QInfoMating：基于信息理论的性选择与选型交配分析软件及其在腹足类动物研究中的应用

本研究针对性选择理论与选型交配研究中缺乏定量分析工具的现状，开发了集成信息理论(JPTI)、多模型推断(AIC/BIC)的软件QInfoMating。通过分析腹足类动物Echinolittorina malaccana的体型数据，验证了该工具在检测性选择(JS1/JS2)和选型交配(JPSI)模式中的优势，为进化生态学研究提供了创新方法学支持。

　　

在进化生物学领域，性选择理论和选型交配机制一直是研究的核心议题。从达尔文时代起，科学家们就试图解释为何某些性状会通过非随机交配在种群中扩散。然而，尽管性选择对种群遗传结构、物种形成甚至人类社会学都有深远影响，研究者们长期面临一个技术瓶颈——缺乏能够同时处理离散和连续性状的定量分析工具。传统方法如JMating等软件仅适用于分类数据，而现实中的交配选择往往涉及体型、颜色等连续性状的微妙偏好。

这一技术空白直接影响了研究的深度。例如在腹足类动物研究中，学者们观察到雄性Echinolittorina malaccana（一种印度洋-太平洋潮间带蜗牛）倾向于选择比自己稍大的雌性，但无法量化这种偏好的强度及其对种群进化的精确影响。更关键的是，现有工具难以区分性选择（如雄性竞争导致的交配成功率差异）与选型交配（基于相似性的配对偏好）这两种常交织出现的进化力量。

针对这些挑战，研究者开发了QInfoMating软件。该工具创新性地将信息理论中的Jeffreys分歧度（J_PTI）引入交配分析，通过分解J_PTI=J_S1+J_S2+J_PSI+E，分别量化雌雄性选择强度(J_S1/J_S2)和选型交配程度(J_PSI)。其核心突破在于：首次实现连续性状（如体型）的直接分析——通过正态分布假设下的封闭公式，将J_PSI转化为相关系数ρ的函数（J_PSI=ρ²/(1-ρ²)）。对于必须离散化的数据，软件采用自适应分类算法，根据样本量动态优化类别数K，确保统计效力。

研究方法上，团队采用C++11/Python混合编程开发跨平台工具，重点实现三大功能：1）基于χ²检验的性选择检测（nJ_S1/nJ_S2~χ²₂）；2）多模型推断框架，包含随机交配（M0）、饱和模型（M_sat）及介于两者间的竞争模型（Sfem-/Smale-）、选择偏好模型（C-/B-）和双重效应模型（D-）；3）参数估计采用AIC/BIC加权平均策略，避免单一模型偏差。验证数据来自Lau等关于E. malaccana的野外交配记录（n=228对），包含雌雄壳长连续测量值。

统计检验的创新性
研究首先对比了离散（4分类）与连续两种处理方式。结果显示：连续分析中J_PSI=0.49（p<10^-6）强烈拒绝随机交配假设，与离散分析的J_PSI=0.08（p=0.0009）结论一致，但连续方法灵敏度更高。性选择检测中，雌性选择强度J_S1=0.24显著（p<0.0001），印证了体型较大的雌性更受青睐；而雄性J_S2=0.07（p=0.0004）暗示尺寸相关的交配竞争力差异。

模型选择的生物学启示
当强制采用与早期研究相同的4分类时，QInfoMating复现了B-7P模型（权重99%）——该模型显示最小体型类交配成功率骤降。但自动3分类分析更倾向D-3P双重效应模型（AIC权重28%），揭示大体型雄性（c₃=22）对相近体型雌性的强烈偏好，同时伴随中等体型雄性（c₂=3）的竞争劣势。这种差异突显分类标准对结论的影响，也证明连续分析能减少人为分类偏差。

方法学优势验证
通过比较AIC与更严格的BIC标准，研究发现D-3P模型在BIC下权重升至85%，说明其参数效率优势。值得注意的是，所有优选模型均支持"雄性偏好稍大雌性"的核心结论，与Lau等的发现一致，但QInfoMating额外识别出竞争效应（如D-3P中c₁=1反映小体型雄性交配困难），这是传统方法忽略的维度。

这项研究的里程碑意义在于三方面：首先，QInfoMating首次统一了离散/连续性状的分析框架，其信息理论基础（J_PTI分解）为性选择量化树立新标准；其次，多模型推断避免了研究者主观预设模型的风险，通过AIC/BIC权重客观比较竞争假说；最后，软件在E. malaccana案例中揭示的"体型偏好-竞争"交互作用，为理解腹足类（乃至其他物种）交配系统的进化动力提供了新视角。

未来，这套工具可扩展应用于医学（如人类择偶行为遗传学）、保护生物学（濒危物种繁殖策略评估）等领域。研究团队在讨论部分特别强调，自动离散化算法虽提高易用性，但连续分析仍是首选——这也指引着下一步开发方向：纳入更多分布类型（如伽马分布用于右偏数据）以提升普适性。正如作者A. Carvajal-Rodriguez指出："当我们可以直接测量自然选择的‘信息增量’时，就没有理由继续依赖人为分类的近似估计。"这一理念或将重塑未来性选择研究的范式。