整理了一下Tucker等（2017）提出的系统发育多样性指数的统一框架，和相应计算的示例代码，仅供参考。
系统发育信息是现代生态学的重要组成部分，尤其是对宏观生态学、群落生态学和保护生物学等分支学科而言。越来越多的人认识到，系统发育树上的分支模式反映了进化谱系之间表型、遗传、行为和/或表观差异的积累。这些累积的差异反过来又可以描述、解释或预测生物和生态过程。系统进化论在回答生态学问题方面的潜在作用，加上许多分类群的系统进化论可用性呈指数级增长，导致不同的系统进化论指标激增。目前，“[系统发育]指数丛林”正在不断扩大，至少有 70 种可用指标用于描述系统发育多样性。这一丛林不仅反映了文献中发现的植物多样性度量标准的数量不断增加，而且也反映了不同度量标准在数学和生态学方面的相互关系的混乱。
度量标准的选择通常受历史先例、个人经验和分支学科传统的驱动，而非客观标准。植物多样性度量首次出现在保护生物学中，是因为人们认为，面对大范围的物种灭绝，应优先考虑尽量减少进化多样性的损失。最大限度地提高一个物种群的进化多样性应能最大限度地提高其特征（即表型、行为和/或生态）多样性，因此在保护这种多样性方面，系统发育学措施应比基于物种的措施更有效。群落生态学和宏观生态学最近将系统发育学纳入分析，利用进化关系来理解观察到的生态和宏观进化模式与过程，如群落组配或生物多样性梯度。群落生态学倾向于利用类群或群落间的系统发育相关性来推断局部生态过程或预测生态系统特性，而宏观生态学则利用系统发育信息来帮助解释大规模的多样性模式。尽管关注点不同，但各分支学科的研究方法和兴趣却有很大的重叠。事实上，有些指标通常被认为适用于所有生态学分支学科，例如 Faith 的 PD，而有些指标则仅限于特定的分支学科，例如用于保护的进化独特性（ED）；用于群落生态学的 MPD 和平均最近分类群距离（MNTD）。
由于系统发育多样性指标的种类繁多，因此为特定生态问题选择最合适的系统发育指标就变得非常复杂。Tucker等（2017）呼吁为系统发育多样性指标建立一个统一的框架，以澄清现有指数之间的概念关系，突出其冗余性，并最终鼓励正确使用和解释指标。
系统发育多样性指数的统一框架
尽管系统发育多样性度量指标种类繁多，但一套简单的数学基础提供了一个自然的方案，可将这些度量指标分为三个概念维度：丰富度（richness）、离散性（divergence）和规律性（regularity）。这些维度捕捉了度量指标固有的数学运算：(i) 类群之间累积的系统发育差异总和（丰富度）；(ii) 类群之间的平均系统发育相关性（离散性），代表集合中类群之间的平均系统发育差异；或 (iii) 类群之间差异的方差，代表集合中类群之间系统发育差异的规律性（规律性）（图 1）。我们使用 “规律性”而不是类似的术语“均匀度（evenness）”，因为后者以前曾被用来描述如何将丰度与进化距离测量相结合。
图1 系统发育多样性指标的统一框架（Tucker et al., 2017）
该框架中的第二个信息轴反映了该指标是使用一个集合中系统发育树的单个尖端（tips）信息（即关于单个群落或区域物种库的问题，以下简称α-多样性），还是使用多个尖端信息（即集合（assemblage）在空间或时间上的比较，以下简称β-多样性）。在本文中，“集合”仅指一组感兴趣的分类群：这些分类群可以但不必在空间或时间上共同出现。例如，局域群落中的类群、区域物种库中的类群，或在特定保护战略中被选中的类群。同样，尽管为了简单起见，我们可能会提及物种，但请注意，所讨论的指标通常适用于物种水平以下的多样性，或尚未描述物种的地方。
该框架（i）提供了一种基于度量数学公式的直观方法，（ii）可评估组合内和组合间的多样性成分，（iii）类似于功能多样性框架，因此有助于植物多样性和功能多样性之间的比较，（iv）适用于丰度（abundance）和有/无（presence/absence）形式。
在每个维度中，可以使用各种类型的系统发育成分（称为 “单位”）构建不同的系统发育度量：包括分支长度、类群间成对的系统发育距离、系统发育或进化隔离度量（如物种独特性、公平比例）或其他树拓扑度量。因此，在每个维度中，我们会根据用于构建的系统发育单位来区分不同的度量。我们将特定维度中使用相同单位构建的度量组称为 “families”。例如，使用分支长度（如 PD、系统发育特有性（PE））构建的丰富度度量指标，根据其共同的维度和构建单位，可被视为一个familiy。
使用维度框架对系统多样性指数进行分类
(a) 丰富度
丰富度度量是对集合中存在的系统发育差异数量的总和，我们可以根据其总和的基本单位类型进一步区分度量。指标可以是分支长度的总和（如 Faith’s PD；PE；表中的 1.1a）；成对的系统发育距离[如系统发育物种丰富度（PSR）；表中的 1.2a]；也可以是集合中分类群系统发育隔离度（phylogenetic isolation）的总和（ED）。比较集合间多样性（β-多样性）的丰富度指标可计算两个群落间共享分支长度的比例（例如，Unifrac；表中的 1.1b），或物种间成对系统发育相似性的比例度量（表中的 1.2b）。这些指标反映了集合之间系统发育组成的差异。
(b) 离散性
离散性维度包含从系统发育树中提取的单元分布的平均度量。描述单个集合的离散性度量可以使用分支长度（表中的 2.1a）、成对距离（表中的 2.2.1a 和 2.2.2a）或系统发育隔离（表中的 2.3a）来计算。距离的测量可以使用一组类群的所有成对距离（如 MPD；表中的 2.2.1a），也可以只使用可能的成对距离的子集（表中的 2.2.2a），在这种情况下，一般考虑类群之间最短的距离（如 MNTD）。对于比较类群间差异（β-多样性）的指标，可使用分支长度（如 Hβ，它依赖于加法分解；表中的 2.1b）或全部（表中的 2.2.1b）或最短的成对距离（表中的 2.2.2b）来衡量距离。
