Nature.com သို့ ဝင်ရောက်ကြည့်ရှုသည့်အတွက် ကျေးဇူးတင်ပါသည်။ သင်အသုံးပြုနေသော browser ဗားရှင်းတွင် CSS ပံ့ပိုးမှု အကန့်အသတ်ရှိသည်။ အကောင်းဆုံးရလဒ်များအတွက် သင့် browser ၏ ဗားရှင်းအသစ်ကို အသုံးပြုရန် (သို့မဟုတ် Internet Explorer ရှိ compatibility mode ကို ပိတ်ရန်) အကြံပြုအပ်ပါသည်။ ထိုအတောအတွင်း၊ စဉ်ဆက်မပြတ် ပံ့ပိုးမှုရရှိစေရန်အတွက် ကျွန်ုပ်တို့သည် ဆိုက်ကို styling သို့မဟုတ် JavaScript မပါဘဲ ပြသနေပါသည်။
ဤလေ့လာမှုသည် ကမ္ဘာတစ်ဝှမ်းရှိ လူမျိုးစု ၁၄၈ စုမှ စကင်ဖတ်ထားသော အချက်အလက်များအပေါ် အခြေခံသည့် ဂျီဩမေတြီ တူညီမှုပုံစံကို အသုံးပြု၍ လူ့ဦးခေါင်းခွံပုံသဏ္ဌာန်တွင် ဒေသဆိုင်ရာ မတူကွဲပြားမှုကို အကဲဖြတ်ခဲ့သည်။ ဤနည်းလမ်းသည် template fitting နည်းပညာကို အသုံးပြု၍ အနီးဆုံးအမှတ် အယ်လဂိုရီသမ်ကို အသုံးပြု၍ တင်းကျပ်မှုမရှိသော အသွင်ပြောင်းမှုများကို လုပ်ဆောင်ခြင်းဖြင့် homologous meshes များကို ထုတ်လုပ်သည်။ ရွေးချယ်ထားသော homologous ပုံစံ ၃၄၂ ခုတွင် အဓိက အစိတ်အပိုင်း ခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးပြုခြင်းဖြင့်၊ အရွယ်အစား ಒಟ್ಟಾರೆပြောင်းလဲမှုကို တွေ့ရှိခဲ့ပြီး တောင်အာရှမှ ဦးခေါင်းခွံငယ်တစ်ခုအတွက် ရှင်းရှင်းလင်းလင်း အတည်ပြုခဲ့သည်။ ဒုတိယအကြီးမားဆုံး ကွာခြားချက်မှာ neurocranium ၏ အလျားနှင့် အနံအချိုးဖြစ်ပြီး အာဖရိကလူမျိုးများ၏ ရှည်လျားသော ဦးခေါင်းခွံများနှင့် အရှေ့မြောက်အာရှလူမျိုးများ၏ ခုံးနေသော ဦးခေါင်းခွံများအကြား ခြားနားချက်ကို ပြသသည်။ ဤပါဝင်ပစ္စည်းသည် မျက်နှာပုံသဏ္ဌာန်နှင့် အနည်းငယ်သာ သက်ဆိုင်ကြောင်း သတိပြုသင့်သည်။ အရှေ့မြောက်အာရှလူမျိုးများတွင် ထွက်နေသော ပါးများနှင့် ဥရောပလူမျိုးများတွင် ကျစ်လစ်သော topillary အရိုးများကဲ့သို့သော လူသိများသော မျက်နှာအင်္ဂါရပ်များကို ပြန်လည်အတည်ပြုခဲ့သည်။ ဤမျက်နှာပြောင်းလဲမှုများသည် ဦးခေါင်းခွံ၏ ပုံသဏ္ဌာန်နှင့် အထူးသဖြင့် ရှေ့နှင့် occipital အရိုးများ၏ စောင်းမှုအတိုင်းအတာနှင့် နီးကပ်စွာ ဆက်စပ်နေသည်။ Allometric ပုံစံများကို ಒಟ್ಟಾರೆဦးခေါင်းခွံအရွယ်အစားနှင့် နှိုင်းယှဉ်ပါက မျက်နှာအချိုးအစားတွင် တွေ့ရှိရသည်; ဌာနေအမေရိကန်များနှင့် အရှေ့မြောက်အာရှသားများစွာတွင် ပြသခဲ့သည့်အတိုင်း ဦးခေါင်းခွံကြီးများတွင် မျက်နှာပုံသဏ္ဍာန်များသည် ပိုရှည်ပြီး ကျဉ်းမြောင်းလေ့ရှိသည်။ ကျွန်ုပ်တို့၏ လေ့လာမှုတွင် ရာသီဥတု သို့မဟုတ် အစားအသောက်အခြေအနေများကဲ့သို့သော ဦးခေါင်းခွံပုံသဏ္ဍာန်ကို လွှမ်းမိုးနိုင်သည့် ပတ်ဝန်းကျင်ဆိုင်ရာ ကိန်းရှင်များဆိုင်ရာ အချက်အလက်များ မပါဝင်သော်လည်း၊ ဦးခေါင်းခွံပုံစံများ၏ ကြီးမားသော အချက်အလက်အစုအဝေးသည် အရိုးစုပုံသဏ္ဍာန်လက္ခဏာများအတွက် မတူညီသောရှင်းလင်းချက်များကို ရှာဖွေရာတွင် အသုံးဝင်ပါလိမ့်မည်။
လူ့ဦးခေါင်းခွံပုံသဏ္ဍာန်ရှိ ပထဝီဝင်အနေအထား ကွဲပြားမှုများကို ကြာမြင့်စွာကတည်းက လေ့လာခဲ့ကြသည်။ သုတေသီများစွာသည် ပတ်ဝန်းကျင်လိုက်လျောညီထွေဖြစ်မှုနှင့်/သို့မဟုတ် သဘာဝရွေးချယ်မှု၊ အထူးသဖြင့် ရာသီဥတုအချက်များ၁၊၂၊၃၊၄၊၅၊၆၊၇ သို့မဟုတ် အာဟာရအခြေအနေများပေါ် မူတည်၍ အစာဝါးခြင်းလုပ်ဆောင်ချက်၅၊၈၊၉၊၁၀၊၁၁၊၁၂ တို့၏ ကွဲပြားမှုကို အကဲဖြတ်ခဲ့ကြသည်။ ၁၃။ ထို့အပြင်၊ အချို့သောလေ့လာမှုများသည် ကြားနေမျိုးဗီဇပြောင်းလဲမှုများကြောင့် ဖြစ်ပေါ်လာသော လည်ပင်းပိတ်အကျိုးသက်ရောက်မှုများ၊ မျိုးရိုးဗီဇရွေ့လျားမှု၊ မျိုးရိုးဗီဇစီးဆင်းမှု သို့မဟုတ် စတိုကတ်စတစ်ဆင့်ကဲဖြစ်စဉ်များ၁၄၊၁၅၊၁၆၊၁၇၊၁၈၊၁၉၊၂၀၊၂၁၊၂၂၊၂၃ တို့ကို အာရုံစိုက်ခဲ့ကြသည်။ ဥပမာအားဖြင့်၊ ပိုကျယ်ပြီးတိုသော ဦးခေါင်းခွံအခေါင်းပေါက်၏ ဂလိုဘယ်ပုံသဏ္ဍာန်ကို Allen ၏စည်းမျဉ်း၂၄ အရ ရွေးချယ်ဖိအားကို လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ခြင်းအဖြစ် ရှင်းပြထားပြီး၊ ၎င်းစည်းမျဉ်း၂၄ အရ နို့တိုက်သတ္တဝါများသည် ခန္ဓာကိုယ်မျက်နှာပြင်ဧရိယာကို ထုထည်နှင့် နှိုင်းယှဉ်ပါက လျှော့ချခြင်းဖြင့် အပူဆုံးရှုံးမှုကို လျှော့ချပေးသည်ဟု ယူဆကြသည်။၂၊၄၊၁၆၊၁၇၊၂၅။ ထို့အပြင်၊ Bergmann ၏စည်းမျဉ်း၂၆ကိုအသုံးပြုသည့်လေ့လာမှုအချို့သည် ဦးခေါင်းခွံအရွယ်အစားနှင့်အပူချိန်၃,၅,၁၆,၂၅,၂၇ အကြားဆက်နွယ်မှုကိုရှင်းပြခဲ့ပြီး အပူဆုံးရှုံးမှုကိုကာကွယ်ရန် အေးသောဒေသများတွင် အလုံးစုံအရွယ်အစားသည် ပိုကြီးလေ့ရှိကြောင်း အကြံပြုထားသည်။ ဦးခေါင်းခွံအုတ်နှင့် မျက်နှာအရိုးများ၏ ကြီးထွားမှုပုံစံအပေါ် ဝါးစားခြင်းဖိစီးမှု၏ ယန္တရားဆိုင်ရာလွှမ်းမိုးမှုကို ချက်ပြုတ်မှုယဉ်ကျေးမှု သို့မဟုတ် လယ်သမားများနှင့် အမဲလိုက်-စုဆောင်းသူများအကြား ရှင်သန်ရပ်တည်ရေးကွာခြားချက်များ၈,၉,၁၁,၁၂,၂၈ မှ ဖြစ်ပေါ်လာသော အစားအသောက်အခြေအနေများနှင့် စပ်လျဉ်း၍ အငြင်းပွားခဲ့ကြသည်။ ယေဘုယျရှင်းလင်းချက်မှာ ဝါးစားခြင်းဖိအားလျော့နည်းသွားခြင်းသည် မျက်နှာအရိုးများနှင့် ကြွက်သားများ၏ မာကျောမှုကို လျော့ကျစေပါသည်။ ကမ္ဘာလုံးဆိုင်ရာလေ့လာမှုများစွာသည် ဦးခေါင်းခွံပုံသဏ္ဍာန်ကွဲပြားမှုကို ပတ်ဝန်းကျင်လိုက်လျောညီထွေဖြစ်အောင်ပြုလုပ်ခြင်းထက် ကြားနေမျိုးရိုးဗီဇအကွာအဝေး၏ phenotypic အကျိုးဆက်များနှင့် အဓိကအားဖြင့် ဆက်စပ်ထားသည်၂၁,၂၉,၃၀,၃၁,၃၂။ ဦးခေါင်းခွံပုံသဏ္ဍာန်ပြောင်းလဲမှုများအတွက် နောက်ထပ်ရှင်းလင်းချက်တစ်ခုမှာ isometric သို့မဟုတ် allometric ကြီးထွားမှု၆,၃၃,၃၄,၃၅ ၏ အယူအဆပေါ်တွင် အခြေခံသည်။ ဥပမာအားဖြင့်၊ ဦးနှောက်ကြီးများသည် “Broca's cap” ဟုခေါ်သော ဒေသတွင် ရှေ့ပိုင်းအဖုများ ပိုမိုကျယ်ပြန့်လေ့ရှိပြီး ရှေ့ပိုင်းအဖုများ၏ အကျယ်သည် တိုးလာပြီး ၎င်းသည် allometric ကြီးထွားမှုအပေါ် အခြေခံ၍ ယူဆသည့် ဆင့်ကဲဖြစ်စဉ်တစ်ခုဖြစ်သည်။ ထို့အပြင်၊ ဦးခေါင်းခွံပုံသဏ္ဍာန်၏ ရေရှည်ပြောင်းလဲမှုများကို စစ်ဆေးသည့် လေ့လာမှုတစ်ခုအရ အမြင့်တိုးလာသည်နှင့်အမျှ brachycephaly (ဦးခေါင်းခွံသည် ပိုမိုလုံးဝိုင်းလာသည့် သဘောထား) သို့ allometric လမ်းကြောင်းကို တွေ့ရှိခဲ့သည်။
ဦးခေါင်းခွံပုံသဏ္ဌာန်ဆိုင်ရာ သုတေသန၏ ရှည်လျားသောသမိုင်းကြောင်းတွင် ဦးခေါင်းခွံပုံသဏ္ဌာန်များ၏ ကွဲပြားမှု၏ ရှုထောင့်အမျိုးမျိုးအတွက် တာဝန်ရှိသော အခြေခံအချက်များကို ဖော်ထုတ်ရန် ကြိုးပမ်းမှုများ ပါဝင်သည်။ အစောပိုင်းလေ့လာမှုများစွာတွင် အသုံးပြုခဲ့သော ရိုးရာနည်းလမ်းများသည် bivariate linear measurement data ပေါ်တွင် အခြေခံထားပြီး Martin သို့မဟုတ် Howell အဓိပ္ပာယ်ဖွင့်ဆိုချက်များကို မကြာခဏအသုံးပြုလေ့ရှိသည်36,37။ တစ်ချိန်တည်းမှာပင်၊ အထက်ဖော်ပြပါ လေ့လာမှုများစွာသည် spatial 3D geometric morphometry (GM) နည်းပညာ5,7,10,11,12,13,17,20,27,34,35,38 ကို အခြေခံ၍ ပိုမိုအဆင့်မြင့်သောနည်းလမ်းများကို အသုံးပြုခဲ့သည်။39။ ဥပမာအားဖြင့်၊ ကွေးညွှတ်စွမ်းအင်လျှော့ချခြင်းအပေါ်အခြေခံသည့် sliding semilandmark နည်းလမ်းသည် transgenic ဇီဝဗေဒတွင် အသုံးအများဆုံးနည်းလမ်းဖြစ်သည်။ ၎င်းသည် curve သို့မဟုတ် surface38,40,41,42,43,44,45,46 တစ်လျှောက် sliding လုပ်ခြင်းဖြင့် template ၏ semi-landmarks များကို နမူနာတစ်ခုစီပေါ်တွင် project လုပ်သည်။ ထိုကဲ့သို့သော superposition နည်းလမ်းများအပါအဝင်၊ 3D GM လေ့လာမှုအများစုသည် generalized Procrustes analysis၊ ပုံသဏ္ဍာန်များကို တိုက်ရိုက်နှိုင်းယှဉ်ခြင်းနှင့် ပြောင်းလဲမှုများကို ဖမ်းယူခြင်းအတွက် iterative nearest point (ICP) algorithm 47 ကိုအသုံးပြုသည်။ တနည်းအားဖြင့် thin plate spline (TPS)48,49 နည်းလမ်းကို mesh-based ပုံသဏ္ဍာန်များသို့ semilandmark alignment များကို mapping လုပ်ရန်အတွက် non-rigid transformation နည်းလမ်းအဖြစ်လည်း ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုကြသည်။
