Variation

A-Level 生物学 (9700) 学习笔记：变异 (Variation)

你好，未来的生物学家们！欢迎来到“变异”这一章节。这是一个至关重要的主题，因为变异是驱动进化和自然选择的根本动力。学完本章后，你将理解为什么没有两个生物体（即使是亲兄弟姐妹！）是完全相同的，以及我们如何对这些差异进行分类和测量。如果后面涉及到统计学，也别担心——我们会把复杂的数学拆解成简单、易懂的步骤！

17.1 理解表型变异 (Phenotypic Variation)

表型 (Phenotype) 一词简单来说，就是指生物体可观察到的特征（它的外观、行为方式或身体机能）。变异是指一个群体中个体之间表型上的差异。

1.1 变异的两个主要原因

群体中的表型变异是由以下三种可能性引起的：

1. 遗传因素 (Genetic Factors)
这些是从父母那里继承的变异，由个体拥有的不同等位基因决定。它们是永久性的，不会被环境改变。

• 例子：人类血型（A, B, O）、眼睛颜色、遗传病。

2. 环境因素 (Environmental Factors)
这些是由外部条件引起的变异。环境与生物体的遗传潜能相互作用，共同决定了最终的表型。

• 例子：伤疤（事故造成）、所说的语言、影响植物高度的日照量（即使基因上决定其长得高）。

3. 遗传与环境的共同作用 (G x E)
大多数特征同时受两者影响。基因设定了潜能的范围，而环境决定了表型最终落在这个范围的哪个位置。

• 比喻：想象一根橡皮筋。你的基因决定了橡皮筋的弹性（最大潜能）。而环境（如饮食和锻炼）决定了你实际把它拉伸到了什么程度。
• 例子：身高（基因提供潜力，营养影响发育）、体重、智力。

小贴士：变异是自然选择发挥作用的基础。如果没有差异，就没有什么可供自然选择进行“筛选”了！

17.1.2 & 17.1.3 变异类型的分类

根据特征值在群体中呈现的方式，我们将变异分为两大类。

2.1 不连续变异 (Discontinuous Variation)

不连续变异表现为清晰、独立的类别。中间不存在过渡数值。

• 关键特征：
  • 定性：你可以数出类别的数量。
  • 组群明显：个体要么属于这一类，要么属于那一类（例如，你要么是A型血，要么是B型血）。
  • 不受环境影响：主要完全由遗传因素控制。
  • 图表形状：通常使用柱状图 (bar chart) 表示。
• 遗传基础：由单基因（或极少数基因）的等位基因决定。
• 例子：人类血型（ABO系统）、卷舌能力、豌豆花色。

2.2 连续变异 (Continuous Variation)

连续变异表现为两个极端之间的一系列数值。测量值是逐渐过渡的。

• 关键特征：
  • 定量：你可以在刻度上测量数值。
  • 存在中间值：最小值和最大值之间有平滑的过渡（例如，人的身高可以是170.1厘米或170.2厘米）。
  • 受环境影响大：通常受环境因素影响显著 (G x E)。
  • 图表形状：绘制出来时，通常呈现正态分布 (normal distribution) 曲线（钟形曲线或直方图）。
• 遗传基础：由多基因相互作用决定，称为多基因遗传 (polygenic inheritance)。每个基因对表型都有微小的累加效应。
• 例子：身高、质量/体重、叶片长度、肤色、奔跑速度。

记忆窍门：Continuous（连续）= Curve（钟形曲线）和 Countless Genes（无数基因/多基因）。

17.1.4 变异的统计分析：t-检验 (t-test)

在生物学中，当我们收集连续变异的数据（例如测量两个植物种群的高度）时，我们通常想知道两个平均值（均值）之间的差异是有意义的，还是仅仅由偶然因素造成的。

这就是t-检验发挥作用的地方。t-检验用于比较两个不同样本的均值，以查看它们之间是否存在统计学上的显著差异。

t-检验的目的与应用

想象一下，你测试了两种不同的肥料（A和B），并测量了植物的最终高度。肥料A组的植物平均比肥料B组高2厘米。这种微小的差异真的重要吗？还是仅仅因为样本中的随机偶然性导致的？

t-检验通过测试一个名为零假设 (Null Hypothesis, H₀) 的陈述来回答这个问题。

H₀（零假设）：两个样本的均值之间没有显著差异（即任何观察到的差异纯粹是由于偶然造成的）。

H₁（备择假设）：两个样本的均值之间存在显著差异。

操作步骤（概念性）

不用担心背诵复杂的公式——考试时会提供。重点掌握以下步骤：

第1步：计算t值（使用提供的公式）
该计算考虑了两个样本的均值、标准差（数据的离散程度）以及样本量。计算得出的值即为计算出的t值 ($t_{\text{calculated}}$)。

第2步：确定自由度 ($v$)
这基于两个样本中个体的总数减去2。
\[ v = n_1 + n_2 - 2 \]

第3步：查找临界值 (Critical Value)
使用计算出的自由度 ($v$) 和选择的概率水平（通常为5%或 $p=0.05$），从统计表中查出临界值 ($t_{\text{critical}}$)（考试通常会提供此表）。

第4步：得出结论
将计算出的 $t$ 值与临界 $t$ 值进行比较：

• 如果 \( |t_{\text{calculated}}| \) > \( t_{\text{critical}} \)：差异是显著的。你必须拒绝零假设 (H₀)。这意味着观察到的差异很可能是由你测试的因素引起的（例如，肥料确实产生了影响）。
• 如果 \( |t_{\text{calculated}}| \) \(\le\) \( t_{\text{critical}} \)：差异是不显著的。你接受零假设 (H₀)。差异很可能是由偶然因素导致的。

注意：这里使用绝对值，因为根据你先减去哪个均值，差异可能是正值或负值。

你知道吗？ 5%的概率水平 ($p=0.05$) 意味着如果你拒绝了零假设，仍有5%（1/20）的可能性是你错了，差异实际上是由偶然因素导致的。生物学家通常接受这种不确定性作为显著性的标准。

关键结论：t-检验是我们证明两组连续数据之间观察到的差异是真实的（统计学显著的），而不仅仅是随机偶然事件的工具。