(c) 规律性
规律性维度所包含的指标可描述系统发育树与星形系统发育（即所有物种都同样不相关的系统发育）的不同之处。换句话说，这些指标量化了物种在系统发育树上的分布规律，以及物种之间的均匀距离。根据树的拓扑结构（表中的 3.1a）、成对距离（全部或成对距离的子集；表中的 3.2.1a 和 3.2.2a）或系统发育隔离（表中的 3.3a），这些指标被分为三类。
将生态问题和假设与系统发育多样性指数联系起来
维度分类框架将生态学各分支学科制定的、用于不同目的的度量标准统一起来。然而，该框架并不能轻松解决在特定分析中选择度量标准的问题。无论是保护、群落生态学还是宏观生态学中的生态问题，都会考虑物种之间的累积差异（通过系统发育过程中的分化反映出来）如何与生物过程或模式相关联。进化史可以是相关过程的结果或预测因素。我们认为，有关这些过程或模式的问题可以简化并统一为三个一般主题：一个集合（或集合之间）的总多样性有多少；一个集合（或集合之间）的类群平均差异有多大；和/或一个集合（或集合之间）的类群之间的差异有多大的规律性或可变性（图3）。
图3 将维度框架与生态问题联系起来（Tucker et al., 2017）
多维度系统发育多样性指数计算方法
多维度系统发育多样性指数计算方法参考Lu等（2024）的方案，即：α-多样性：丰富度维度采用Faith’s PD指数；离散性维度采用MPD指数；规律性维度采用进化距离（Eed）指数。β-多样性：丰富度维度采用非加权Unifrac差异指数；离散性维度采用群落间MPD（betaMPD）指数；规律性维度采用 D(p)β指数，其是通过规律性维度将 gamma 分量除以 alpha 分量来计算的。
示例代码
# 设置路径setwd("...")getwd()# 加载r包library(PhyloMeasures) # https://cran.r-project.org/src/contrib/Archive/PhyloMeasures/；PhyloMeasures包需要从本地安装library(picante)library(vegan)library(snowfall)
# 读取群落数据plant <- read.csv("com.csv",row.names = 1,stringsAsFactors = FALSE, check.names = FALSE)# 读取系统发育树planttree <- read.tree("phy.tre")# 处理物种名称,确保群落数据和系统发育树的物种名称匹配a <- gsub(" ","_",colnames(plant))colnames(plant) <- ab <- match.phylo.comm(planttree,plant)com <- b$commphy <- b$phy
# 物种丰富度维度 - 计算系统发育多样性(PD)com_pd <- pd(com, phy, include.root=F)# 物种离散度维度 - 计算平均谱系距离(MPD)com_mpd <- as.data.frame(mpd(com, cophenetic(phy)))row.names(com_mpd) <- row.names(com)# 物种规律性维度# 计算每个物种的进化独特性ed <- as.data.frame(evol.distinct(phy, "fair.proportion"))ed2 <- as.data.frame(ed[,-1])row.names(ed2) <- ed$Speciescolnames(ed2) <- "ed"pd <- sum(ed2)fun_eedmarc <- function(i) {# 提取单个样方数据com.i <- plant[i,]total_names <- colnames(com.i)sp1 <- total_names[com.i > 0]# 计算进化熵ed.i <- subset(ed2, rownames(ed2) %in% sp1)hed <- ed.i/pdhed2 <- hed * log(hed)hed3 <- sum(hed2[,1])hed4 <- (-hed3)# 标准化ric.i <- sum(com.i != 0)eed.i <- hed4/log(ric.i)return(eed.i)}# 初始化并行计算sfInit(parallel = TRUE, cpus = 40)sfLibrary(tidyverse)# 导出需要的对象到并行环境sfExport("plant","ed2", "pd")sfExport("fun_eedmarc")# 并行计算结果resultss <- sfLapply(1:nrow(plant), fun_eedmarc)com_Eed = do.call(rbind,resultss)row.names(com_Eed) <- row.names(plant)sfStop()com_alpha <- data.frame(PD = com_pd[,1], MPD = com_mpd[,1], Eed = com_Eed)
com_alpha## PD MPD Eed## YW-1CK 773.8343 515.8895 0.2716044## YW-1 650.1001 650.1001 0.2815925## YW-2 1234.1325 295.4788 