၂၀ ရာစုနှောင်းပိုင်းမှစ၍ လက်တွေ့ကျသော 3D ခန္ဓာကိုယ်တစ်ခုလုံးစကင်နာများ ဖွံ့ဖြိုးတိုးတက်လာခြင်းနှင့်အတူ၊ လေ့လာမှုများစွာသည် အရွယ်အစားတိုင်းတာမှုများအတွက် 3D ခန္ဓာကိုယ်တစ်ခုလုံးစကင်နာများကို အသုံးပြုခဲ့ကြသည်50,51။ စကင်ဒေတာကို ခန္ဓာကိုယ်အတိုင်းအတာများကို ထုတ်ယူရန်အသုံးပြုခဲ့ပြီး မျက်နှာပြင်ပုံသဏ္ဍာန်များကို အစက်အပြောက်တိမ်များအစား မျက်နှာပြင်များအဖြစ် ဖော်ပြရန် လိုအပ်ပါသည်။ Pattern fitting သည် ကွန်ပျူတာဂရပ်ဖစ်နယ်ပယ်တွင် မျက်နှာပြင်၏ပုံသဏ္ဍာန်ကို polygonal mesh မော်ဒယ်ဖြင့် ဖော်ပြသည့် ဤရည်ရွယ်ချက်အတွက် တီထွင်ထားသော နည်းပညာတစ်ခုဖြစ်သည်။ pattern fitting ၏ ပထမခြေလှမ်းမှာ template အဖြစ်အသုံးပြုရန် mesh မော်ဒယ်တစ်ခုကို ပြင်ဆင်ရန်ဖြစ်သည်။ ပုံစံကိုဖွဲ့စည်းထားသော vertices အချို့သည် landmarks များဖြစ်သည်။ ထို့နောက် template ကို ပုံပျက်စေပြီး template ၏ local shape features များကို ထိန်းသိမ်းနေစဉ် template နှင့် point cloud အကြား အကွာအဝေးကို လျှော့ချရန် မျက်နှာပြင်နှင့် ကိုက်ညီစေသည်။ template ရှိ landmarks များသည် point cloud ရှိ landmarks များနှင့် ကိုက်ညီသည်။ template fitting ကိုအသုံးပြုခြင်းဖြင့် scan data အားလုံးကို data points အရေအတွက်တူညီပြီး topology တူညီသော mesh မော်ဒယ်အဖြစ် ဖော်ပြနိုင်သည်။ တိကျသော homology သည် landmark အနေအထားများတွင်သာရှိသော်လည်း၊ template များ၏ geometry တွင်ပြောင်းလဲမှုများသည် သေးငယ်သောကြောင့် ထုတ်လုပ်ထားသော မော်ဒယ်များအကြား ယေဘုယျ homology ရှိသည်ဟု ယူဆနိုင်သည်။ ထို့ကြောင့်၊ template fitting ဖြင့် ဖန်တီးထားသော grid မော်ဒယ်များကို တစ်ခါတစ်ရံ homology မော်ဒယ်များဟု ခေါ်ဆိုလေ့ရှိသည်52။ template fitting ၏ အားသာချက်မှာ template ကို မျက်နှာပြင်နှင့် နေရာအားဖြင့် နီးကပ်သော်လည်း ဝေးကွာသော target object ၏ အစိတ်အပိုင်းအမျိုးမျိုး (ဥပမာ၊ zygomatic arch နှင့် ဦးခေါင်းခွံ၏ template ဧရိယာ) သို့ တစ်ခုနှင့်တစ်ခု မထိခိုက်စေဘဲ ပုံပျက်စေပြီး ချိန်ညှိနိုင်သည်။ ဤနည်းအားဖြင့်၊ template ကို ပခုံးကို ရပ်နေသည့်အနေအထားတွင် ကိုယ်ထည် သို့မဟုတ် လက်မောင်းကဲ့သို့သော အကိုင်းအခက်များရှိသော အရာဝတ္ထုများတွင် လုံခြုံစွာထားနိုင်သည်။ template fitting ၏ အားနည်းချက်မှာ ထပ်ခါတလဲလဲပြုလုပ်ခြင်း၏ တွက်ချက်မှုကုန်ကျစရိတ် မြင့်မားခြင်းဖြစ်သော်လည်း၊ ကွန်ပျူတာစွမ်းဆောင်ရည်တွင် သိသာထင်ရှားသော တိုးတက်မှုများကြောင့် ၎င်းသည် ပြဿနာတစ်ခု မဟုတ်တော့ပါ။ principal component analysis (PCA) ကဲ့သို့သော multivariate analysis နည်းပညာများကို အသုံးပြု၍ mesh model ကို ဖွဲ့စည်းထားသော vertices များ၏ coordinate တန်ဖိုးများကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့်၊ distribution တွင် မည်သည့်အနေအထားတွင်မဆို မျက်နှာပြင်ပုံသဏ္ဍာန်တစ်ခုလုံးနှင့် virtual shape ၏ ပြောင်းလဲမှုများကို ခွဲခြမ်းစိတ်ဖြာနိုင်သည်။ တွက်ချက်ပြီး မြင်ယောင်နိုင်သည်53။ ယနေ့ခေတ်တွင်၊ template fitting မှ ထုတ်လုပ်ထားသော mesh မော်ဒယ်များကို နယ်ပယ်အမျိုးမျိုးတွင် ပုံသဏ္ဍာန်ခွဲခြမ်းစိတ်ဖြာမှုတွင် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုကြသည်52,54,55,56,57,58,59,60။
ပြောင်းလွယ်ပြင်လွယ် mesh မှတ်တမ်းတင်နည်းပညာတိုးတက်မှုနှင့်အတူ CT ထက် ပိုမိုမြင့်မားသော resolution၊ မြန်နှုန်းနှင့် ရွေ့လျားနိုင်မှုဖြင့် စကင်ဖတ်နိုင်သော သယ်ဆောင်ရလွယ်ကူသော 3D စကင်န်ဖတ်ကိရိယာများ လျင်မြန်စွာ ဖွံ့ဖြိုးတိုးတက်လာခြင်းကြောင့် နေရာဒေသမခွဲခြားဘဲ 3D မျက်နှာပြင်ဒေတာကို မှတ်တမ်းတင်ရန် ပိုမိုလွယ်ကူစေသည်။ ထို့ကြောင့် ဇီဝဗေဒဆိုင်ရာ မနုဿဗေဒနယ်ပယ်တွင် ထိုကဲ့သို့သော နည်းပညာအသစ်များသည် ဦးခေါင်းခွံနမူနာများအပါအဝင် လူ့နမူနာများကို ပမာဏသတ်မှတ်ခြင်းနှင့် စာရင်းအင်းအရ ခွဲခြမ်းစိတ်ဖြာနိုင်စွမ်းကို မြှင့်တင်ပေးပြီး ၎င်းသည် ဤလေ့လာမှု၏ ရည်ရွယ်ချက်ဖြစ်သည်။
အနှစ်ချုပ်အားဖြင့်၊ ဤလေ့လာမှုသည် template matching (ပုံ ၁) ကိုအခြေခံသည့် အဆင့်မြင့် 3D homology modeling နည်းပညာကို အသုံးပြု၍ ကမ္ဘာတစ်ဝှမ်းရှိ ပထဝီဝင်နှိုင်းယှဉ်မှုများမှတစ်ဆင့် ကမ္ဘာတစ်ဝှမ်းရှိ လူဦးရေ ၁၄၈ ဦးမှ ရွေးချယ်ထားသော ဦးခေါင်းခွံနမူနာ ၃၄၂ ခုကို အကဲဖြတ်ခဲ့သည်။ ဦးခေါင်းခွံ morphology ၏ ကွဲပြားမှု (ဇယား ၁)။ ဦးခေါင်းခွံ morphology တွင် ပြောင်းလဲမှုများကို ထည့်သွင်းစဉ်းစားရန်အတွက်၊ ကျွန်ုပ်တို့ထုတ်လုပ်ထားသော homology model ၏ data set တွင် PCA နှင့် receiver operating characteristic (ROC) ခွဲခြမ်းစိတ်ဖြာမှုများကို အသုံးပြုခဲ့သည်။ တွေ့ရှိချက်များသည် ဒေသဆိုင်ရာပုံစံများနှင့် လျော့နည်းလာသောပြောင်းလဲမှုအစီအစဉ်၊ ဦးခေါင်းခွံ segments များအကြား ဆက်စပ်ပြောင်းလဲမှုများနှင့် allometric trend များရှိနေခြင်းအပါအဝင် ဦးခေါင်းခွံ morphology တွင် ကမ္ဘာလုံးဆိုင်ရာပြောင်းလဲမှုများကို ပိုမိုကောင်းမွန်စွာနားလည်ရန် အထောက်အကူပြုလိမ့်မည်။ ဤလေ့လာမှုသည် ဦးခေါင်းခွံ morphology ကို လွှမ်းမိုးနိုင်သော ရာသီဥတု သို့မဟုတ် အစားအသောက်အခြေအနေများဖြင့် ကိုယ်စားပြုသော extrinsic variable များဆိုင်ရာ အချက်အလက်များကို မကိုင်တွယ်သော်လည်း၊ ကျွန်ုပ်တို့၏လေ့လာမှုတွင် မှတ်တမ်းတင်ထားသော ဦးခေါင်းခွံ morphology ၏ ပထဝီဝင်ပုံစံများသည် ဦးခေါင်းခွံကွဲပြားမှု၏ ပတ်ဝန်းကျင်၊ ဇီဝစက်ပိုင်းဆိုင်ရာနှင့် မျိုးရိုးဗီဇဆိုင်ရာအချက်များကို စူးစမ်းလေ့လာရန် ကူညီပေးပါလိမ့်မည်။
ဇယား ၂ တွင် တူညီသောဦးခေါင်းခွံပုံစံ ၃၄၂ ခု၏ ထိပ်ဖျား ၁၇,၇၀၉ ခု (XYZ ကိုဩဒိနိတ် ၅၃,၁၂၇ ခု) ၏ စံမမီသောဒေတာစုစည်းမှုတွင် အသုံးချထားသော eigenvalues နှင့် PCA ပံ့ပိုးကူညီမှုကိန်းဂဏန်းများကို ပြသထားသည်။ ရလဒ်အနေဖြင့် စုစုပေါင်းကွဲလွဲမှုတွင် ပံ့ပိုးကူညီမှု ၁% ထက်ပို၍ အဓိကအစိတ်အပိုင်း ၁၄ ခုကို ဖော်ထုတ်နိုင်ခဲ့ပြီး ကွဲလွဲမှု၏ စုစုပေါင်းဝေစုမှာ ၈၃.၆၈% ရှိသည်။ အဓိကအစိတ်အပိုင်း ၁၄ ခု၏ loading vectors များကို Supplementary Table S1 တွင် မှတ်တမ်းတင်ထားပြီး ဦးခေါင်းခွံနမူနာ ၃၄၂ ခုအတွက် တွက်ချက်ထားသော အစိတ်အပိုင်းရမှတ်များကို Supplementary Table S2 တွင် တင်ပြထားသည်။
ဤလေ့လာမှုသည် ၂% ထက်ပိုသော ပံ့ပိုးကူညီမှုများပါရှိသော အဓိကအစိတ်အပိုင်းကိုးခုကို အကဲဖြတ်ခဲ့ပြီး ၎င်းတို့အချို့သည် ဦးခေါင်းခွံပုံသဏ္ဍာန်တွင် သိသာထင်ရှားပြီး သိသာထင်ရှားသော ပထဝီဝင်ဆိုင်ရာ ကွဲပြားမှုကို ပြသသည်။ ပုံ ၂ တွင် ROC ခွဲခြမ်းစိတ်ဖြာမှုမှ ထုတ်ပေးသော မျဉ်းကွေးများကို အဓိက ပထဝီဝင်ယူနစ်များ (ဥပမာ အာဖရိကနှင့် အာဖရိကမဟုတ်သောနိုင်ငံများအကြား) တစ်လျှောက် နမူနာပေါင်းစပ်မှုတစ်ခုစီကို လက္ခဏာရပ်ဖော်ပြခြင်း သို့မဟုတ် ခွဲခြားခြင်းအတွက် အထိရောက်ဆုံး PCA အစိတ်အပိုင်းများကို ဖော်ပြရန်ဖြစ်သည်။ ဤစမ်းသပ်မှုတွင် အသုံးပြုသော နမူနာအရွယ်အစားသေးငယ်မှုကြောင့် ပိုလီနီးရှားပေါင်းစပ်မှုကို စမ်းသပ်ခဲ့ခြင်းမရှိပါ။ ROC ခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးပြု၍ တွက်ချက်ထားသော AUC နှင့် အခြားအခြေခံစာရင်းအင်းများတွင် ကွာခြားချက်များ၏ အရေးပါမှုနှင့်ပတ်သက်သည့် အချက်အလက်များကို နောက်ဆက်တွဲဇယား S3 တွင် ပြသထားသည်။
ROC မျဉ်းကွေးများကို အထီး পর্য় ဦးခေါင်းခွံပုံစံ ၃၄၂ ခုပါဝင်သည့် vertex dataset တစ်ခုအပေါ်အခြေခံ၍ အဓိက အစိတ်အပိုင်း ခန့်မှန်းချက် ကိုးခုအတွက် အသုံးပြုခဲ့သည်။ AUC: ပထဝီဝင် ပေါင်းစပ်မှုတစ်ခုစီကို အခြားစုစုပေါင်း ပေါင်းစပ်မှုများနှင့် ခွဲခြားရန် အသုံးပြုသည့် 0.01% အရေးပါမှုရှိသော မျဉ်းကွေးအောက်ရှိ ဧရိယာ။ TPF သည် true positive (ထိရောက်သော ခွဲခြားဆက်ဆံမှု)၊ FPF သည် false positive (မှားယွင်းသော ခွဲခြားဆက်ဆံမှု)။
