蜘蛛求偶振动信号的个体差异：揭示雄性Pisaura mirabilis质量评估的新线索

本研究聚焦蜘蛛Pisaura mirabilis的振动求偶行为，通过量化雄性个体在信号持续时间（calling duration）、脉冲速率（pulse rate）和脉冲间隔（pulse interval）的变异模式，揭示了振动信号作为性选择指标的潜在功能。研究人员采用多变量混合模型和双层次模型分析149只野生雄蛛的重复实验数据，发现信号持续时间和脉冲速率具有高度个体重复性（R=0.45-0.53）且分别与体重、年龄显著相关，而脉冲间隔则表现出显著的个体内变异。该研究为理解蛛形纲多模态求偶信号的进化机制提供了新视角，论文发表于《Journal of Ethology》。

　　

在动物王国中，求偶行为往往是一场精心设计的表演，雄性通过展示各种特质来吸引雌性。对于欧洲盗蛛Pisaura mirabilis而言，这场表演不仅包括著名的"婚礼礼物"——用丝包裹的猎物，还涉及一种鲜为人知的振动信号。这种通过腹部震颤产生的振动波在蛛网上传播，成为远距离沟通的关键媒介。然而，这种振动信号究竟传递了哪些关于雄性质量的信息？不同个体之间的信号是否存在稳定差异？这些问题长期以来困扰着行为生态学家。

为了解开这些谜团，来自德国格赖夫斯瓦尔德大学、慕尼黑大学和汉堡大学的研究团队开展了一项系统性研究。他们发现，雄性P. mirabilis的振动信号并非千篇一律，而是展现出有趣的个体差异模式。特别值得注意的是，信号持续时间（即雄性在5分钟试验中实际振动的时间）和脉冲速率（每秒产生的脉冲数）表现出惊人的个体稳定性，而脉冲间隔（相邻脉冲开始之间的时间）则在个体内部高度可变。这些发现发表在《Journal of Ethology》上，为理解蛛形纲动物复杂求偶行为的进化机制提供了新见解。

研究人员采用了三项关键技术方法：首先，使用激光多普勒测振仪（Polytec PDV-100）高精度记录振动信号；其次，通过Avisoft-SASLab Pro软件进行自动化脉冲序列分析，消除人为测量偏差；最后，运用贝叶斯多变量混合模型（brms包）和双层次混合效应模型（DHGLM）分析个体间和个体内变异。实验样本为149只野生捕获的雄性P. mirabilis，在标准化实验室条件下进行三次重复测试。

Variation of vibratory performance during courtship of a cursorial spider
研究发现雄性振动信号存在明显的层级差异。信号持续时间平均占5分钟试验的31.3%（94±54.78秒），脉冲速率为1.56±0.09脉冲/秒，脉冲间隔为0.64±0.09秒。多变量模型显示，较重的个体表现出更长的信号持续时间（每增加0.01克，持续时间增加4.98秒），而年长个体的脉冲速率显著降低（每天龄减少0.01脉冲/秒）。这两个性状的个体重复性分别达到0.45和0.53，表明它们可能作为雌性评估雄性质量的可靠指标。

Multivariate mixed effects model on calling duration and pulse rate
信号持续时间和脉冲速率形成了稳定的"行为指纹"。体重与信号持续时间的正相关（β=9.09，95%CI 0.50-17.70）暗示该性状可能反映雄性的资源储备；年龄与脉冲速率的负相关（β=-0.13，95%CI -0.20至-0.06）则可能指示生理状态随年龄的衰退。值得注意的是，这两个性状间无显著相关性（r=0.14），表明它们传递的是互补而非冗余的信息。

Double hierarchical mixed effects model on pulse interval
与前述性状相反，脉冲间隔表现出极低的个体重复性（R=0.09）。尽管总体变异系数（CV）仅为0.14，但双层次模型揭示88%的变异源于个体内波动。这种精细尺度上的不稳定性（平均个体内CV=0.13）暗示脉冲间隔可能主要承担物种识别功能，而非质量信号。

这项研究的重要发现在于揭示了振动求偶信号的多重功能分工。信号持续时间和脉冲速率作为"条件依赖性"性状，其高度可重复性和与体重、年龄的相关性，使其成为雌性评估潜在配偶质量的可靠指标。这些性状可能反映了雄性的能量储备（体重相关）和生理状态（年龄相关），符合性选择理论中"诚实信号"的预测。相比之下，脉冲间隔的个体特异性缺失与其在信号检测和物种识别中的潜在功能相符——在嘈杂的自然环境中，保持特定节奏范围的振动模式可能比精确的时间控制更为重要。

研究结果对理解蛛形纲动物多模态（振动+视觉+化学）求偶信号的进化具有重要意义。未来研究可进一步探索雌性对这些振动参数的实际选择偏好，以及不同环境噪声条件下信号传递效率的变化。这项工作也为比较不同蛛类振动通讯系统的进化提供了重要基线数据。