0.2997127## YW-2CK 1590.5633 364.7006 0.3629809## YW-3 1436.5426 398.5028 0.3235222## YW-3CK 1234.8245 406.7480 0.2753617## YW-4 1114.0710 353.6029 0.2457546## YW-4CK 1375.9336 401.7086 0.3269416## SM 1271.1611 443.2682 0.3184028## SM-CK 1678.0029 422.4298 0.3862124## TX-1 1718.7414 341.0239 0.3841517## TX-1CK 1473.2697 307.8777 0.3490316## TX-2 1607.1368 303.1683 0.3545704## TX-2CK 2294.5056 323.8513 0.4914864## TX-3 1750.3027 307.0487 0.3736689## TX-3CK 1374.2389 311.0974 0.3600680
# 物种丰富度维度comm2 <- vegan::decostand(com, method="pa", MARGIN=1)com_unifrac <- PhyloMeasures::unifrac.query(phy, comm2)row.names(com_unifrac) <- row.names(comm2)colnames(com_unifrac) <- row.names(comm2)com_unifrac## YW-1CK YW-1 YW-2 YW-2CK YW-3 YW-3CK YW-4 YW-4CK SM SM-CK TX-1 TX-1CK TX-2 TX-2CK TX-3 TX-3CK## YW-1CK 0.0000000 0.1598976 0.3729731 0.5134841 0.5566544 0.3733245 0.3053995 0.4375933 0.6597880 0.7118241 0.6250608 0.4747504 0.6010911 0.7158474 0.6316526 0.5660135## YW-1 0.1598976 0.0000000 0.4732332 0.5912768 0.6374511 0.4735284 0.4164644 0.5275207 0.6310631 0.6927638 0.6217581 0.5587366 0.6737895 0.7676323 0.6987295 0.6486147## YW-2 0.3729731 0.4732332 0.0000000 0.3387680 0.3923436 0.1907223 0.1121758 0.3742325 0.6532703 0.6904473 0.4081457 0.4480920 0.4620344 0.5986863 0.5591116 0.6007719## YW-2CK 0.5134841 0.5912768 0.3387680 0.0000000 0.4792514 0.3320450 0.4090429 0.2678799 0.5545325 0.6008120 0.4002628 0.3485511 0.5301770 0.5205460 0.5557523 0.6553971## YW-3 0.5566544 0.6374511 0.3923436 0.4792514 0.0000000 0.2597998 0.3450052 0.3093693 0.6012965 0.6216874 0.4334727 0.5543612 0.5549623 0.5191485 0.6007080 0.6991227## YW-3CK 0.3733245 0.4735284 0.1907223 0.3320450 0.2597998 0.0000000 0.1126695 0.2351461 0.5549188 0.6113740 0.3859568 0.4220476 0.5395038 0.5946409 0.6218629 0.6681408## YW-4 0.3053995 0.4164644 0.1121758 0.4090429 0.3450052 0.1126695 0.0000000 0.3125930 0.6293486 0.6666102 0.4488480 0.4977314 0.5090466 0.6459965 0.5995379 0.6463407## YW-4CK 0.4375933 0.5275207 0.3742325 0.2678799 0.3093693 0.2351461 0.3125930 0.0000000 0.5697041 0.6101100 0.3916607 0.4454397 0.5445975 0.5367112 0.6246182 0.6833817## SM 0.6597880 0.6310631 0.6532703 0.5545325 0.6012965 0.5549188 0.6293486 0.5697041 0.0000000 0.2737432 0.5812614 0.6194036 0.6211448 0.5407281 0.5990364 0.6668060## SM-CK 0.7118241 0.6927638 0.6904473 0.6008120 0.6216874 0.6113740 0.6666102 0.6101100 0.2737432 0.0000000 0.6181347 