ROC မျဉ်းကွေး၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို အောက်တွင် အကျဉ်းချုပ်ဖော်ပြထားပြီး ကြီးမားသော သို့မဟုတ် နှိုင်းရအားဖြင့် ကြီးမားသော AUC နှင့် 0.001 အောက် ဖြစ်နိုင်ခြေမြင့်မားသော သိသာထင်ရှားမှုအဆင့်ရှိခြင်းဖြင့် နှိုင်းယှဉ်အုပ်စုများကို ခွဲခြားနိုင်သည့် အစိတ်အပိုင်းများကိုသာ အာရုံစိုက်ထားသည်။ အိန္ဒိယမှ နမူနာများ အဓိကအားဖြင့် ပါဝင်သည့် တောင်အာရှ ရှုပ်ထွေးမှု (ပုံ 2a) သည် အခြားအစိတ်အပိုင်းများနှင့် နှိုင်းယှဉ်ပါက ပထမအစိတ်အပိုင်း (PC1) တွင် သိသိသာသာ ပိုကြီးသော AUC (0.856) ရှိသည်မှာ အခြားပထဝီဝင်အနေအထားအရ ရောနှောနေသော နမူနာများနှင့် သိသိသာသာ ကွာခြားသည်။ အာဖရိက ရှုပ်ထွေးမှု (ပုံ 2b) ၏ နှိုင်းရအားဖြင့် ကြီးမားသော PC2 (0.834) ဖြစ်သည်။ Austro-Melanesians (ပုံ 2c) သည် PC2 မှတစ်ဆင့် နှိုင်းရအားဖြင့် ပိုကြီးသော AUC (0.759) ရှိသော ဆာဟာရအောက်ပိုင်း အာဖရိကန်များနှင့် အလားတူလမ်းကြောင်းကို ပြသခဲ့သည်။ ဥရောပသား (ပုံ ၂ဃ) သည် PC2 (AUC = 0.801)၊ PC4 (AUC = 0.719) နှင့် PC6 (AUC = 0.671) ပေါင်းစပ်မှုတွင် ထင်ရှားစွာ ကွဲပြားပြီး အရှေ့မြောက်အာရှနမူနာ (ပုံ ၂င) သည် PC4 နှင့် သိသိသာသာ ကွာခြားပြီး 0.714 ပိုများကာ PC3 နှင့် ကွာခြားချက်မှာ အားနည်းသည် (AUC = 0.688)။ အောက်ပါအုပ်စုများကိုလည်း AUC တန်ဖိုးများ နိမ့်ကျပြီး အရေးပါမှုအဆင့်များ မြင့်မားသည်ဟု ခွဲခြားသတ်မှတ်ခဲ့သည်- PC7 (AUC = 0.679)၊ PC4 (AUC = 0.654) နှင့် PC1 (AUC = 0.649) အတွက် ရလဒ်များအရ ဤအစိတ်အပိုင်းများနှင့် ဆက်စပ်နေသော သီးခြားဝိသေသလက္ခဏာများရှိသော ဌာနေအမေရိကန်များ (ပုံ ၂စ)၊ အရှေ့တောင်အာရှသားများ (ပုံ ၂ဂ) သည် PC3 (AUC = 0.660) နှင့် PC9 (AUC = 0.663) တို့တွင် ကွဲပြားသော်လည်း အရှေ့အလယ်ပိုင်း (ပုံ ၂ဇ) (မြောက်အာဖရိကအပါအဝင်) မှ နမူနာများအတွက် ပုံစံသည် ကိုက်ညီမှုရှိကြောင်း ပြသခဲ့သည်။ တခြားသူတွေနဲ့ ယှဉ်ရင် သိပ်ကွာခြားမှု မရှိပါဘူး။
နောက်တစ်ဆင့်အနေနဲ့၊ မြင့်မားစွာ ဆက်စပ်နေတဲ့ vertices တွေကို မျက်မြင်အားဖြင့် အဓိပ္ပာယ်ဖွင့်ဆိုဖို့အတွက်၊ 0.45 ထက်ကြီးတဲ့ load တန်ဖိုးမြင့်မားတဲ့ မျက်နှာပြင်ဧရိယာတွေကို Figure 3 မှာပြထားတဲ့အတိုင်း X၊ Y နဲ့ Z coordinate အချက်အလက်တွေနဲ့ အရောင်ခြယ်ထားပါတယ်။ အနီရောင်ဧရိယာက X-axis coordinates တွေနဲ့ မြင့်မားတဲ့ correlation ကိုပြသထားပြီး၊ အဲဒါက horizontal transverse direction နဲ့ ကိုက်ညီပါတယ်။ အစိမ်းရောင်ဧရိယာက Y axis ရဲ့ vertical coordinate နဲ့ မြင့်မားစွာ ဆက်စပ်နေပြီး၊ နက်ပြာရောင်ဧရိယာက Z axis ရဲ့ sagittal coordinate နဲ့ မြင့်မားစွာ ဆက်စပ်နေပါတယ်။ အပြာရောင်ဖျော့ဖျော့ဧရိယာက Y coordinate axes တွေနဲ့ Z coordinate axes တွေနဲ့ ဆက်စပ်နေပါတယ်။ ပန်းရောင် - X နဲ့ Z coordinate axes တွေနဲ့ ဆက်စပ်နေတဲ့ ရောနှောဧရိယာ၊ အဝါရောင် - X နဲ့ Y coordinate axes တွေနဲ့ ဆက်စပ်နေတဲ့ ဧရိယာ၊ အဖြူရောင်ဧရိယာမှာ X၊ Y နဲ့ Z coordinate axis ရောင်ပြန်ဟပ်နေပါတယ်။ ဒါကြောင့်၊ ဒီ load တန်ဖိုး threshold မှာ PC 1 ဟာ ဦးခေါင်းခွံရဲ့ မျက်နှာပြင်တစ်ခုလုံးနဲ့ အဓိကဆက်စပ်နေပါတယ်။ ဒီ component axis ရဲ့ တစ်ဖက်ခြမ်းက 3 SD virtual ဦးခေါင်းခွံပုံသဏ္ဍာန်ကိုလည်း ဒီပုံမှာ သရုပ်ဖော်ထားပြီး၊ PC1 မှာ ဦးခေါင်းခွံအရွယ်အစားရဲ့ factor တွေ ပါဝင်တယ်ဆိုတာကို မျက်မြင်အားဖြင့် အတည်ပြုဖို့ warped images တွေကို Supplementary Video S1 မှာ တင်ပြထားပါတယ်။
PC1 ရမှတ်များ၏ ကြိမ်နှုန်းဖြန့်ဖြူးမှု (ပုံမှန်ကိုက်ညီမှုမျဉ်းကွေး)၊ ဦးခေါင်းခွံမျက်နှာပြင်၏ အရောင်မြေပုံသည် PC1 ထိပ်ဖျားများနှင့် အလွန်ဆက်စပ်နေသည် (အရောင်များ၏ ရှင်းလင်းချက်)။ ဤဝင်ရိုး၏ ဆန့်ကျင်ဘက်အနားများ၏ ပမာဏသည် 3 SD ဖြစ်သည်။ စကေးသည် အချင်း 50 မီလီမီတာရှိသော အစိမ်းရောင်စက်လုံးဖြစ်သည်။
ပုံ ၃ တွင် ပထဝီဝင်ယူနစ် ၉ ခုအတွက် သီးခြားတွက်ချက်ထားသော တစ်ဦးချင်း PC1 ရမှတ်များ၏ ကြိမ်နှုန်းဖြန့်ဖြူးမှုဇယား (ပုံမှန်ကိုက်ညီမှုကွေး) ကို ပြသထားသည်။ ROC ကွေးညွှတ်ခန့်မှန်းချက်များအပြင် (ပုံ ၂)၊ တောင်အာရှသားများ၏ ခန့်မှန်းချက်များသည် ၎င်းတို့၏ ဦးခေါင်းခွံများသည် အခြားဒေသအုပ်စုများ၏ ဦးခေါင်းခွံများထက် သေးငယ်သောကြောင့် ဘယ်ဘက်သို့ တစ်နည်းနည်းဖြင့် သိသိသာသာ စောင်းနေပါသည်။ ဇယား ၁ တွင် ဖော်ပြထားသည့်အတိုင်း ဤတောင်အာရှသားများသည် အန်ဒမန်နှင့် နီကိုဘာကျွန်းစုများ၊ သီရိလင်္ကာနှင့် ဘင်္ဂလားဒေ့ရှ် အပါအဝင် အိန္ဒိယရှိ လူမျိုးစုများကို ကိုယ်စားပြုသည်။
အတိုင်းအတာကိန်းဂဏန်းကို PC1 တွင် တွေ့ရှိခဲ့သည်။ အလွန်ဆက်စပ်နေသော ဒေသများနှင့် virtual ပုံသဏ္ဍာန်များကို ရှာဖွေတွေ့ရှိခြင်းက PC1 မဟုတ်သော အစိတ်အပိုင်းများအတွက် ပုံစံအချက်များကို ရှင်းလင်းစွာ ဖော်ထုတ်နိုင်ခဲ့သည်။ သို့သော် အရွယ်အစားအချက်များကို အမြဲတမ်း လုံးဝဖယ်ရှားပစ်ခြင်းမဟုတ်ပါ။ ROC မျဉ်းကွေးများကို နှိုင်းယှဉ်ခြင်းဖြင့် ပြသထားသည့်အတိုင်း (ပုံ ၂)၊ PC2 နှင့် PC4 တို့သည် ခွဲခြားမှုအရှိဆုံးဖြစ်ပြီး PC6 နှင့် PC7 တို့က နောက်တွင် ရှိနေသည်။ PC3 နှင့် PC9 တို့သည် နမူနာလူဦးရေကို ပထဝီဝင်ယူနစ်များအဖြစ် ပိုင်းခြားရာတွင် အလွန်ထိရောက်မှုရှိသည်။ ထို့ကြောင့် ဤအစိတ်အပိုင်းဝင်ရိုးအတွဲများသည် PC ရမှတ်များ၏ ပြန့်ကျဲနေသောပုံများနှင့် အစိတ်အပိုင်းတစ်ခုစီနှင့် အလွန်ဆက်စပ်နေသော အရောင်မျက်နှာပြင်များအပြင် 3 SD ၏ ဆန့်ကျင်ဘက်နှစ်ဖက်၏ အတိုင်းအတာများဖြင့် virtual ပုံသဏ္ဍာန်ပုံပျက်ခြင်းများကို ပုံကြမ်းအတိုင်း ပုံဖော်ထားသည် (ပုံ ၄၊ ၅၊ ၆)။ ဤပုံများတွင် ကိုယ်စားပြုထားသော ပထဝီဝင်ယူနစ်တစ်ခုစီမှ နမူနာများ၏ convex hull ဖုံးအုပ်မှုသည် ၉၀% ခန့်ဖြစ်သော်လည်း cluster များအတွင်း အချို့သောထပ်တူမှုများရှိနိုင်သည်။ ဇယား ၃ တွင် PCA အစိတ်အပိုင်းတစ်ခုစီ၏ ရှင်းလင်းချက်ကို ပေးထားသည်။
ပထဝီဝင်ယူနစ်ကိုးခု (အပေါ်) နှင့် ပထဝီဝင်ယူနစ်လေးခု (အောက်) မှ ဦးခေါင်းခွံပုဂ္ဂိုလ်များအတွက် PC2 နှင့် PC4 ရမှတ်များ၏ ပြန့်ကျဲပုံများ၊ PC တစ်ခုစီနှင့် အလွန်ဆက်စပ်နေသော ထိပ်ဖျားများ၏ ဦးခေါင်းခွံမျက်နှာပြင်အရောင်၏ ပုံကြမ်းများ (X၊ Y၊ Z နှင့် နှိုင်းယှဉ်လျှင်)။ ဝင်ရိုးများ၏ အရောင်ရှင်းလင်းချက်- စာသားကိုကြည့်ပါ)၊ နှင့် ဤဝင်ရိုးများ၏ ဆန့်ကျင်ဘက်နှစ်ဖက်ရှိ virtual form ၏ ပုံပျက်ခြင်းသည် 3 SD ဖြစ်သည်။ စကေးသည် အချင်း 50 မီလီမီတာရှိသော အစိမ်းရောင်စက်လုံးတစ်ခုဖြစ်သည်။
ပထဝီဝင်ယူနစ်ကိုးခု (အပေါ်) နှင့် ပထဝီဝင်ယူနစ်နှစ်ခု (အောက်) မှ ဦးခေါင်းခွံအတွင်းရှိ လူပုဂ္ဂိုလ်များအတွက် PC6 နှင့် PC7 ရမှတ်များ၏ Scatterplots များ၊ PC တစ်ခုစီနှင့် အလွန်ဆက်စပ်နေသော vertices များအတွက် ဦးခေါင်းခွံမျက်နှာပြင်အရောင်ကွက်များ (X၊ Y၊ Z နှင့် နှိုင်းယှဉ်လျှင်)။ ဝင်ရိုးများ၏ အရောင်ရှင်းလင်းချက်- စာသားကိုကြည့်ပါ)၊ နှင့် ဤဝင်ရိုးများ၏ ဆန့်ကျင်ဘက်နှစ်ဖက်ရှိ virtual form ၏ deformation သည် 3 SD ဖြစ်သည်။ စကေးသည် အချင်း 50 မီလီမီတာရှိသော အစိမ်းရောင်စက်လုံးဖြစ်သည်။
ပထဝီဝင်ယူနစ်ကိုးခု (အပေါ်) နှင့် ပထဝီဝင်ယူနစ်သုံးခု (အောက်) မှ ဦးခေါင်းခွံပုဂ္ဂိုလ်များအတွက် PC3 နှင့် PC9 ရမှတ်များ၏ Scatterplots များနှင့် PC အရောင်အဓိပ္ပာယ်ဖွင့်ဆိုချက်တစ်ခုစီနှင့် အလွန်ဆက်စပ်နေသော vertices များ၏ ဦးခေါင်းခွံမျက်နှာပြင် (X၊ Y၊ Z ဝင်ရိုးများနှင့် နှိုင်းယှဉ်လျှင်) ၏ color plots များ- cm . text) အပြင်၊ 3 SD ပမာဏရှိသော ဤဝင်ရိုးများ၏ ဆန့်ကျင်ဘက်ဘေးများတွင် virtual shape deformations များပါရှိသည်။ စကေးသည် အချင်း 50 မီလီမီတာရှိသော အစိမ်းရောင်စက်လုံးတစ်ခုဖြစ်သည်။
PC2 နှင့် PC4 တို့၏ ရမှတ်များကိုပြသထားသော ဂရပ်တွင် (ပုံ ၄၊ နောက်ဆက်တွဲ ဗီဒီယိုများ S2၊ S3 တွင် ပုံပျက်နေသော ပုံများကိုပြသထားသည်)၊ ဝန်တန်ဖိုး ကန့်သတ်ချက်ကို 0.4 ထက်မြင့်သောအခါ မျက်နှာပြင်အရောင်မြေပုံကိုလည်း ပြသသည်၊ ၎င်းသည် PC1 ထက်နိမ့်သည်၊ အဘယ်ကြောင့်ဆိုသော် PC2 တန်ဖိုးသည် PC1 ထက် စုစုပေါင်းဝန်နည်းသောကြောင့်ဖြစ်သည်။
