Scaling law的争论~

利用个体数估计了全球微生物的物种数为1011~1012。文章发表后也受到了一些其他生态和统计学家的质疑。小板凳已经搬好准备吃瓜~

外推丰度曲线对估计微生物多样性没有预测能力

https://www.pnas.org/content/113/35/E5096#ref-1

Amy Willis认为对这种对数正态丰度曲线的外推并不是可靠的统计。

丰度曲线外推失效的根本原因在于明确哪些关系是相关的而不是预测的；哪些关系是相关的和预测的。通常统计学家使用与环境系统相关的独立量(如pH、温度等)来预测相关量(如湖泊物种丰富度)。然而观察到的物种丰富度并不是与环境系统相关的量:它只是抽样的结果。

举个例子，考虑一个由竹子、熊猫、苍蝇和鱼组成的生态系统(S=4)。我们对该生态系统估计的多样性记为^S。如果取20个样本，N=20，^S=2；N=100，^S=3。虽然N和^S存在相关关系，但是N和S并没有相关关系，因为S不会随着实验和实验者而变化。因此，对数正态模型对真实生物多样性没有预测能力，只能描述实验的特征。

估计物种丰富度的唯一正确(统计上可接受的)方法是对频率计数进行建模，即通过singletons (f1), doubletons (f2),tripletons (f3)…对物种多样性(f0)进行估计。

从历史上看，丰度曲线的流行并不能作为继续使用丰度曲线的理由。AmyWillis鼓励作者从统计学的角度来考虑这个问题，并希望增进统计学家和生态学家之间的交流，这将促进对生物多样性的理解。

作者不甘示弱，马上进行了回复：

生态模型和尺度规律可以有效的估计多样性

https://www.pnas.org/content/113/35/E5097

上文Amy Willis认为估计物种丰富度的唯一正确(统计上可接受的)方法是对频率计数进行建模,但是，这种跨多个数量级的外推(f1,f2,f3…)是不准确的，且对于大系统，数据也很缺乏。如尽管在过去的十年里进行了大量的测序工作，但即使是最经常取样的微生物群落(如人类肠道)，我们也只得到了极小的部分。

另外，scaling law所用的最高丰度物种的丰富度(Nmax)和N都在预测的范围之内，因此该方法并不属于外推。

第三，Amy Willis质疑了scaling law的预测能力。作者在这里使用全球鸟类的数据进行了预测，结果和已知的全球鸟类物种数仅相差了8%，证明了其较好的预测能力。

一篇评论也提到了scaling laws的方法

巨大的未知的微生物圈

https://www.pnas.org/content/113/24/6585

作者首先介绍了我们对大型动植物和微生物认识的差距，并介绍了估计地球上昆虫的一种方法。地球上约有30 × 106种昆虫，而我们目前已知的只有1 × 106。随着目前日益增长的物种灭绝率，在下个世纪描述所有物种是可能的。

对于微生物来说，它们是全球数量最多、种类最多、在碳和营养循环方面最重要的物种。对于微生物的认识最大的困难在于许多细菌和古细菌在纯培养中不易分离。有人估计用目前的技术，在一个生态系统中，只有1%以上的物种可以通过培养得到。

其中一个捷径是对群落中的16S rRNA基因进行测序。这种方法提供了大量新的微生物多样性，而这些多样性一直是分类学家无法企及的。一些文章声称16S rRNA序列高估了物种的数量，但目前所有的证据都指向相反的方向：所有的结果都证明16S低估了物种多样性。

Scaling law的研究使用了丰度的对数正态分布。

丰度的对数正态分布的一个解释是它们来自随机的计数过程。然而这个过程不足以完全解释对数正态分布的出现。物种丰度分布曲线的形状和起源仍然是一个有争议的问题，目前有几十种模型共存。

END