0.5984469 0.6023171 0.5082942 0.5638095 0.7209033## TX-1 0.6250608 0.6217581 0.4081457 0.4002628 0.4334727 0.3859568 0.4488480 0.3916607 0.5812614 0.6181347 0.0000000 0.3538513 0.5914981 0.4892635 0.6078510 0.7095834## TX-1CK 0.4747504 0.5587366 0.4480920 0.3485511 0.5543612 0.4220476 0.4977314 0.4454397 0.6194036 0.5984469 0.3538513 0.0000000 0.5693739 0.5203800 0.5245295 0.6158950## TX-2 0.6010911 0.6737895 0.4620344 0.5301770 0.5549623 0.5395038 0.5090466 0.5445975 0.6211448 0.6023171 0.5914981 0.5693739 0.0000000 0.4264984 0.4495837 0.4318226## TX-2CK 0.7158474 0.7676323 0.5986863 0.5205460 0.5191485 0.5946409 0.6459965 0.5367112 0.5407281 0.5082942 0.4892635 0.5203800 0.4264984 0.0000000 0.4639036 0.5310431## TX-3 0.6316526 0.6987295 0.5591116 0.5557523 0.6007080 0.6218629 0.5995379 0.6246182 0.5990364 0.5638095 0.6078510 0.5245295 0.4495837 0.4639036 0.0000000 0.4605706## TX-3CK 0.5660135 0.6486147 0.6007719 0.6553971 0.6991227 0.6681408 0.6463407 0.6833817 0.6668060 0.7209033 0.7095834 0.6158950 0.4318226 0.5310431 0.4605706 0.0000000
# 物种离散度维度com_betampd <- PhyloMeasures::cd.query(phy, comm2)row.names(com_betampd) <- row.names(comm2)colnames(com_betampd) <- row.names(comm2)com_betampd## YW-1CK YW-1 YW-2 YW-2CK YW-3 YW-3CK YW-4 YW-4CK SM SM-CK TX-1 TX-1CK TX-2 TX-2CK TX-3 TX-3CK## YW-1CK 343.9264 366.2948 364.3822 381.2305 387.4635 379.7743 365.1024 384.7646 429.4843 415.3981 384.0699 377.5900 377.7246 385.9123 376.3805 376.0077## YW-1 366.2948 325.0500 416.2641 425.6404 425.1193 409.5428 409.3569 419.8655 439.4126 437.0963 425.2364 426.6521 436.7615 440.7207 435.7844 436.4108## YW-2 364.3822 416.2641 268.6171 314.3271 329.4993 326.5741 293.2380 333.7983 413.8021 379.6906 309.8978 313.9753 288.4615 307.6475 297.2914 312.8351## YW-2CK 381.2305 425.6404 314.3271 334.3089 357.4760 356.7454 330.3820 352.6458 411.5618 386.4178 336.3337 330.2756 318.8225 330.5645 323.4661 334.4438## YW-3 387.4635 425.1193 329.4993 357.4760 354.2247 362.9624 343.5174 364.6847 418.4039 395.4733 351.3770 355.3799 340.3108 349.5479 343.3797 355.4507## YW-3CK 379.7743 409.5428 326.5741 356.7454 362.9624 355.9045 340.8291 365.9427 419.3348 398.7835 356.0917 358.8629 345.3426 358.1841 352.8590 363.9156## YW-4 365.1024 409.3569 293.2380 330.3820 343.5174 340.8291 303.0882 340.6628 415.1826 387.1980 329.1696 334.1762 305.6915 324.0073 313.7149 331.8272## YW-4CK 384.7646 419.8655 333.7983 