Z-ဝင်ရိုး (နက်ပြာရောင်) နှင့် ပန်းရောင်ပေါ်တွင် coronal ဦးတည်ချက်ရှိ parietal lobe (အနီရောင်) တစ်လျှောက် sagittal ဦးတည်ချက်ရှိ frontal နှင့် occipital lobes များ၏ ရှည်လျားလာခြင်း၊ occiput ၏ Y-ဝင်ရိုး (အစိမ်းရောင်) နှင့် နဖူး၏ Z-ဝင်ရိုး (နက်ပြာရောင်)။ ဤဇယားသည် ကမ္ဘာတစ်ဝှမ်းရှိ လူအားလုံးအတွက် ရမှတ်များကို ပြသထားသည်။ သို့သော် အုပ်စုအများအပြားပါဝင်သော နမူနာအားလုံးကို တစ်ပြိုင်နက်တည်း ပြသသောအခါ၊ ပြန့်ကျဲမှုပုံစံများကို အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းသည် များပြားလှသော ထပ်တူကျမှုကြောင့် အတော်လေးခက်ခဲသည်။ ထို့ကြောင့် အဓိက ပထဝီဝင်ယူနစ်လေးခု (ဆိုလိုသည်မှာ အာဖရိက၊ ဩစတြေးလျ-မယ်လနီးရှား၊ ဥရောပနှင့် အရှေ့မြောက်အာရှ) မှ နမူနာများကို ဇယားအောက်တွင် PC ရမှတ်များ၏ ဤအပိုင်းအခြားအတွင်း 3 SD virtual cranial deformation ဖြင့် ပြန့်ကျဲထားသည်။ ပုံတွင် PC2 နှင့် PC4 တို့သည် ရမှတ်အတွဲများဖြစ်သည်။ အာဖရိကန်နှင့် Austro-Melanesians များသည် ပိုမိုထပ်တူကျပြီး ညာဘက်သို့ ဖြန့်ဝေထားပြီး ဥရောပသားများသည် အပေါ်ဘယ်ဘက်သို့ ပြန့်ကျဲနေပြီး အရှေ့မြောက်အာရှသားများသည် အောက်ဘယ်ဘက်သို့ အစုအဝေးဖွဲ့လေ့ရှိသည်။ PC2 ရဲ့ အလျားလိုက်ဝင်ရိုးက အာဖရိက/ဩစတြေးလျ မယ်လနီစီယန်လူမျိုးတွေမှာ တခြားလူတွေထက် ဦးနှောက်အာရုံကြောဆဲလ်တွေဟာ အတော်လေးရှည်လျားကြောင်း ပြသနေပါတယ်။ ဥရောပနဲ့ အရှေ့မြောက်အာရှပေါင်းစပ်မှုတွေကို လျော့ရဲစွာ ခွဲခြားထားတဲ့ PC4 ဟာ ဇိုင်ဂိုမက်တစ်အရိုးတွေရဲ့ နှိုင်းရအရွယ်အစားနဲ့ ပရိုဂျက်ရှင်းနဲ့ ကယ်လ်ဗာရီယမ်ရဲ့ ဘေးတိုက်ပုံသဏ္ဍာန်နဲ့ ဆက်စပ်နေပါတယ်။ အမှတ်ပေးစနစ်က ဥရောပသားတွေမှာ အတော်လေးကျဉ်းမြောင်းတဲ့ မေးရိုးနဲ့ ဇိုင်ဂိုမက်တစ်အရိုးတွေ၊ ဇိုင်ဂိုမက်တစ်ခုံးကြောင့် ကန့်သတ်ထားတဲ့ ယာယီအရိုးနေရာငယ်၊ ဒေါင်လိုက်မြင့်နေတဲ့ ရှေ့ရိုးနဲ့ ပြားချပ်ပြီး အောက်ပိုင်းအရိုးနိမ့်ပြီး အရှေ့မြောက်အာရှသားတွေမှာ ပိုကျယ်ပြီး ပိုထင်ရှားတဲ့ ဇိုင်ဂိုမက်တစ်အရိုးတွေ ရှိတတ်တယ်လို့ ပြသနေပါတယ်။ ရှေ့ပိုင်းအရိုးဟာ စောင်းနေပြီး အောက်ပိုင်းအရိုးရဲ့ အောက်ခြေကို မြှင့်ထားပါတယ်။
PC6 နှင့် PC7 (ပုံ ၅) (ပုံပျက်နေသောပုံများကိုပြသသည့် နောက်ဆက်တွဲဗီဒီယိုများ S4၊ S5) ကို အာရုံစိုက်သောအခါ၊ အရောင်ကွက်သည် 0.3 ထက်ကြီးသော ဝန်တန်ဖိုးကန့်သတ်ချက်ကို ပြသပြီး PC6 သည် maxillary သို့မဟုတ် alveolar morphology (အနီရောင် : X ဝင်ရိုးနှင့် အစိမ်းရောင်) နှင့် ဆက်စပ်နေကြောင်း ညွှန်ပြသည်။ Y ဝင်ရိုး၊ temporal အရိုးပုံသဏ္ဍာန် (အပြာရောင်: Y နှင့် Z ဝင်ရိုး) နှင့် occipital အရိုးပုံသဏ္ဍာန် (ပန်းရောင်: X နှင့် Z ဝင်ရိုး) တို့ဖြစ်သည်။ နဖူးအကျယ် (အနီရောင်: X-ဝင်ရိုး) အပြင် PC7 သည် parietotemporal ဒေသတစ်ဝိုက်ရှိ anterior maxillary alveoli (အစိမ်းရောင်: Y-ဝင်ရိုး) နှင့် Z-ဝင်ရိုး ဦးခေါင်းပုံသဏ္ဍာန်၏ အမြင့်နှင့်လည်း ဆက်စပ်နေသည် (နက်ပြာရောင်)။ ပုံ ၅ ၏ အပေါ်ဆုံး panel တွင်၊ ပထဝီဝင်နမူနာအားလုံးကို PC6 နှင့် PC7 အစိတ်အပိုင်းရမှတ်များအလိုက် ဖြန့်ဝေထားသည်။ ROC သည် PC6 တွင် ဥရောပတွင်ထူးခြားသောအင်္ဂါရပ်များပါဝင်ပြီး PC7 သည် ဤခွဲခြမ်းစိတ်ဖြာမှုတွင် Native American အင်္ဂါရပ်များကို ကိုယ်စားပြုကြောင်း ညွှန်ပြသောကြောင့်၊ ဤဒေသဆိုင်ရာနမူနာနှစ်ခုကို ဤအစိတ်အပိုင်းဝင်ရိုးအတွဲတွင် ရွေးချယ်၍ ပုံဖော်ထားသည်။ Native Americans များသည် နမူနာတွင် ကျယ်ကျယ်ပြန့်ပြန့်ပါဝင်သော်လည်း အပေါ်ဘယ်ဘက်ထောင့်တွင် ပြန့်ကျဲနေသည်။ ဆန့်ကျင်ဘက်အနေနဲ့ ဥရောပနမူနာအများစုဟာ အောက်ညာဘက်ထောင့်မှာ တည်ရှိလေ့ရှိပါတယ်။ PC6 နဲ့ PC7 အတွဲဟာ ဥရောပသားတွေရဲ့ ကျဉ်းမြောင်းတဲ့ alveolar process နဲ့ အတော်လေးကျယ်ပြန့်တဲ့ neurocranium ကို ကိုယ်စားပြုပြီး အမေရိကန်တွေကတော့ နဖူးကျဉ်း၊ မေးရိုးကြီးနဲ့ ပိုကျယ်ပြီး alveolar process တို့နဲ့ သွင်ပြင်လက္ခဏာရှိပါတယ်။
ROC ခွဲခြမ်းစိတ်ဖြာမှုအရ PC3 နှင့်/သို့မဟုတ် PC9 တို့သည် အရှေ့တောင်အာရှနှင့် အရှေ့မြောက်အာရှလူဦးရေတွင် အဖြစ်များကြောင်း ပြသခဲ့သည်။ ထို့ကြောင့် PC3 (y-ဝင်ရိုးပေါ်ရှိ အစိမ်းရောင်အပေါ်မျက်နှာ) နှင့် PC9 (y-ဝင်ရိုးပေါ်ရှိ အစိမ်းရောင်အောက်မျက်နှာ) အတွဲများသည် အရှေ့အာရှလူမျိုးများ၏ မတူကွဲပြားမှုကို ထင်ဟပ်စေသည် (ပုံ ၆၊ နောက်ဆက်တွဲဗီဒီယိုများ S6၊ S7 သည် ပုံသဏ္ဌာန်ပြောင်းလဲထားသော ရုပ်ပုံများကို ပေးသည်)။ ၎င်းသည် အရှေ့မြောက်အာရှလူမျိုးများ၏ မျက်နှာအချိုးအစားမြင့်မားခြင်းနှင့် အရှေ့တောင်အာရှလူမျိုးများ၏ မျက်နှာပုံသဏ္ဍာန်နိမ့်ခြင်းနှင့် သိသိသာသာ ကွာခြားသည်။ ဤမျက်နှာအင်္ဂါရပ်များအပြင် အရှေ့မြောက်အာရှလူမျိုးအချို့၏ နောက်ထပ်ဝိသေသလက္ခဏာတစ်ခုမှာ occipital အရိုး၏ lambda tilt ဖြစ်ပြီး အရှေ့တောင်အာရှလူမျိုးအချို့တွင် ကျဉ်းမြောင်းသော ဦးခေါင်းခွံအခြေခံရှိသည်။
အဓိက ပထဝီဝင်ယူနစ်ကိုးခုကြားတွင် ဒေသဆိုင်ရာဝိသေသလက္ခဏာများကို မတွေ့ရှိခဲ့သောကြောင့် အထက်ဖော်ပြပါ အဓိကအစိတ်အပိုင်းများ၏ ဖော်ပြချက်နှင့် PC5 နှင့် PC8 ၏ ဖော်ပြချက်ကို ချန်လှပ်ထားပါသည်။ PC5 သည် ယာယီအရိုး၏ mastoid လုပ်ငန်းစဉ်၏ အရွယ်အစားကို ရည်ညွှန်းပြီး PC8 သည် ဦးခေါင်းခွံပုံသဏ္ဍာန်၏ မညီမျှမှုကို ထင်ဟပ်စေပြီး နှစ်ခုစလုံးသည် ပထဝီဝင်နမူနာပေါင်းစပ်မှုကိုးခုကြားတွင် အပြိုင်ကွဲပြားမှုများကို ပြသသည်။
တစ်ဦးချင်းအဆင့် PCA ရမှတ်များ၏ scatterplots များအပြင်၊ အလုံးစုံနှိုင်းယှဉ်မှုအတွက် အုပ်စုပျမ်းမျှ၏ scatterplots များကိုလည်း ကျွန်ုပ်တို့ ပံ့ပိုးပေးပါသည်။ ဤရည်ရွယ်ချက်အတွက်၊ လူမျိုးစု ၁၄၈ စုမှ တစ်ဦးချင်း homology မော်ဒယ်များ၏ vertex data set မှ ပျမ်းမျှ cranial homology မော်ဒယ်ကို ဖန်တီးခဲ့သည်။ PC2 နှင့် PC4၊ PC6 နှင့် PC7 နှင့် PC3 နှင့် PC9 အတွက် ရမှတ်အစုံများ၏ Bivariate plots များကို နောက်ဆက်တွဲပုံ S1 တွင် ပြသထားပြီး၊ အားလုံးကို လူ ၁၄၈ ဦး၏ နမူနာအတွက် ပျမ်းမျှဦးခေါင်းခွံမော်ဒယ်အဖြစ် တွက်ချက်ထားသည်။ ဤနည်းအားဖြင့်၊ scatterplots များသည် အုပ်စုတစ်ခုစီအတွင်း တစ်ဦးချင်းကွာခြားချက်များကို ဖုံးကွယ်ထားပြီး၊ အခြေခံဒေသဆိုင်ရာ ဖြန့်ဖြူးမှုများကြောင့် ဦးခေါင်းခွံဆင်တူမှုများကို ပိုမိုရှင်းလင်းစွာ အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်စေပြီး၊ ပုံစံများသည် တစ်ဦးချင်း plots များတွင် ဖော်ပြထားသော ပုံစံများနှင့် ထပ်တူကျမှုနည်းပါးသည်။ နောက်ဆက်တွဲပုံ S2 သည် ပထဝီဝင်ယူနစ်တစ်ခုစီအတွက် အလုံးစုံပျမ်းမျှမော်ဒယ်ကို ပြသထားသည်။
အလုံးစုံအရွယ်အစားနှင့် ဆက်စပ်နေသော PC1 အပြင် (နောက်ဆက်တွဲဇယား S2)၊ ဗဟိုအတိုင်းအတာများနှင့် ပုံမှန်မဟုတ်သောဒေတာမှ PCA ခန့်မှန်းချက်အစုံများကို အသုံးပြု၍ အလုံးစုံအရွယ်အစားနှင့် ဦးခေါင်းခွံပုံသဏ္ဍာန်အကြား allometric ဆက်နွယ်မှုကို စစ်ဆေးခဲ့သည်။ significance test တွင် Allometric coefficients များ၊ constant values များ၊ t values များနှင့် P values များကို ဇယား ၄ တွင် ပြသထားသည်။ P < 0.05 level တွင် cranial morphology တွင် အလုံးစုံဦးခေါင်းခွံအရွယ်အစားနှင့် ဆက်စပ်နေသော သိသာထင်ရှားသော allometric pattern components များကို မတွေ့ရှိခဲ့ပါ။
ပုံမှန်မဟုတ်သောဒေတာအစုံများအပေါ်အခြေခံ၍ PC ခန့်မှန်းချက်များတွင် အရွယ်အစားအချက်အချို့ပါဝင်နိုင်သောကြောင့်၊ ဗဟိုအရွယ်အစားဖြင့် ပုံမှန်ပြုလုပ်ထားသောဒေတာအစုံများကို အသုံးပြု၍ တွက်ချက်ထားသော ဗဟိုအရွယ်အစားနှင့် PC ရမှတ်များအကြား allometric လမ်းကြောင်းကို ကျွန်ုပ်တို့ ထပ်မံစစ်ဆေးခဲ့ပါသည် (PCA ရလဒ်များနှင့် ရမှတ်အစုံများကို Supplementary Tables S6 တွင် တင်ပြထားသည်)။ ဇယား ၄ တွင် allometric ခွဲခြမ်းစိတ်ဖြာမှုရလဒ်များကို ပြသထားသည်။ ထို့ကြောင့်၊ PC6 တွင် 1% အဆင့်နှင့် PC10 တွင် 5% အဆင့်တွင် သိသာထင်ရှားသော allometric လမ်းကြောင်းများကို တွေ့ရှိခဲ့သည်။ ပုံ ၇ တွင် log ဗဟိုအရွယ်အစား၏ အဆုံးတစ်ဖက်တစ်ချက်စီတွင် dummies (±3 SD) ပါရှိသော PC ရမှတ်များနှင့် ဗဟိုအရွယ်အစားအကြား ဤ log-linear ဆက်နွယ်မှုများ၏ regression slopes များကို ပြသထားသည်။ PC6 ရမှတ်သည် ဦးခေါင်းခွံ၏ ဆွေမျိုးအမြင့်နှင့် အနံ၏ အချိုးဖြစ်သည်။ ဦးခေါင်းခွံ၏ အရွယ်အစားတိုးလာသည်နှင့်အမျှ ဦးခေါင်းခွံနှင့် မျက်နှာသည် မြင့်လာပြီး နဖူး၊ မျက်လုံးအိမ်နှင့် နှာခေါင်းပေါက်များသည် ဘေးတိုက်ပိုမိုနီးကပ်လာလေ့ရှိသည်။ နမူနာပျံ့နှံ့မှုပုံစံက ဤအချိုးအစားကို အရှေ့မြောက်အာရှသားများနှင့် ဌာနေအမေရိကန်များတွင် ပုံမှန်တွေ့ရှိရကြောင်း အကြံပြုထားသည်။ ထို့အပြင်၊ PC10 သည် ပထဝီဝင်ဒေသ မည်သို့ပင်ရှိစေကာမူ အလယ်မျက်နှာအကျယ် အချိုးကျလျော့ကျမှုဆီသို့ ဦးတည်သော လမ်းကြောင်းကို ပြသသည်။
