與烏江種群聚在一起。

3 討 論

3.1 多元統(tǒng)計分析在魚類研究中的應用

具有相同形態(tài)特征的類群稱之為一個種群，魚類種群間的變異可為其種群結構的劃分和種群鑒定提供一定基礎數(shù)據(jù)和理論基礎[19]。形狀特征和性狀差異是種群識別、分類和系統(tǒng)發(fā)育最有用的基礎，并在形態(tài)學研究中發(fā)揮重要作用[23]。傳統(tǒng)形態(tài)性狀測量法主要集中在魚體的頭、尾部和軸向[1-2]，未能全面地利用魚體軀干部提供的有用信息，容易忽略一些重要的指標，難以全面反映魚體形態(tài)差異的特征。隨著對魚類外形差異研究深入，形態(tài)特征研究也不再局限于視覺觀察和宏觀描述，演變?yōu)槎嘧兞拷y(tǒng)計分析，可以更準確地確定魚群的形態(tài)特征[24]。李思發(fā)等[4]對尼羅羅非魚(Oreochromisniloticus)5個品系間形態(tài)差異進行分析表明，框架分析法和傳統(tǒng)分析法相結合能顯著提高種群的判別分析能力。主成分分析、聚類分析、判別分析、差異性系數(shù)分析相結合的多元統(tǒng)計分析對魚類差異性研究分析得到了廣泛的應用，Mohaddasi等[18]對4個種群的卡拉白魚(Alburnuschalcoides)形態(tài)差異分析時，先對參數(shù)進行KMO統(tǒng)計量和Baetlett球型檢驗，再做主成分分析提高了分析問題的深度和精度[17-19,23]。本研究結果表明，傳統(tǒng)可數(shù)性狀，可量化性狀和現(xiàn)代框架性狀的結合，利用多元統(tǒng)計分析方法獲得3個斑鱖種群的形態(tài)差異，可以獲得準確的結果，故多元統(tǒng)計分析在魚類外形差異和變異等評價中具有很高的價值[23]。經(jīng)方差分析，沅江、柳江和烏江3個斑鱖種群之間，背鰭棘、背鰭條、胸鰭條、腹鰭條、臀鰭條、尾鰭條、幽門垂、側線鱗和第一鰓弓外鰓耙9項可數(shù)性狀(P<0.01)存在顯著差異性。統(tǒng)計學中，單因素方差分析具有簡單易懂，易于理解的優(yōu)點，缺點是在劃分和識別魚類種群時，無法給出精確的判別[25]。為彌補方差分析中的缺陷，有學者在分析中引入主成分分析、聚類分析和逐步判別分析[4]。主成分分析可以消除無關性狀的相關影響，減少性狀選擇的工作量。

圖5 判別函數(shù)散點圖

圖6 3個種群聚類分析

3.2 3個斑鱖野生種群的形態(tài)鑒別

主成分分析結果顯示，沅江斑鱖種群與柳江斑鱖種群的形態(tài)較為接近，而與烏江斑鱖種群的形態(tài)差異較為明顯(圖4)。主成分1中主要反映魚體尾柄部、尾鰭背部起點至尾鰭腹部起點、頭部末端至胸鰭、背鰭末端至臀鰭起點差異；主成分2中反映了魚體眼間距的大??；主成分3中反映了魚體之間體寬的差異。就這3個主成分而言，頭部和尾柄以及體寬的部分性狀特征的差異，是導致這3個斑鱖種群差異的關鍵性因素，這與對大眼鱖(Sinipercakneri)形態(tài)差異的研究結果[17,19]一致。判別分析結果可知，3個斑鱖種群的綜合判別準確率為82.5%能夠精確地判別斑鱖的類群歸屬；判別公式中貢獻較大的變量多分布于魚的尾柄部，3個種群的主要形態(tài)差異體現(xiàn)在尾柄部。聚類分析是通過將物理或抽象對象的集合分組，量化差異，直接反映不同種群間的親緣關系[26]，由形態(tài)學聚類分析結果可見，沅江斑鱖種群和柳江斑鱖種群先聚為一支，再與烏江斑鱖種群聚為一支；3種多元統(tǒng)計分析結果類似，卻從不同的角度反映種群之間形態(tài)差異，起到相互印證，相互補充的效果[4]。

魚類形態(tài)變異是其對特定棲息環(huán)境條件最直觀的適應性變化，魚類形態(tài)特征除了受自身遺傳因子影響外，還與所處環(huán)境有關[26-28]。研究表明，導致魚類形態(tài)學差異的因素是多方面的。除遺傳因子外，魚類所處的外部環(huán)境所帶來的影響也不容忽視[17,19]。不同地理種群之間的形態(tài)變異通常是由于當?shù)厣巢町愃鸬墨@得性結果。水溫、水深、水流速度、透明度、食物組成均會是導致魚類形態(tài)學差異的關鍵因子。早在20世紀90年代，有學者研究發(fā)現(xiàn)，地理位置較近的種群之間，遺傳相似度較高，地理隔離對物種遺傳分化和形態(tài)差異有很高的影響[19,29]。本研究中，沅江種群和柳江種群之間差異性系數(shù)值較小，差異系數(shù)值均小于1.28，可能與這2個種群所在水域地理位置較近，生境類似有關。烏江種群與沅江種群和柳江種群在尾柄長/體長上差異性系數(shù)值均大于1.28，達到亞種分化的水平。烏江種群采集于思南河段，此河段水流湍急，河谷縱深，與其他2個斑鱖種群水域地理位置相差較遠，種群差異較大。且受禁漁期影響，3個種群在采樣時間不同(表1)，烏江種群采集于冬季，而沅江和柳江種群采集于夏季，不能完全覆蓋魚類形態(tài)的完整性，會存在一定的局限性[6]。在體質量、體長上也有不同(表1)，烏江種群在體質量和體長的均值上，均大于沅江種群和柳江種群，雖經(jīng)過標準化處理，消除了部分因素影響，但隨著魚類年齡的增長，魚體上的指標不一定會按比例增長，所以體質量和體長均值大，可能也是造成烏江斑鱖種群與其他2個種群差異性的原因之一[4,6]。根據(jù)Mayr等[21]提出的75%亞種識別和鑒定的標準，一個物種在不同流域分布的種群之間存在形態(tài)特征差異，即Ⅰ種群75%的個體和Ⅱ種群97%的個體能夠分開，那么這2個種群之間的形態(tài)特征差異系數(shù)值應為1.28，則2個種群應分屬于不同的亞種，即1.28是亞種分化的閾值。本研究中，烏江斑鱖種群與沅江斑鱖種群和柳江種群雖在尾柄長/體長性狀上差異系數(shù)值大于1.28，但在魚類分類中，僅僅以形態(tài)特征的值1.28作為亞種劃分依據(jù)，研究者須持謹慎態(tài)度[22]。造成種群之間形態(tài)差異的原因是多種多樣的，具體的原因還有待今后進一步借助遺傳學[26]和分子標記手段[9-11,30]來進行確認。