352.6458 364.6847 365.9427 340.6628 357.0743 415.5963 395.1976 354.7337 356.1050 337.4006 348.2469 343.4306 356.4402## SM 429.4843 439.4126 413.8021 411.5618 418.4039 419.3348 415.1826 415.5963 398.9413 403.9039 408.8203 403.8503 405.7655 402.5641 405.5094 401.6840## SM-CK 415.3981 437.0963 379.6906 386.4178 395.4733 398.7835 387.1980 395.1976 403.9039 389.9352 380.8858 373.4043 374.6558 374.6081 373.9259 376.5407## TX-1 384.0699 425.2364 309.8978 336.3337 351.3770 356.0917 329.1696 354.7337 408.8203 380.8858 316.6651 312.4856 317.6365 323.6379 316.3002 327.0950## TX-1CK 377.5900 426.6521 313.9753 330.2756 355.3799 358.8629 334.1762 356.1050 403.8503 373.4043 312.4856 287.3525 315.2498 318.4945 307.7612 318.2378## TX-2 377.7246 436.7615 288.4615 318.8225 340.3108 345.3426 305.6915 337.4006 405.7655 374.6558 317.6365 315.2498 279.8477 299.6316 290.6197 300.0952## TX-2CK 385.9123 440.7207 307.6475 330.5645 349.5479 358.1841 324.0073 348.2469 402.5641 374.6081 323.6379 318.4945 299.6316 306.8065 301.3923 307.2299## TX-3 376.3805 435.7844 297.2914 323.4661 343.3797 352.8590 313.7149 343.4306 405.5094 373.9259 316.3002 307.7612 290.6197 301.3923 283.4295 295.5674## TX-3CK 376.0077 436.4108 312.8351 334.4438 355.4507 363.9156 331.8272 356.4402 401.6840 376.5407 327.0950 318.2378 300.0952 307.2299 295.5674 279.9877
# 物种规律性维度# 计算总系统发育多样性plant_pd <- sum(ed[2])# 计算每个物种的相对进化独特性plant_proed <- ed[2]/plant_pd<- ed[,1]# 计算进化熵plant_li <- as.data.frame(plant_proed * log(plant_proed))# 初始化结果矩阵z <- dim(comm2)[1]betaeed_result <- array(0, dim=c(z,z))<- row.names(comm2)<- row.names(comm2)# 计算每对样方之间的Beta进化熵in 1:z){in 1:z){# 提取两个样方的数据<- comm2[i,,drop=F]<- comm2[j,,drop=F]# 合并两个样方数据sampleij <- rbind(sample.i,sample.j)sampleij2 <- colSums(sampleij[1:2,])sampleij3 <- rbind(sampleij,sampleij2)sampleij3 <- as.matrix(sampleij3)# 转换为出现-不出现数据sampleij3 <- vegan::decostand(sampleij3, method="pa", MARGIN=1)# 计算物种丰富度richness <- as.data.frame(rowSums(sampleij3 > 0))# 计算进化熵sampleij4 <- t(sampleij3)res <- sampleij4*plant_li[,1]dp <- exp(-colSums(res))ep <- as.data.frame(dp/richness)# 计算Beta进化熵betaeed <- ep[3,1]/mean(ep[1,1],ep[2,1])<- betaeed}}com_betaeed <- betaeed_resultcom_betaeed## YW-1CK YW-1 YW-2 YW-2CK YW-3 YW-3CK YW-4 YW-4CK SM SM-CK TX-1 TX-1CK TX-2 TX-2CK TX-3 TX-3CK## YW-1CK 1.0000000 1.0000000 0.4152015 0.4571660 0.4984076 0.4933094 0.5130051 0.5073084 0.4803753 0.5049170 0.4534707 0.3818869 