ဇယားတွင် ဖော်ပြထားသော သိသာထင်ရှားသော allometric ဆက်နွယ်မှုများအတွက်၊ ပုံသဏ္ဍာန်အစိတ်အပိုင်း၏ PC အချိုး (normalized data မှရရှိသော) နှင့် centroid အရွယ်အစားအကြား log-linear regression ၏ slope အတွက်၊ virtual shape deformation သည် 4 မျဉ်း၏ ဆန့်ကျင်ဘက်ခြမ်းတွင် 3 SD အရွယ်အစားရှိသည်။
ဦးခေါင်းခွံပုံသဏ္ဍာန်ပြောင်းလဲမှုပုံစံကို homologous 3D မျက်နှာပြင်ပုံစံများ၏ dataset များကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် အောက်ပါတို့ကို သရုပ်ပြခဲ့သည်။ PCA ၏ ပထမအစိတ်အပိုင်းသည် ဦးခေါင်းခွံအရွယ်အစားနှင့် သက်ဆိုင်သည်။ အိန္ဒိယ၊ သီရိလင်္ကာနှင့် အန်ဒမန်ကျွန်းစုများ၊ ဘင်္ဂလားဒေ့ရှ်မှ နမူနာများအပါအဝင် တောင်အာရှသားများ၏ ဦးခေါင်းခွံငယ်များသည် Bergmann ၏ ဂေဟစနစ်စည်းမျဉ်း သို့မဟုတ် ကျွန်းစည်းမျဉ်း ၆၁၃,၅,၁၆,၂၅,၂၇,၆၂ နှင့် ကိုက်ညီသော ၎င်းတို့၏ ခန္ဓာကိုယ်အရွယ်အစားသေးငယ်မှုကြောင့်ဟု ကြာမြင့်စွာကတည်းက ယူဆခဲ့ကြသည်။ ပထမတစ်ခုမှာ အပူချိန်နှင့် သက်ဆိုင်ပြီး ဒုတိယတစ်ခုမှာ ဂေဟဗေဒနယ်ပယ်၏ ရရှိနိုင်သော နေရာနှင့် အစားအစာအရင်းအမြစ်များပေါ်တွင် မူတည်သည်။ ပုံသဏ္ဍာန်၏ အစိတ်အပိုင်းများထဲတွင် အကြီးမားဆုံးပြောင်းလဲမှုမှာ ဦးခေါင်းခွံအခေါင်းပေါက်၏ အရှည်နှင့် အနံအချိုးဖြစ်သည်။ PC2 ဟု အမည်ပေးထားသော ဤအင်္ဂါရပ်သည် Austro-Melanesians နှင့် အာဖရိကန်လူမျိုးများ၏ အချိုးကျရှည်လျားသော ဦးခေါင်းခွံများအကြား နီးကပ်သောဆက်ဆံရေးအပြင် ဥရောပသားအချို့နှင့် အရှေ့မြောက်အာရှသားများ၏ လုံးပုံသဏ္ဍာန်ဦးခေါင်းခွံများနှင့် ကွာခြားချက်များကို ဖော်ပြထားသည်။ ဤဝိသေသလက္ခဏာများကို ရိုးရှင်းသော မျဉ်းဖြောင့်တိုင်းတာမှုများ ၃၇,၆၃,၆၄ အပေါ်အခြေခံ၍ ယခင်လေ့လာမှုများစွာတွင် တင်ပြထားပြီးဖြစ်သည်။ ထို့အပြင်၊ ဤဝိသေသလက္ခဏာသည် အာဖရိကမဟုတ်သူများတွင် brachycephaly နှင့်ဆက်စပ်နေပြီး၊ ၎င်းကို လူသားတိုင်းတာမှုနှင့် အရိုးတိုင်းတာမှုဆိုင်ရာ လေ့လာမှုများတွင် ကြာမြင့်စွာကတည်းက ဆွေးနွေးခဲ့ကြသည်။ ဤရှင်းလင်းချက်၏နောက်ကွယ်ရှိ အဓိကယူဆချက်မှာ temporalis ကြွက်သားပါးလွှာခြင်းကဲ့သို့သော ဝါးစားမှုလျော့နည်းခြင်းသည် အပြင်ဘက်ဦးရေပြားပေါ်ရှိဖိအားကို လျော့ကျစေသည်5,8,9,10,11,12,13။ နောက်ထပ်ယူဆချက်တွင် ဦးခေါင်းမျက်နှာပြင်ဧရိယာကို လျှော့ချခြင်းဖြင့် အအေးရာသီဥတုကို လိုက်လျောညီထွေဖြစ်အောင်ပြုလုပ်ခြင်းပါဝင်ပြီး Allen ၏စည်းမျဉ်းများ16,17,25 အရ ပိုမိုလုံးပတ်သောဦးခေါင်းခွံသည် လုံးပတ်ပုံသဏ္ဍာန်ထက် မျက်နှာပြင်ဧရိယာကို ပိုမိုကောင်းမွန်စွာ လျှော့ချပေးသည်ဟု အကြံပြုထားသည်။ လက်ရှိလေ့လာမှု၏ရလဒ်များအပေါ်အခြေခံ၍ ဤယူဆချက်များကို cranial segments များ၏ cross-correlation ပေါ်တွင်သာ အခြေခံ၍ အကဲဖြတ်နိုင်သည်။ အကျဉ်းချုပ်အားဖြင့်၊ ကျွန်ုပ်တို့၏ PCA ရလဒ်များသည် cranial length-width ratio သည် ဝါးခြင်းအခြေအနေများက သိသိသာသာလွှမ်းမိုးသည်ဟူသော ယူဆချက်ကို အပြည့်အဝထောက်ခံခြင်းမရှိပါ၊ အဘယ်ကြောင့်ဆိုသော် PC2 (ရှည်လျား/brachycephalic component) loading သည် မျက်နှာအချိုးအစား (relative maxillary dimensions အပါအဝင်) နှင့် temporalis fossa ၏ relative space (temporalis ကြွက်သား၏ volume ကိုထင်ဟပ်စေသည်) နှင့် သိသိသာသာဆက်စပ်မှုမရှိသောကြောင့်ဖြစ်သည်။ ကျွန်ုပ်တို့၏ လက်ရှိလေ့လာမှုသည် ဦးခေါင်းခွံပုံသဏ္ဍာန်နှင့် အပူချိန်ကဲ့သို့သော ဘူမိဗေဒဆိုင်ရာပတ်ဝန်းကျင်အခြေအနေများအကြား ဆက်နွယ်မှုကို ခွဲခြမ်းစိတ်ဖြာခြင်းမပြုခဲ့ပါ။ သို့သော် Allen ၏စည်းမျဉ်းကို အခြေခံသည့် ရှင်းလင်းချက်ကို အအေးပိုင်းဒေသများရှိ brachycephalon များကို ရှင်းပြရန် ကိုယ်စားလှယ်လောင်းယူဆချက်တစ်ခုအဖြစ် ထည့်သွင်းစဉ်းစားသင့်ပါသည်။
PC4 တွင် သိသာထင်ရှားသော ကွဲလွဲမှုကို တွေ့ရှိခဲ့ပြီး အရှေ့မြောက်အာရှသားများတွင် မေးရိုးနှင့် zygomatic အရိုးများပေါ်တွင် ကြီးမားထင်ရှားသော zygomatic အရိုးများရှိကြောင်း အကြံပြုထားသည်။ ဤတွေ့ရှိချက်သည် ဆိုက်ဘေးရီးယားလူမျိုးများ၏ လူသိများသော သီးခြားဝိသေသလက္ခဏာနှင့် ကိုက်ညီပြီး ၎င်းတို့သည် zygomatic အရိုးများ၏ ရှေ့သို့ရွေ့လျားခြင်းဖြင့် အလွန်အေးသောရာသီဥတုကို လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်နိုင်ခဲ့ပြီး sinuses များ၏ ထုထည်တိုးလာပြီး ပြားချပ်သောမျက်နှာ ၆၅ ကို ဖြစ်ပေါ်စေသည်။ ကျွန်ုပ်တို့၏ homologous မော်ဒယ်မှ အသစ်တွေ့ရှိချက်တစ်ခုမှာ ဥရောပသားများတွင် ပါးတွဲကျခြင်းသည် ရှေ့ပိုင်းစောင်းမှုလျော့နည်းခြင်းအပြင် ပြားချပ်ပြီး ကျဉ်းမြောင်းသော occipital အရိုးများနှင့် nuchal concavity တို့ ဆက်စပ်နေသည်။ ဆန့်ကျင်ဘက်အားဖြင့် အရှေ့မြောက်အာရှသားများတွင် နဖူးစောင်းခြင်းနှင့် occipital ဒေသများ မြင့်တက်လေ့ရှိသည်။ geometric morphometric နည်းလမ်းများကို အသုံးပြု၍ occipital အရိုးကို လေ့လာမှုများ ၃၅ တွင် အာရှနှင့် ဥရောပဦးခေါင်းခွံများတွင် အာဖရိကသားများနှင့် နှိုင်းယှဉ်ပါက ပြားချပ်သော nuchal ကွေးညွှတ်မှုနှင့် occiput ၏ အနေအထားနိမ့်ကြောင်း ပြသခဲ့သည်။ သို့သော် PC2 နှင့် PC4 နှင့် PC3 နှင့် PC9 အတွဲများ၏ scatterplots များသည် အာရှသားများတွင် ပိုမိုကွဲပြားမှုကို ပြသခဲ့ပြီး ဥရောပသားများတွင် occiput ၏ ပြားချပ်သောအောက်ခြေနှင့် occiput အောက်ပိုင်းဖြင့် သွင်ပြင်လက္ခဏာရှိသည်။ လေ့လာမှုများအကြား အာရှဝိသေသလက္ခဏာများတွင် မကိုက်ညီမှုများသည် အသုံးပြုထားသော လူမျိုးစုနမူနာများတွင် ကွဲပြားမှုများကြောင့် ဖြစ်နိုင်သည်။ အရှေ့မြောက်နှင့် အရှေ့တောင်အာရှမှ ကျယ်ပြန့်သော လူမျိုးစုအများအပြားကို ကျွန်ုပ်တို့ နမူနာယူခဲ့သောကြောင့်ဖြစ်သည်။ ဦးခေါင်းခွံရိုး၏ပုံသဏ္ဍာန်ပြောင်းလဲမှုများသည် ကြွက်သားဖွံ့ဖြိုးမှုနှင့် မကြာခဏ ဆက်စပ်နေသည်။ သို့သော်၊ ဤလိုက်လျောညီထွေဖြစ်အောင် ရှင်းပြချက်သည် ဤလေ့လာမှုတွင် သရုပ်ပြခဲ့သော်လည်း အပြည့်အဝ သရုပ်ပြနိုင်ဖွယ်မရှိပေ။ ဤကိစ္စနှင့်စပ်လျဉ်း၍ ခန္ဓာကိုယ်အလေးချိန်ဟန်ချက်ညီမှုနှင့် ဆွဲငင်အားဗဟို သို့မဟုတ် လည်ပင်းဆုံရာ (foramen magnum) သို့မဟုတ် အခြားအချက်များအကြား ဆက်နွယ်မှုကို ထည့်သွင်းစဉ်းစားသင့်သည်။
ကွဲပြားမှုများစွာရှိသော နောက်ထပ်အရေးကြီးသော အစိတ်အပိုင်းတစ်ခုမှာ maxillary နှင့် temporal fossae ဖြင့်ကိုယ်စားပြုသော အစာချေဖျက်သည့်ကိရိယာ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် ဆက်စပ်နေပြီး ၎င်းကို PC6၊ PC7 နှင့် PC4 ရမှတ်များပေါင်းစပ်၍ ဖော်ပြထားသည်။ ဦးခေါင်းခွံအပိုင်းများတွင် ဤသိသာထင်ရှားသော လျော့ကျမှုများသည် ဥရောပလူပုဂ္ဂိုလ်များအား အခြားပထဝီဝင်အုပ်စုများထက် ပိုမိုသွင်ပြင်လက္ခဏာပြသည်။ ဤအင်္ဂါရပ်ကို စိုက်ပျိုးရေးနှင့် အစားအစာပြင်ဆင်မှုနည်းပညာများ အစောပိုင်းဖွံ့ဖြိုးတိုးတက်မှုကြောင့် မျက်နှာပုံသဏ္ဍာန် တည်ငြိမ်မှု လျော့နည်းသွားခြင်း၏ ရလဒ်အဖြစ် အဓိပ္ပာယ်ဖွင့်ဆိုထားပြီး ၎င်းသည် အစွမ်းထက်သော အစာချေဖျက်သည့်ကိရိယာမပါဘဲ အစာချေဖျက်သည့်ကိရိယာပေါ်ရှိ စက်ပိုင်းဆိုင်ရာဝန်ထုပ်ဝန်ပိုးကို လျှော့ချပေးသည်9,12,28,66။ အစာချေဖျက်မှုလုပ်ဆောင်ချက် ယူဆချက်၊ ၂၈ အရ ၎င်းသည် ဦးခေါင်းခွံအောက်ခြေ၏ ကွေးညွှတ်မှုကို ပိုမိုထက်မြက်သော ဦးခေါင်းခွံထောင့်နှင့် ပိုမိုလုံးပတ်သော ဦးခေါင်းခွံခေါင်မိုးသို့ ပြောင်းလဲခြင်းဖြင့် တွဲဖက်ဖြစ်ပေါ်သည်။ ဤရှုထောင့်မှကြည့်လျှင် လယ်ယာစိုက်ပျိုးရေးလူဦးရေသည် ကျစ်လစ်သောမျက်နှာများ၊ မေးရိုးထွက်မှုနည်းပြီး ပိုမိုလုံးပတ်သော ဦးနှောက်အမြှေးပါးများ ရှိလေ့ရှိသည်။ ထို့ကြောင့် ဤပုံပျက်ခြင်းကို အစာချေဖျက်သည့်အင်္ဂါများ လျော့နည်းသော ဥရောပသားများ၏ ဦးခေါင်းခွံ၏ ဘေးတိုက်ပုံသဏ္ဍာန်၏ အထွေထွေပုံသဏ္ဍာန်ဖြင့် ရှင်းပြနိုင်သည်။ သို့သော်၊ ဤလေ့လာမှုအရ ဤအဓိပ္ပာယ်ဖွင့်ဆိုချက်သည် ရှုပ်ထွေးသည်၊ အဘယ်ကြောင့်ဆိုသော် PC2 ၏ ယခင်အဓိပ္ပာယ်ဖွင့်ဆိုချက်များတွင် ထည့်သွင်းစဉ်းစားထားသည့်အတိုင်း globose neurocranium နှင့် အစာဝါးခြင်းကိရိယာ ဖွံ့ဖြိုးတိုးတက်မှုအကြား morphological ဆက်နွယ်မှု၏ လုပ်ဆောင်ချက်ဆိုင်ရာ အရေးပါမှုသည် လက်ခံနိုင်ဖွယ်နည်းသောကြောင့်ဖြစ်သည်။
