本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：工作論文
- 編號：工作論文 #950
- 日期：2026-03-18
摘要
發育是形態演化變化的常見領域，演化的大部分顯然取決於它。然而，關於人類演化和發展變化的討論通常會關注個體特徵（大腦大小、體重、雙足行走等）。這種特殊主義方法對於理解個體表型模組在人類演化歷史過程中如何變化非常有用。但當從個體特徵的發育進化模式出發，對一般進化做出廣泛的陳述（例如，幼態發育與超態發育）時，它也導致了困境。分離異時性（McKinney 和 McNamara 1991）和異位性（Zelditch 和 Fink 1996）是大多數生物體模組化性質的自然結果，並且它們經常被記錄下來。表型的相對分離性（Lewontin 1978 的準獨立性）證明，無論何時尋求綜合陳述，都需要對發育變化進行更全面的處理。相反，高度的形態整合很可能需要跨性狀的統一的發育變化。多元視角允許辨別此類替代方案，並產生多維空間中發展和進化的平均描述。與特殊主義方法相比，有兩種方法是顯而易見的：將個體特徵之間的發育變化如何發生製成表格（文獻中經常出現的一種有用的攻擊路線，但隨著特徵數量的增加以及冗餘混淆了綜合推理的潛力，這種方法很快就變得棘手），以及用統計技術直接總結多元變異。本文將討論後者。 McKinney 和 McNamara (1991) 以及 Tissot (1988) 很好地概述了異時性背景下多元分析的優點，Shea (1985) 和 Klingenberg (1996) 討論了多元異速生長。雖然我將在本文中詳細闡述傳統的多元方法，但我的目的是最終超越現在已成為必要的方法（例如主成分分析），並探索在多元框架中評估人類發展變化的模式和過程的替代方法。演化人類學作為一門學科，無論是在生物學還是古生物學方面，都與演化生物學和古生物學有很多共同點，但由於多種原因（社會學和歷史學），它仍然是獨立的，並且在某種程度上與這些領域的方法論和概念發展相隔離。反之亦然，但從人類學的角度來看，這種孤立意味著這種發展的相當特殊的應用。這是因為它們只有在能夠有效地適應進化人類學通常面臨的經驗情況的情況下才有意義，並以直接的方式與經驗研究的傳統聯繫在一起。例如，基於地標的方法最終在人類學中獲得了廣泛的接受（例如，Lynch 等人，1996 年；Chaline 等人，1998 年）。儘管如此，多元生物學和古生物學的一些最新進展尚未明確應用於演化人類學。大多數關於發展中演化變化的討論都集中在個體發生軌蹟的基本概念上——它是如何從祖先到後代的改變的。如果人們能夠獲得一棵完全解析的系統發育樹，並且如果所有物種都有完整的個體發育序列，那麼人們就會根據特定軌蹟的修改方式來解釋一個又一個的轉變。這項傳統雖然有道理（將在下面應用），但隱藏了其他可觀察結果可能為理解發展與演化之間的關係提供資訊的可能性。例如，發展限制通常被視為給定的，並且不強調其潛在的突破，因為異時性通常被認為沿著既定的軌跡發生。對個體轉變的關注也阻礙了對廣泛的跨系統發育預測的全面評估，例如馮貝爾定律。我將在下面論證，明確針對識別整個分支的統計規律的整體方法可能會提供對於個體轉變的學生來說不會立即顯而易見的見解。 從人類演化研究的角度來看，這意味著結合無脊椎動物演化古生物學中最常見的原理和方法。特別是，形態空間和視差的概念（Raup 1966；Foote 1997）隱含在人類演化研究的許多數據和目標中——它們的明確認識可以增加不可解釋性的新維度。透過將形態空間和差異的概念應用到發展領域（參見 Eble 1998a，1999a），我打算提出這些概念如何在人類發展變化的研究中發揮重要作用，進而研究人類的整體演化。異時性是發展中演化變化的強大機制。然而，與單變量背景下一樣（Rice 1997），在多變量背景下，研究發育演化的其他方法是否可能或有用的問題值得更多關注。最終，發展中的所有變化都必須涉及速率或時間的變化（無論是均勻的還是非均勻的，沿著單一軌跡還是導致新穎性，是否具有空間成分）——問題是是否應該默認使用任何給定的形式主義，或者是否需要更多元化的態度。目前對異時性標準命名法的不滿大部分是針對單變量情況，這與所接受的類型學一致（Alberch 等人，1979）。例外包括 Zelditch 和 Fink (1996) 以及 Godfrey 和 Sutherland (1996)。雖然多元異時性將不可避免地出現在討論中，但本文主要關注的是，一方面，多元方法對發展變化的一般效用，另一方面，透過它們，以新穎的方式研究演化和發展的可能性。我將首先討論形態空間和視差的一般概念。然後我將簡要回顧一些用於變異的多元描述的技術。然後將介紹發育形態空間和發育差異的概念。最後，我將在與人類演化相關的實證說明中應用這些概念和一些技術：對 Heinz（1966）關於現存類人猿生長的資料集的重新分析。