整合分类学框架揭示中国姬鼠属（Apodemus）物种界限：多方法学评估与隐存多样性发现

《Molecular Phylogenetics and Evolution》：Species delimitation within a taxonomically complex group: An example from the genus Apodemus

　　本研究通过整合多物种 coalescent 模型（MSC）与无监督机器学习（UML）算法，系统评估了中国姬鼠属（Apodemus）的物种界限，揭示分子 delimitation 方法存在显著分歧，并基于系统发育、形态与生态数据提出整合分类学框架，最终确认9个有效物种及1个隐存种，为生物多样性研究提供关键范式。

　　

研究亮点

基于基因组数据的物种界定在分类学研究中至关重要，尤其适用于解决分类学复杂类群和检测隐存多样性。然而，少有研究利用真实数据集评估不同物种界定方法的一致性和可靠性。本研究比较了中国姬鼠属（Apodemus）复杂类群中最广泛使用的物种界定方法，包括多物种 coalescent 模型（MSC）和基于机器学习的方法。出乎意料的是，我们发现不同方法之间存在显著差异，部分结果缺乏分类学有效性。为解决该类群的分类学难题，我们整合了系统发育分析、群体遗传学分析、形态学评估和生态学数据，最终确认了9个有效物种并识别出1个隐存种。

物种界定方法的差异

基于基因组的物种界定面临若干基本挑战：由于检测到物种内精细遗传结构而导致的过度拆分、因忽略谱系间基因流和渗杂而产生的错误物种界限，以及当方法需要预定义物种数量或样本分组时可能遗漏隐存多样性。近期研究试图通过纳入谱系分歧量化指标（如 genealogical divergence index, gdi）来优化谱系划分，并通过无监督机器学习（UML）算法在不依赖先验分类的条件下探测隐存多样性。另一重要挑战是对杂交和基因渗入的考量不足，这可能模糊系统发育关系并引入系统误差。越来越多的研究已开始整合基因流评估，以提升具有复杂进化历史类群的分类分辨率。

结论

本研究全面评估了中国姬鼠属分类学复杂类群中最常用的物种界定方法。我们应用了十种方法（包括 SPEEDEMON、BFD*、HHSD、delimitR 及多种 UML 算法），发现其结果存在显著不一致。通过结合系统发育分析、多物种界定结果、形态比较和生态数据，我们最终修订了该属在中国境内的分类。这些发现凸显了整合分类学框架在解决分类学复杂类群中的必要性。