အရှေ့မြောက်အာရှသားများနှင့် အရှေ့တောင်အာရှသားများ၏ ကွာခြားချက်များကို PC3 နှင့် PC9 တွင်ပြထားသည့်အတိုင်း စောင်းနေသော ဦးခေါင်းခွံအောက်ခံရှိသော မြင့်မားသောမျက်နှာနှင့် ကျဉ်းမြောင်းသော ဦးခေါင်းခွံအောက်ခံရှိသော တိုတောင်းသောမျက်နှာတို့၏ ခြားနားချက်ဖြင့် သရုပ်ဖော်ထားသည်။ ပထဝီဝင်ဂေဟဗေဒဆိုင်ရာ အချက်အလက်မရှိခြင်းကြောင့် ကျွန်ုပ်တို့၏လေ့လာမှုသည် ဤတွေ့ရှိချက်အတွက် အကန့်အသတ်ရှိသော ရှင်းလင်းချက်သာပေးပါသည်။ ဖြစ်နိုင်ခြေရှိသော ရှင်းလင်းချက်တစ်ခုမှာ မတူညီသောရာသီဥတု သို့မဟုတ် အာဟာရအခြေအနေများနှင့် လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ခြင်းဖြစ်သည်။ ဂေဟဗေဒဆိုင်ရာ လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ခြင်းအပြင် အရှေ့မြောက်နှင့် အရှေ့တောင်အာရှရှိ လူဦးရေ၏ သမိုင်းကြောင်းတွင် ဒေသအလိုက် ကွာခြားချက်များကိုလည်း ထည့်သွင်းစဉ်းစားခဲ့သည်။ ဥပမာအားဖြင့် အရှေ့ယူရေးရှားတွင် ဦးခေါင်းခွံပုံသဏ္ဍာန်ဒေတာအပေါ် အခြေခံ၍ ခန္ဓာဗေဒအရ ခေတ်သစ်လူသားများ (AMH) ပျံ့နှံ့နေထိုင်မှုကို နားလည်ရန် အလွှာနှစ်လွှာပါ မော်ဒယ်တစ်ခုကို ယူဆခဲ့သည်67,68။ ဤမော်ဒယ်အရ၊ “ပထမအလွှာ”၊ ဆိုလိုသည်မှာ Pleistocene နှောင်းပိုင်း AMH ကိုလိုနီပြုသူများ၏ မူလအုပ်စုများသည် ခေတ်သစ် Austro-Melanesians (စာ- ပထမအလွှာ) ကဲ့သို့ ထိုဒေသရှိ ဌာနေတိုင်းရင်းသားများမှ တိုက်ရိုက်ဆင်းသက်လာသူများဖြစ်သည်။ နောက်ပိုင်းတွင် အရှေ့မြောက်အာရှဝိသေသလက္ခဏာများ (ဒုတိယအလွှာ) ရှိသော မြောက်ပိုင်းစိုက်ပျိုးရေးလူမျိုးများ ထိုဒေသထဲသို့ ကြီးမားသောရောနှောမှုကို ကြုံတွေ့ခဲ့ရသည် (လွန်ခဲ့သောနှစ်ပေါင်း ၄၀၀၀ ခန့်)။ အရှေ့တောင်အာရှ ဦးခေါင်းခွံပုံသဏ္ဍာန်သည် ဒေသတွင်းပထမအဆင့် မျိုးရိုးဗီဇအမွေဆက်ခံမှုပေါ်တွင် တစ်စိတ်တစ်ပိုင်းမူတည်နိုင်သောကြောင့် အရှေ့တောင်အာရှ၏ ဦးခေါင်းခွံပုံသဏ္ဍာန်ကို နားလည်ရန် “အလွှာနှစ်လွှာ” မော်ဒယ်ကို အသုံးပြု၍ မြေပုံရေးဆွဲထားသော မျိုးရိုးဗီဇစီးဆင်းမှု လိုအပ်မည်ဖြစ်သည်။
တူညီသောပုံစံများကို အသုံးပြု၍ မြေပုံဆွဲထားသော ပထဝီဝင်ယူနစ်များကို အသုံးပြု၍ ဦးခေါင်းခွံဆင်တူမှုကို အကဲဖြတ်ခြင်းဖြင့်၊ အာဖရိကပြင်ပရှိ အခြေအနေများတွင် AMF ၏ အခြေခံလူဦးရေသမိုင်းကို ကျွန်ုပ်တို့ ကောက်ချက်ချနိုင်သည်။ အရိုးစုနှင့် မျိုးရိုးဗီဇဆိုင်ရာ အချက်အလက်များအပေါ် အခြေခံ၍ AMF ၏ ဖြန့်ဖြူးမှုကို ရှင်းပြရန် မတူညီသော “အာဖရိကပြင်ပ” မော်ဒယ်များစွာကို အဆိုပြုထားသည်။ ၎င်းတို့အနက်၊ မကြာသေးမီက လေ့လာမှုများအရ အာဖရိကပြင်ပရှိ ဒေသများတွင် AMH ကိုလိုနီပြုခြင်းသည် လွန်ခဲ့သောနှစ်ပေါင်း ၁၇၇,၀၀၀ ခန့်က စတင်ခဲ့သည်ဟု အကြံပြုထားသည်69,70။ သို့သော်၊ ဤကာလအတွင်း ယူရေးရှားတွင် AMF ၏ အဝေးပြေးဖြန့်ဖြူးမှုသည် မသေချာသေးပါ၊ အဘယ်ကြောင့်ဆိုသော် ဤအစောပိုင်း ရုပ်ကြွင်းများ၏ နေထိုင်ရာများသည် အရှေ့အလယ်ပိုင်းနှင့် အာဖရိကအနီး မြေထဲပင်လယ်တွင်သာ ကန့်သတ်ထားသောကြောင့်ဖြစ်သည်။ အရိုးရှင်းဆုံးကိစ္စမှာ အာဖရိကမှ ယူရေးရှားသို့ ရွှေ့ပြောင်းလမ်းကြောင်းတစ်လျှောက်တွင် အခြေချနေထိုင်မှုတစ်ခုတည်းဖြစ်ပြီး ဟိမဝန္တာတောင်တန်းကဲ့သို့သော ပထဝီဝင်အတားအဆီးများကို ကျော်လွှားသည်။ နောက်ထပ်မော်ဒယ်တစ်ခုသည် အိန္ဒိယသမုဒ္ဒရာကမ်းရိုးတန်းတစ်လျှောက် အာဖရိကမှ အရှေ့တောင်အာရှနှင့် သြစတြေးလျသို့ ပျံ့နှံ့သွားပြီးနောက် မြောက်ပိုင်းယူရေးရှားသို့ ပျံ့နှံ့သွားသော ရွှေ့ပြောင်းမှုလှိုင်းများစွာကို အကြံပြုထားသည်။ ဤလေ့လာမှုအများစုသည် AMF သည် လွန်ခဲ့သောနှစ်ပေါင်း ၆၀,၀၀၀ ခန့်က အာဖရိကထက်ကျော်လွန်၍ ပျံ့နှံ့သွားကြောင်း အတည်ပြုသည်။ ဤသဘောအရ၊ Australasian-Melanesian (ပါပူအာအပါအဝင်) နမူနာများသည် homology မော်ဒယ်များ၏ အဓိကအစိတ်အပိုင်းများ ခွဲခြမ်းစိတ်ဖြာမှုတွင် အခြားပထဝီဝင်စီးရီးများထက် အာဖရိကနမူနာများနှင့် ပိုမိုဆင်တူကြောင်း ပြသသည်။ ဤတွေ့ရှိချက်သည် Eurasia ၏တောင်ဘက်အစွန်းတစ်လျှောက်ရှိ ပထမဆုံး AMF ဖြန့်ဖြူးမှုအုပ်စုများသည် သီးခြားရာသီဥတုများ သို့မဟုတ် အခြားသိသာထင်ရှားသောအခြေအနေများအပေါ် တုံ့ပြန်သည့်အနေဖြင့် သိသာထင်ရှားသော morphological ပြောင်းလဲမှုမရှိဘဲ အာဖရိက22,68 တွင် တိုက်ရိုက်ပေါ်ပေါက်လာသည်ဟူသော ယူဆချက်ကို ထောက်ခံသည်။
allometric ကြီးထွားမှုနှင့် ပတ်သက်၍၊ centroid အရွယ်အစားဖြင့် ပုံမှန်ဖြစ်အောင်ပြုလုပ်ထားသော မတူညီသောဒေတာအစုံမှရရှိသောပုံသဏ္ဍာန်အစိတ်အပိုင်းများကို အသုံးပြု၍ ခွဲခြမ်းစိတ်ဖြာမှုသည် PC6 နှင့် PC10 တွင် သိသာထင်ရှားသော allometric လမ်းကြောင်းကို ပြသခဲ့သည်။ အစိတ်အပိုင်းနှစ်ခုစလုံးသည် နဖူးနှင့် ဦးခေါင်းခွံအရွယ်အစားတိုးလာသည်နှင့်အမျှ ကျဉ်းမြောင်းလာသော မျက်နှာအစိတ်အပိုင်းများနှင့် ဆက်စပ်နေသည်။ အရှေ့မြောက်အာရှသားများနှင့် အမေရိကန်များသည် ဤအင်္ဂါရပ်ရှိတတ်ပြီး ဦးခေါင်းခွံများသည် နှိုင်းယှဉ်လျှင် ကြီးမားကြသည်။ ဤတွေ့ရှိချက်သည် ယခင်ကဖော်ပြခဲ့သော allometric ပုံစံများနှင့် ဆန့်ကျင်ဘက်ဖြစ်ပြီး၊ ၎င်းတွင် ဦးနှောက်ကြီးများတွင် “Broca's cap” ဒေသဟုခေါ်သောနေရာတွင် နှိုင်းယှဉ်လျှင် ပိုကျယ်သော frontal lobes များရှိပြီး frontal lobe အကျယ်တိုးလာစေပါသည်။ ဤကွာခြားချက်များကို နမူနာအစုံများတွင် ကွာခြားချက်များဖြင့် ရှင်းပြထားသည်။ ကျွန်ုပ်တို့၏လေ့လာမှုသည် ခေတ်မီလူဦးရေကို အသုံးပြု၍ ဦးခေါင်းခွံအရွယ်အစား၏ allometric ပုံစံများကို ခွဲခြမ်းစိတ်ဖြာခဲ့ပြီး နှိုင်းယှဉ်လေ့လာမှုများသည် ဦးနှောက်အရွယ်အစားနှင့် ဆက်စပ်သော လူသားဆင့်ကဲဖြစ်စဉ်တွင် ရေရှည်လမ်းကြောင်းများကို ကိုင်တွယ်ဖြေရှင်းသည်။
မျက်နှာ allometry နှင့် ပတ်သက်၍ biometric data ကိုအသုံးပြုသည့် လေ့လာမှုတစ်ခု78 အရ မျက်နှာပုံသဏ္ဍာန်နှင့် အရွယ်အစားသည် အနည်းငယ်ဆက်စပ်နေနိုင်ကြောင်း တွေ့ရှိခဲ့ပြီး၊ ကျွန်ုပ်တို့၏ လေ့လာမှုအရ ပိုကြီးသော ဦးခေါင်းခွံများသည် မြင့်မားပြီး ကျဉ်းမြောင်းသော မျက်နှာများနှင့် ဆက်စပ်နေလေ့ရှိကြောင်း တွေ့ရှိခဲ့သည်။ သို့သော် biometric data ၏ တသမတ်တည်းဖြစ်မှုသည် မရှင်းလင်းပါ။ ontogenetic allometry နှင့် static allometry တို့ကို နှိုင်းယှဉ်သည့် Regression စမ်းသပ်မှုများသည် မတူညီသောရလဒ်များကို ပြသသည်။ အမြင့်တိုးလာခြင်းကြောင့် ဂလိုဘယ်ဦးခေါင်းခွံပုံသဏ္ဍာန်ဆီသို့ allometric လမ်းကြောင်းကိုလည်း တင်ပြထားပါသည်။ သို့သော် ကျွန်ုပ်တို့သည် အမြင့်ဒေတာကို မခွဲခြမ်းစိတ်ဖြာခဲ့ပါ။ ကျွန်ုပ်တို့၏ လေ့လာမှုအရ cranial globular proportions နှင့် overall cranial size အကြား ဆက်စပ်မှုကို ပြသသည့် allometric data မရှိကြောင်း ပြသထားသည်။
ကျွန်ုပ်တို့၏လက်ရှိလေ့လာမှုသည် ဦးခေါင်းခွံပုံသဏ္ဍာန်ကို လွှမ်းမိုးနိုင်ခြေရှိသော ရာသီဥတု သို့မဟုတ် အစားအသောက်အခြေအနေများဖြင့် ကိုယ်စားပြုသည့် ပြင်ပကိန်းရှင်များဆိုင်ရာဒေတာများကို မကိုင်တွယ်သော်လည်း၊ ဤလေ့လာမှုတွင်အသုံးပြုသော homologous 3D ဦးခေါင်းခွံမျက်နှာပြင်မော်ဒယ်များ၏ ကြီးမားသောဒေတာအစုံသည် ဆက်စပ်နေသော phenotypic morphological ကွဲပြားမှုကို အကဲဖြတ်ရန် ကူညီပေးပါလိမ့်မည်။ အစားအသောက်၊ ရာသီဥတုနှင့် အာဟာရအခြေအနေများကဲ့သို့သော ပတ်ဝန်းကျင်ဆိုင်ရာအချက်များအပြင် ရွှေ့ပြောင်းခြင်း၊ မျိုးရိုးဗီဇစီးဆင်းမှုနှင့် မျိုးရိုးဗီဇရွေ့လျားမှုကဲ့သို့သော ကြားနေအင်အားစုများ။
