黄石公园大型草食动物饮食多样性解析：传统分类框架的挑战与新聚类模式的发现

为解决草食动物种内饮食变异性和种间重叠对生态位划分理论的挑战，研究人员采用膳食DNA宏条形码(Dietary DNA metabarcoding)、GPS追踪和机器学习算法，对黄石国家公园5种迁徙性大型草食动物进行饮食聚类分析。研究发现种间生态位分化微弱(PERMANOVA: pseudo-F4,498=14.7, R2=0.11)，传统"食草者-食叶者"分类框架被打破，揭示出跨物种的3种饮食聚类模式，为温带地区广食性策略的进化机制提供新见解。

　　

这项研究颠覆了传统生态学对草食动物的分类认知。通过结合膳食DNA宏条形码技术(dietary DNA metabarcoding)、高精度GPS追踪和机器学习算法，科研团队对黄石国家公园五种迁徙性大型草食动物的饮食谱系进行深度解析。多维度数据分析显示，种间生态位分化虽然具有统计学意义(PERMANOVA: pseudo-F_4,498=14.7, R²=0.11, P≤0.001)，但差异程度之微弱令人惊讶——不同物种间的饮食相似度甚至堪比同种个体间的变异幅度。

机器学习聚类算法识别出三个突破性的饮食谱系集群：第一个集群以禾本科植物(graminoids)和草本植物(forbs)为主，第二个集群偏好草本植物和落叶灌木(deciduous shrubs)，第三个集群则专注于裸子植物(gymnosperms)。值得注意的是，每个集群都包含所有研究物种的样本，这种跨物种的饮食模式完全打破了传统的"食草者-食叶者连续体"(grazer-browser continuum)分类框架。

研究发现，季节性的饮食变化幅度常常超过物种间的固有差异。这一发现为理解温带地区广食性策略(generalist foraging strategies)的进化优势提供了关键证据，同时也解释了为何在热带稀树草原会演化出特化的食草者和食叶者类群。该研究开创性地采用数据驱动策略(data-driven strategy)解构复杂营养网络，避免了传统先验分类的局限性，为野生动物饮食研究、资源管理和环境监测开辟了新范式。