拥抱时间中的不确定性：用于同位素食性估计的贝叶斯动态混合模型

《Methods in Ecology and Evolution》：Embracing uncertainty in time: A Bayesian dynamic mixing model for isotopic diet estimation

　　

同位素混合模型是生态学中用于估计食性的有力工具。自其最初提出以来，这些模型已演化为两个不同的分支：贝叶斯混合模型（Bayesian mixing model）和动态混合模型（dynamic mixing model）。贝叶斯混合模型显著改善了不确定性管理，但仍为静态模型，假设系统处于稳定状态。相比之下，动态混合模型是确定性的，并纳入了同位素动力学（isotopic dynamics），适用于非稳定系统，但缺乏不确定性管理。

为弥合这两种方法，研究人员开发了一种贝叶斯动态混合模型（Bayesian dynamic mixing model, BDMM）。该模型整合了同位素的时间动力学与稳健的不确定性管理。在本研究中，研究人员将所提出的模型与现有动态混合模型进行了模拟（simulation）和真实世界案例研究对比。

结果显示，贝叶斯动态模型的输出对数据变异性表现出高度稳定性。它还能部分补偿同位素周转率（isotopic turnover rate）输入的不准确性，从而产生更可靠的食性估计。

该框架为使用稳定同位素（stable isotope）进行食性研究提供了一种可获取且可靠的方法，无论系统是否处于稳定状态。

**论文解读：贝叶斯动态混合模型在同位素食性估计中的创新与意义**

同位素混合模型（isotopic mixing model）是生态学中估算消费者食性的重要工具，其核心原理是消费者的稳定同位素比值与其食物来源相近，即“你吃什么就是什么”。自Schwarcz（1991）首次将混合模型方程化以来，该领域经历了从确定性方法到贝叶斯方法的重大发展。贝叶斯混合模型（如MixSIAR、Simmr）通过概率分布刻画不确定性，但普遍假设系统处于同位素平衡的稳定状态；动态混合模型（dynamic mixing model, DMM）则通过常微分方程描述同位素随时间的变化，适用于非稳定系统，却缺乏不确定性管理。这两类模型之间存在明显鸿沟：真实生态系统中，消费者的食性转变、生长、迁移以及食物来源的同位素时间波动都会导致系统偏离稳态，此时静态模型可能产生严重偏差。因此，亟需一种能够同时处理时间动态与不确定性的建模框架。研究人员正是针对这一需求，开发了贝叶斯动态混合模型（BDMM），旨在统一贝叶斯框架与显式同位素动力学，并将其应用于模拟数据与真实案例，以验证其性能。该研究发表于《Methods in Ecology and Evolution》，为动态系统中的食性估计提供了更可靠的工具。

**主要关键技术方法**：研究人员构建了BDMM，其核心方程沿用DMM的常微分方程，但参数以分布形式输入。饮食比例通过多项式回归（degree D）结合softmax函数实现随时间连续变化；源数据误差采用非中心化参数化，明确分离观测误差与参数不确定性。同位素周转率λ可指定为固定值、单一分布或随时间变化的分布（Gamma分布）。模型基于Rstan（Stan语言）实现，采用Hamiltonian Monte Carlo采样。模拟数据基于布朗运动源比率与正弦饮食变化生成，并设置三种变异水平；案例数据来自法国诺曼底贝斯湾的牡蛎（Magallana gigas）数据集（Marín Leal et al., 2008）和北爱尔兰的鹅（Branta bernicla hrota）数据集（Inger et al., 2006）。所有代码与数据均公开于Zenodo。

**研究结果**

**模拟：数据变异性和λ敏感性分析**
在模拟环境中，BDMM对数据变异性表现出稳定的偏差（bias）水平（约5%-30%），而DMM的偏差随变异性增加而显著上升（低变异时5%-15%，高变异时可达45%）。在λ敏感性分析中，当模型输入λ值（λ_input）偏离真实值（λ_system）时，BDMM偏差保持稳定，而DMM偏差急剧增大（当λ_input<λ_system时偏差最高达90%）。进一步检查λ先验与后验分布发现：当λ_input低于λ_system时，BDMM的后验分布会向真实λ值收敛，从而部分补偿参数误设；而当λ_input高于λ_system时，后验分布仍停留在先验位置，无法检测高估。这一机制解释了BDMM对λ低估的稳健性。

**牡蛎**
对牡蛎数据集，BDMM与DMM输出的食性总体趋势相似：前240天来源MPBxU占主导，随后与POM各占一半，TOM贡献逐渐下降至零。主要差异在于不确定性管理——BDMM提供了95%置信区间，而DMM仅给出保留解的分布范围。在特定时间段（如冬季），BDMM因消费者同位素值超出来源多边形而显示出较大不确定性，而DMM未反映这一点。两模型对数据的拟合整体良好，但在120-240天区间内均未能完全捕捉氮同位素的上升趋势，可能源于λ被高估或TDF变化。将BDMM按时间窗独立运行时，拟合效果与DMM类似。

**鹅**
在鹅数据集中，两模型的结果出现显著差异。BDMM估计Ulva×Entero在0-398天占主导，之后下降至0，而草贡献逐渐增加至100%，Zos无贡献。DMM在0-124天和428-559天与BDMM一致，但在124-398天估计草为主要来源，且在398-428天出现50%的Zos贡献峰值。两模型均能较好拟合数据。BDMM的λ后验分布均值约0.08 day^-1，明显高于先验均值0.03 day^-1，提示该数据集的λ先验可能被低估。

**讨论与结论**
BDMM相比确定性DMM具有明显优势：它不仅提供食性估计的均值，还量化了参数和预测的不确定性，使用户能评估结果的可靠性。更重要的是，BDMM能通过后验分布部分纠正λ参数的低估，而DMM在相同条件下偏差显著增加。然而，当λ先验严重偏离真值时，补偿作用有限；且λ高估无法被检测，因此先验知识仍至关重要。模型过程上，BDMM可一次性整合整个时间序列，而DMM需逐时间窗独立运行，虽然BDMM局部拟合可能略差，但整体处理更连贯。DMM计算速度快200-3000倍，仍适用于探索性分析。未来改进方向包括推广至任意数量同位素、采用插值或样条描述λ动态、实现协变量纳入等。研究再次强调，λ是同位素生态学的关键参数，其准确估计对动态混合模型的广泛应用至关重要。BDMM结合了贝叶斯框架的复杂不确定性管理与动态模型的时间显式性，是向更真实、更可靠的食性估计迈出的重要一步。