ဤလေ့လာမှုတွင် ပထဝီဝင်ယူနစ် ၉ ခုရှိ လူဦးရေ ၁၄၈ မျိုးမှ စုဆောင်းရရှိသော အထီးဦးခေါင်းခွံနမူနာ ၃၄၂ ခု ပါဝင်ပြီး (ဇယား ၁)။ အုပ်စုအများစုသည် ပထဝီဝင်အရ မူရင်းနမူနာများဖြစ်ပြီး အာဖရိက၊ အရှေ့မြောက်/အရှေ့တောင်အာရှနှင့် အမေရိကတိုက်များရှိ အုပ်စုအချို့ (စာလုံးစောင်းဖြင့်ဖော်ပြထားသည်) ကို လူမျိုးအလိုက် သတ်မှတ်ထားသည်။ Tsunehiko Hanihara မှ ပံ့ပိုးပေးသော Martin ဦးခေါင်းခွံတိုင်းတာမှု အဓိပ္ပာယ်ဖွင့်ဆိုချက်အရ ဦးခေါင်းခွံနမူနာများစွာကို ဦးခေါင်းခွံတိုင်းတာမှုဒေတာဘေ့စ်မှ ရွေးချယ်ခဲ့သည်။ ကမ္ဘာပေါ်ရှိ လူမျိုးစုအားလုံးမှ ကိုယ်စားပြု အထီးဦးခေါင်းခွံများကို ကျွန်ုပ်တို့ ရွေးချယ်ခဲ့သည်။ အုပ်စုတစ်ခုစီ၏ အဖွဲ့ဝင်များကို ဖော်ထုတ်ရန်အတွက်၊ ထိုအုပ်စုတွင်ပါဝင်သော လူပုဂ္ဂိုလ်အားလုံးအတွက် အုပ်စုပျမ်းမျှမှ ဦးခေါင်းခွံတိုင်းတာမှု ၃၇ ခုအပေါ် အခြေခံ၍ Euclidean အကွာအဝေးများကို ကျွန်ုပ်တို့ တွက်ချက်ခဲ့သည်။ ကိစ္စအများစုတွင်၊ ကျွန်ုပ်တို့သည် ပျမ်းမျှမှ အသေးငယ်ဆုံးအကွာအဝေးရှိသော နမူနာ ၁-၄ ခုကို ရွေးချယ်ခဲ့သည် (နောက်ဆက်တွဲဇယား S4)။ ဤအုပ်စုများအတွက်၊ Hahara တိုင်းတာမှုဒေတာဘေ့စ်တွင် မဖော်ပြထားပါက နမူနာအချို့ကို ကျပန်းရွေးချယ်ခဲ့သည်။
စာရင်းအင်းနှိုင်းယှဉ်မှုအတွက် လူဦးရေနမူနာ ၁၄၈ ခုကို ဇယား ၁ တွင်ပြထားသည့်အတိုင်း အဓိကပထဝီဝင်ယူနစ်များအဖြစ် အုပ်စုဖွဲ့ထားသည်။ “အာဖရိက” အုပ်စုတွင် ဆာဟာရအောက်ပိုင်းဒေသမှ နမူနာများသာ ပါဝင်သည်။ မြောက်အာဖရိကမှ နမူနာများကို အလားတူအခြေအနေရှိသော အနောက်အာရှမှ နမူနာများနှင့်အတူ “အရှေ့အလယ်ပိုင်း” တွင် ထည့်သွင်းထားသည်။ အရှေ့မြောက်အာရှအုပ်စုတွင် ဥရောပမဟုတ်သော မျိုးနွယ်ဝင်များသာ ပါဝင်ပြီး အမေရိကန်အုပ်စုတွင် ဌာနေအမေရိကန်များသာ ပါဝင်သည်။ အထူးသဖြင့် ဤအုပ်စုသည် မြောက်နှင့် တောင်အမေရိကတိုက်ကြီးများ၏ ကျယ်ပြန့်သောဧရိယာတွင် ပတ်ဝန်းကျင်အမျိုးမျိုးတွင် ပျံ့နှံ့နေသည်။ သို့သော်၊ ရွှေ့ပြောင်းမှုများစွာကို ထည့်သွင်းစဉ်းစားခြင်းမရှိဘဲ အရှေ့မြောက်အာရှမှ ဌာနေအမေရိကန်များ၏ လူဦးရေသမိုင်းကို ထည့်သွင်းစဉ်းစားလျှင် ဤပထဝီဝင်ယူနစ်တစ်ခုတည်းအတွင်း အမေရိကန်နမူနာကို ကျွန်ုပ်တို့ ထည့်သွင်းစဉ်းစားပါသည် 80။
ကျွန်ုပ်တို့သည် မြင့်မားသော ရုပ်ထွက်အရည်အသွေးရှိသော 3D စကင်နာ (EinScan Pro by Shining 3D Co Ltd, minimum resolution: 0.5 mm, https://www.shining3d.com/) ကို အသုံးပြု၍ ဤဆန့်ကျင်ဘက် ဦးခေါင်းခွံနမူနာများ၏ 3D မျက်နှာပြင်ဒေတာကို မှတ်တမ်းတင်ပြီးနောက် mesh တစ်ခုကို ထုတ်လုပ်ခဲ့သည်။ mesh မော်ဒယ်တွင် vertices ၂၀၀,၀၀၀ မှ ၄၀၀,၀၀၀ ခန့်ပါဝင်ပြီး ပါဝင်သော software ကို အပေါက်များကိုဖြည့်ရန်နှင့် အနားများကို ချောမွေ့စေရန်အတွက် အသုံးပြုသည်။
ပထမအဆင့်မှာ၊ ဦးခေါင်းခွံတစ်ခုခုက scan data တွေကိုသုံးပြီး vertices ၄၄၈၅ ခု (polygonal faces ၈၇၂၈ ခု) ပါဝင်တဲ့ single-template mesh ဦးခေါင်းခွံပုံစံတစ်ခုကို ဖန်တီးခဲ့ပါတယ်။ sphenoid အရိုး၊ petrous template အရိုး၊ အာခေါင်၊ maxillary alveoli နဲ့ သွားတွေပါဝင်တဲ့ ဦးခေါင်းခွံဒေသရဲ့အောက်ခြေကို template mesh ပုံစံကနေ ဖယ်ရှားခဲ့ပါတယ်။ အကြောင်းရင်းကတော့ ဒီဖွဲ့စည်းပုံတွေဟာ pterygoid မျက်နှာပြင်တွေနဲ့ styloid လုပ်ငန်းစဉ်တွေလိုမျိုး ပါးလွှာတဲ့ ဒါမှမဟုတ် ပါးလွှာတဲ့ ချွန်ထက်တဲ့ အစိတ်အပိုင်းတွေ၊ သွားတွေ ဟောင်းနွမ်းခြင်းနဲ့/သို့မဟုတ် သွားတွေရဲ့ မညီမညာဖြစ်မှုကြောင့် တစ်ခါတစ်ရံမှာ မပြည့်စုံတာ ဒါမှမဟုတ် ပြီးမြောက်ဖို့ ခက်ခဲတာကြောင့်ပါ။ အောက်ခြေအပါအဝင် foramen magnum ပတ်လည်က ဦးခေါင်းခွံအခြေခံကို ဖြတ်တောက်ခြင်း မပြုခဲ့ပါဘူး။ လည်ပင်းအဆစ်တွေရဲ့တည်နေရာအတွက် ခန္ဓာဗေဒအရ အရေးကြီးတဲ့နေရာဖြစ်ပြီး ဦးခေါင်းခွံရဲ့အမြင့်ကို အကဲဖြတ်ရမှာဖြစ်လို့ပါ။ နှစ်ဖက်စလုံးမှာ symmetrical ဖြစ်တဲ့ template တစ်ခုဖွဲ့စည်းဖို့ mirror rings တွေကို အသုံးပြုပါ။ polygonal ပုံသဏ္ဍာန်တွေကို တတ်နိုင်သမျှ equilateral ဖြစ်အောင် ပြောင်းလဲဖို့ isotropic meshing ကို လုပ်ဆောင်ပါ။
ထို့နောက် HBM-Rugle ဆော့ဖ်ဝဲကို အသုံးပြု၍ တင်းပလိတ်မော်ဒယ်၏ ခန္ဓာဗေဒနှင့် ကိုက်ညီသော vertices များသို့ landmarks ၅၆ ခု သတ်မှတ်ပေးခဲ့သည်။ landmark settings များသည် landmark positioning ၏ တိကျမှုနှင့် တည်ငြိမ်မှုကို သေချာစေပြီး ထုတ်လုပ်ထားသော homology မော်ဒယ်တွင် ဤနေရာများ၏ homology ကို သေချာစေသည်။ Supplementary Table S5 နှင့် Supplementary Figure S3 တွင်ပြထားသည့်အတိုင်း ၎င်းတို့၏ သီးခြားဝိသေသလက္ခဏာများအပေါ် အခြေခံ၍ ၎င်းတို့ကို ခွဲခြားသတ်မှတ်နိုင်သည်။ Bookstein ၏ definition81 အရ ဤ landmarks အများစုသည် structure သုံးခု၏ crossing တွင်တည်ရှိသော Type I landmarks များဖြစ်ပြီး အချို့မှာ အများဆုံး curvature ရှိသော Type II landmarks များဖြစ်သည်။ Martin ၏ definition 36 တွင် linear cranial တိုင်းတာမှုများအတွက် သတ်မှတ်ထားသော points များမှ landmarks အများအပြားကို လွှဲပြောင်းခဲ့သည်။ ကျွန်ုပ်တို့သည် ဦးခေါင်းခွံနမူနာ ၃၄၂ ခု၏ scanned မော်ဒယ်များအတွက် တူညီသော landmarks ၅၆ ခုကို သတ်မှတ်ခဲ့ပြီး၊ နောက်အပိုင်းတွင် ပိုမိုတိကျသော homology မော်ဒယ်များကို ထုတ်လုပ်ရန် ခန္ဓာဗေဒနှင့် ကိုက်ညီသော vertices များသို့ ကိုယ်တိုင်သတ်မှတ်ပေးခဲ့သည်။
နောက်ဆက်တွဲပုံ S4 တွင်ပြထားသည့်အတိုင်း scan data နှင့် template ကိုဖော်ပြရန် head-centric coordinate system တစ်ခုကို သတ်မှတ်ခဲ့သည်။ XZ plane သည် ဘယ်ဘက်နှင့်ညာဘက် external auditory canals ၏ အပေါ်ဘက်အစွန်း၏ အမြင့်ဆုံးအမှတ် (Martin's definition: part) နှင့် ဘယ်ဘက် orbit ၏ အောက်ဘက်အစွန်း၏ အနိမ့်ဆုံးအမှတ် (Martin's definition: orbit) ကို ဖြတ်သန်းသွားသော Frankfurt horizontal plane ဖြစ်သည်။ X axis သည် ဘယ်ဘက်နှင့်ညာဘက်ကို ဆက်သွယ်ထားသော မျဉ်းဖြစ်ပြီး X+ သည် ညာဘက်ခြမ်းဖြစ်သည်။ YZ plane သည် ဘယ်ဘက်နှင့်ညာဘက်အစိတ်အပိုင်းများ၏ အလယ်နှင့် နှာခေါင်း၏အမြစ်ကို ဖြတ်သန်းသွားသည်- Y+ အပေါ်၊ Z+ ရှေ့သို့။ reference point (origin: zero coordinate) ကို YZ plane (midplane)၊ XZ plane (Frankfort plane) နှင့် XY plane (coronal plane) တို့၏ ဆုံရာတွင် သတ်မှတ်ထားသည်။
ကျွန်ုပ်တို့သည် HBM-Rugle software (Medic Engineering, Kyoto, http://www.rugle.co.jp/) ကို အသုံးပြု၍ landmark point ၅၆ ခုကို အသုံးပြု၍ template fitting ပြုလုပ်ခြင်းဖြင့် homologous mesh model တစ်ခု ဖန်တီးခဲ့ပါသည် (ပုံ ၁ ၏ ဘယ်ဘက်ခြမ်း)။ ဂျပန်နိုင်ငံရှိ Institute of Advanced Industrial Science and Technology ရှိ Center for Digital Human Research မှ မူလက တီထွင်ခဲ့သော core software component ကို HBM ဟုခေါ်ပြီး landmark များကို အသုံးပြု၍ template များကို fitting လုပ်ခြင်းနှင့် partitioning surface များကို အသုံးပြု၍ fine mesh model များ ဖန်တီးခြင်းအတွက် function များပါရှိသည်82။ နောက်ပိုင်း software version (mHBM) 83 တွင် fitting performance ကို မြှင့်တင်ရန်အတွက် landmark မပါဘဲ pattern fitting အတွက် feature တစ်ခုကို ထည့်သွင်းခဲ့သည်။ HBM-Rugle သည် mHBM software ကို coordinate system များကို စိတ်ကြိုက်ပြင်ဆင်ခြင်းနှင့် input data အရွယ်အစားကို ချိန်ညှိခြင်းအပါအဝင် user-friendly feature များနှင့် ပေါင်းစပ်ထားသည်။ software fitting accuracy ၏ ယုံကြည်စိတ်ချရမှုကို လေ့လာမှုများစွာတွင် အတည်ပြုခဲ့သည်52,54,55,56,57,58,59,60။
landmark များကို အသုံးပြု၍ HBM-Rugle template ကို fitting လုပ်သောအခါ၊ template ၏ mesh model ကို ICP နည်းပညာကို အခြေခံ၍ rigid registration (template နှင့် target scan data နှင့် ကိုက်ညီသော landmark များကြား အကွာအဝေးပေါင်းလဒ်ကို အနည်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း) ဖြင့် target scan data ပေါ်တွင် ထပ်တင်ထားပြီး mesh ၏ non-rigid deformation ဖြင့် template ကို target scan data နှင့် လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ပေးသည်။ fitting ၏ တိကျမှုကို မြှင့်တင်ရန်အတွက် fitting parameter နှစ်ခု၏ မတူညီသော တန်ဖိုးများကို အသုံးပြု၍ ဤ fitting လုပ်ငန်းစဉ်ကို သုံးကြိမ်ထပ်ခါတလဲလဲ ပြုလုပ်ခဲ့သည်။ ဤ parameter များထဲမှ တစ်ခုမှာ template grid model နှင့် target scan data အကြား အကွာအဝေးကို ကန့်သတ်ထားပြီး နောက်တစ်ခုမှာ template landmark များနှင့် target landmark များကြား အကွာအဝေးကို အပြစ်ပေးသည်။ ထို့နောက် deformed template mesh model ကို cyclic surface subdivision algorithm 82 ကို အသုံးပြု၍ vertices 17,709 (polygon 34,928) ပါဝင်သော ပိုမိုသန့်စင်သော mesh model ကို ဖန်တီးခဲ့သည်။ နောက်ဆုံးတွင်၊ partitioned template grid model ကို target scan data နှင့် fit လုပ်ကာ homology model ကို ထုတ်လုပ်သည်။ အထင်ကရနေရာများသည် ပစ်မှတ်စကင်န်ဒေတာရှိ အထင်ကရနေရာများနှင့် အနည်းငယ်ကွာခြားသောကြောင့်၊ ယခင်အပိုင်းတွင်ဖော်ပြထားသော ဦးခေါင်းဦးတည်ချက် ကိုဩဒိနိတ်စနစ်ကို အသုံးပြု၍ ၎င်းတို့ကိုဖော်ပြရန် homology မော်ဒယ်ကို အသေးစိတ်ချိန်ညှိထားသည်။ နမူနာအားလုံးရှိ သက်ဆိုင်ရာ homologous မော်ဒယ် အထင်ကရနေရာများနှင့် ပစ်မှတ်စကင်န်ဒေတာအကြား ပျမ်းမျှအကွာအဝေးမှာ <0.01 မီလီမီတာဖြစ်သည်။ HBM-Rugle လုပ်ဆောင်ချက်ကို အသုံးပြု၍ တွက်ချက်လျှင်၊ homology မော်ဒယ်ဒေတာအမှတ်များနှင့် ပစ်မှတ်စကင်န်ဒေတာအကြား ပျမ်းမျှအကွာအဝေးမှာ 0.322 မီလီမီတာဖြစ်သည် (နောက်ဆက်တွဲဇယား S2)။
ဦးခေါင်းခွံပုံသဏ္ဍာန်ပြောင်းလဲမှုများကို ရှင်းပြရန်အတွက်၊ homologous မော်ဒယ်အားလုံး၏ vertices ၁၇,၇၀၉ ခု (XYZ ကိုဩဒိနိတ် ၅၃,၁၂၇) ကို ဂျပန်နိုင်ငံ၊ အဆင့်မြင့်စက်မှုသိပ္ပံနှင့်နည်းပညာအင်စတီကျုရှိ Center for Digital Human Science မှ ဖန်တီးထားသော HBS software ကို အသုံးပြု၍ principal component analysis (PCA) ဖြင့် ခွဲခြမ်းစိတ်ဖြာခဲ့သည် (ဖြန့်ဖြူးသူ- Medic Engineering, Kyoto, http://www.rugle.co.jp/)။ ထို့နောက် ကျွန်ုပ်တို့သည် ပုံမှန်မဟုတ်သောဒေတာအစုံနှင့် centroid အရွယ်အစားဖြင့် ပုံမှန်ဖြစ်စေသောဒေတာအစုံတွင် PCA ကို အသုံးချရန် ကြိုးစားခဲ့သည်။ ထို့ကြောင့်၊ စံမမီသောဒေတာအပေါ်အခြေခံသည့် PCA သည် ပထဝီဝင်ယူနစ်ကိုးခု၏ ဦးခေါင်းခွံပုံသဏ္ဍာန်ကို ပိုမိုရှင်းလင်းစွာ ဖော်ပြနိုင်ပြီး စံသတ်မှတ်ထားသောဒေတာကို အသုံးပြုသည့် PCA ထက် အစိတ်အပိုင်းအဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို လွယ်ကူချောမွေ့စေနိုင်သည်။
ဤဆောင်းပါးသည် စုစုပေါင်းကွဲလွဲမှု၏ 1% ထက်ပိုသော ပံ့ပိုးကူညီမှုဖြင့် တွေ့ရှိရသော အဓိကအစိတ်အပိုင်းအရေအတွက်ကို တင်ပြထားသည်။ အဓိက ပထဝီဝင်ယူနစ်များတစ်လျှောက် အုပ်စုများကို ခွဲခြားရာတွင် အထိရောက်ဆုံး အဓိကအစိတ်အပိုင်းများကို ဆုံးဖြတ်ရန်အတွက်၊ receiver operating characteristic (ROC) ခွဲခြမ်းစိတ်ဖြာမှုကို 2% ထက်ပိုသော ပံ့ပိုးကူညီမှုရှိသော အဓိကအစိတ်အပိုင်း (PC) ရမှတ်များအတွက် အသုံးပြုခဲ့သည် 84။ ဤခွဲခြမ်းစိတ်ဖြာမှုသည် အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကို မြှင့်တင်ရန်နှင့် ပထဝီဝင်အုပ်စုများအကြား ကွက်များကို မှန်ကန်စွာနှိုင်းယှဉ်ရန်အတွက် PCA အစိတ်အပိုင်းတစ်ခုစီအတွက် ဖြစ်နိုင်ခြေမျဉ်းကွေးတစ်ခုကို ထုတ်ပေးပါသည်။ ခွဲခြားဆက်ဆံမှုစွမ်းအား၏အတိုင်းအတာကို မျဉ်းကွေးအောက်ရှိဧရိယာ (AUC) ဖြင့် အကဲဖြတ်နိုင်ပြီး၊ တန်ဖိုးပိုများသော PCA အစိတ်အပိုင်းများသည် အုပ်စုများအကြား ပိုမိုကောင်းမွန်စွာ ခွဲခြားနိုင်စွမ်းရှိသည်။ ထို့နောက် အရေးပါမှုအဆင့်ကို အကဲဖြတ်ရန် chi-square စမ်းသပ်မှုကို ပြုလုပ်ခဲ့သည်။ ROC ခွဲခြမ်းစိတ်ဖြာမှုကို Microsoft Excel တွင် Bell Curve for Excel software (ဗားရှင်း 3.21) ကို အသုံးပြု၍ လုပ်ဆောင်ခဲ့သည်။
ဦးခေါင်းခွံပုံသဏ္ဍာန်တွင် ပထဝီဝင်အနေအထားကွာခြားချက်များကို မြင်သာစေရန်အတွက်၊ အဓိက ပထဝီဝင်ယူနစ်များမှ အုပ်စုများကို အထိရောက်ဆုံးခွဲခြားသိမြင်စေသည့် PC ရမှတ်များကို အသုံးပြု၍ scatterplots များကို ဖန်တီးခဲ့သည်။ အဓိကအစိတ်အပိုင်းများကို အဓိပ္ပာယ်ဖွင့်ဆိုရန်အတွက်၊ အဓိကအစိတ်အပိုင်းများနှင့် အလွန်ဆက်စပ်နေသော မော်ဒယ်ထိပ်ဖျားများကို မြင်သာစေရန် အရောင်မြေပုံကို အသုံးပြုပါ။ ထို့အပြင်၊ အဓိကအစိတ်အပိုင်းရမှတ်များ၏ ±3 စံသွေဖည်မှု (SD) တွင်တည်ရှိသော အဓိကအစိတ်အပိုင်းဝင်ရိုးများ၏ အဆုံးများ၏ virtual ကိုယ်စားပြုမှုများကို တွက်ချက်ပြီး ဖြည့်စွက်ဗီဒီယိုတွင် တင်ပြထားသည်။
PCA ခွဲခြမ်းစိတ်ဖြာမှုတွင် အကဲဖြတ်ထားသော ဦးခေါင်းခွံပုံသဏ္ဍာန်နှင့် အရွယ်အစားအချက်များအကြား ဆက်နွယ်မှုကို ဆုံးဖြတ်ရန် Allometry ကို အသုံးပြုခဲ့သည်။ ပံ့ပိုးကူညီမှု ၁% > ရှိသော အဓိကအစိတ်အပိုင်းများအတွက် ခွဲခြမ်းစိတ်ဖြာမှုသည် အကျုံးဝင်ပါသည်။ ဤ PCA ၏ ကန့်သတ်ချက်တစ်ခုမှာ ပုံသဏ္ဍာန်အစိတ်အပိုင်းများသည် ပုံသဏ္ဍာန်ကို တစ်ခုချင်းစီ မဖော်ပြနိုင်ပါ။ အဘယ်ကြောင့်ဆိုသော် ပုံမှန်မဟုတ်သောဒေတာအစုံသည် အတိုင်းအတာအချက်များအားလုံးကို မဖယ်ရှားသောကြောင့်ဖြစ်သည်။ ပုံမှန်မဟုတ်သောဒေတာအစုံများကို အသုံးပြုခြင်းအပြင်၊ ပံ့ပိုးကူညီမှု ၁% > ရှိသော အဓိကအစိတ်အပိုင်းများကို အသုံးပြုထားသော ပုံမှန်ပြုလုပ်ထားသော centroid အရွယ်အစားဒေတာအပေါ် အခြေခံ၍ PC အပိုင်းအစအစုံများကို အသုံးပြု၍ allometric ခေတ်ရေစီးကြောင်းများကိုလည်း ကျွန်ုပ်တို့ ခွဲခြမ်းစိတ်ဖြာခဲ့ပါသည်။
Allometric trends များကို Y = aXb 85 ညီမျှခြင်းကို အသုံးပြု၍ စမ်းသပ်ခဲ့သည်။ Y သည် ပုံသဏ္ဍာန်အစိတ်အပိုင်း၏ ပုံသဏ္ဍာန် သို့မဟုတ် အချိုးအစား၊ X သည် centroid အရွယ်အစား (Supplementary Table S2)၊ a သည် constant value တစ်ခုဖြစ်ပြီး b သည် allometric coefficient ဖြစ်သည်။ ဤနည်းလမ်းသည် allometric growth studies များကို geometric morphometry78,86 ထဲသို့ မိတ်ဆက်ပေးသည်။ ဤဖော်မြူလာ၏ logarithmic transformation မှာ log Y = b × log X + log a ဖြစ်သည်။ a နှင့် b ကိုတွက်ချက်ရန် least squares နည်းလမ်းကို အသုံးပြု၍ regression analysis ကို အသုံးပြုခဲ့သည်။ Y (centroid အရွယ်အစား) နှင့် X (PC scores) များကို logarithmic transformed လုပ်သောအခါ၊ ဤတန်ဖိုးများသည် အပေါင်းဖြစ်ရမည်။ သို့သော် X အတွက် ခန့်မှန်းချက်အစုံတွင် အနုတ်တန်ဖိုးများ ပါဝင်သည်။ အဖြေတစ်ခုအနေဖြင့်၊ အစိတ်အပိုင်းတစ်ခုစီရှိ အပိုင်းတစ်ခုစီအတွက် အသေးငယ်ဆုံးအပိုင်း၏ absolute value နှင့် 1 ပေါင်းခြင်းကို ကျွန်ုပ်တို့ထည့်သွင်းခဲ့ပြီး ပြောင်းလဲထားသော အပေါင်းအပိုင်းအားလုံးအတွက် logarithmic transformation ကို အသုံးပြုခဲ့သည်။ allometric coefficients များ၏ အရေးပါမှုကို two-tailed Student's t test ကို အသုံးပြု၍ အကဲဖြတ်ခဲ့သည်။ အလိုမက်ထရစ် ကြီးထွားမှုကို စမ်းသပ်ရန်အတွက် ဤစာရင်းအင်း တွက်ချက်မှုများကို Excel ဆော့ဖ်ဝဲလ်ရှိ Bell Curves (ဗားရှင်း 3.21) ကို အသုံးပြု၍ လုပ်ဆောင်ခဲ့သည်။
Wolpoff, MH အရိုးစု၏ နှာခေါင်းပေါက်များအပေါ် ရာသီဥတုအကျိုးသက်ရောက်မှုများ။ ဟုတ်ကဲ့။ J. Phys. Humanity. 29, 405–423။ https://doi.org/10.1002/ajpa.1330290315 (1968)။
Beals၊ KL ဦးခေါင်းပုံသဏ္ဍာန်နှင့် ရာသီဥတုဖိစီးမှု။ ဟုတ်ကဲ့။ J. Phys. Humanity. 37, 85–92။ https://doi.org/10.1002/ajpa.1330370111 (၁၉၇၂)။
ပို့စ်တင်ချိန်: ၂၀၂၄ ခုနှစ်၊ ဧပြီလ ၂ ရက်