0.4342195 0.5203865 0.4560201 0.5099662## YW-1 0.7391442 1.0000000 0.3068938 0.3379116 0.3683951 0.3646268 0.3791848 0.3749741 0.3469377 0.3590521 0.3239077 0.2822695 0.3209509 0.3846407 0.3370646 0.3769385## YW-2 1.0000000 1.0000000 1.0000000 0.9968580 1.0622790 0.9705351 0.9567175 1.0357444 1.0903758 1.2342414 1.0124175 0.8738714 0.9737517 1.2540733 1.0054112 1.0306531## YW-2CK 1.0000000 1.0000000 0.9053537 1.0000000 1.0408456 0.9418961 0.9521592 0.9908086 1.0707018 1.2119717 1.0174350 0.8568251 0.9969061 1.2314458 1.0469571 1.0651726## YW-3 0.9898640 0.9898640 0.8759684 0.9450421 1.0000000 0.9290703 0.9391936 0.9468583 0.9368641 1.0388329 0.9019795 0.8101488 0.9118610 1.0267813 0.9381422 0.9899343## YW-3CK 1.0000000 1.0000000 0.8168660 0.8728860 0.9482837 1.0000000 0.9277261 0.9245966 0.8817544 0.9695774 0.8522294 0.7236773 0.8532033 1.0409199 0.8960395 0.9349380## YW-4 1.0000000 1.0000000 0.7743209 0.8485194 0.9218124 0.8921080 1.0000000 0.9472769 0.8571403 0.9505847 0.8404503 0.7034759 0.7880280 1.0118627 0.8275921 0.8726088## YW-4CK 1.0000000 1.0000000 0.8476947 0.8928770 0.9397710 0.8990826 0.9579141 1.0000000 0.9368641 1.0451117 0.8827882 0.7734301 0.9118610 1.0573179 0.9576423 0.9899343## SM 1.0366804 1.0129466 0.9770107 1.0563472 1.0180050 0.9387096 0.9489380 1.0256823 1.0000000 0.9190806 1.0786065 0.9651294 1.0824213 1.2994628 1.1367658 1.1489354## SM-CK 1.0949937 1.0534645 1.1113497 1.2015949 1.1343484 1.0372741 1.0575580 1.1498109 0.9235939 1.0000000 1.2360098 1.1168950 1.1739680 1.4473962 1.3076601 1.2950410## TX-1 1.0348019 1.0000000 0.9592383 1.0614232 1.0363674 0.9593649 0.9838790 1.0219662 1.1405302 1.3005834 1.0000000 0.9530981 1.1450456 1.2822676 1.1917326 1.1899210## TX-1CK 1.0000000 1.0000000 0.9501053 1.0257260 1.0681670 0.9348234 0.9450095 1.0274445 1.1710801 1.3486086 1.0936917 1.0000000 1.1065360 1.3235223 1.1508429 1.1499023## TX-2 1.0212883 1.0212883 0.9509248 1.0719319 1.0798831 0.9899447 0.9508289 1.0880271 1.1796988 1.2732204 1.1801951 0.9938923 1.0000000 1.2426047 1.0425060 1.0276725## TX-2CK 1.0448565 1.0448565 1.0454722 1.1303679 1.0380485 1.0310206 1.0422548 1.0769815 1.2090110 1.3400666 1.1282396 1.0148377 1.0607782 1.0000000 1.1420904 1.1149254## TX-3 1.0212883 1.0212883 0.9349040 1.0719319 1.0578939 0.9899447 0.9508289 1.0880271 1.1796988 1.3504160 1.1695942 0.9842720 0.9926677 1.2738967 1.0000000 1.0192709## TX-3CK 0.9998627 0.9998627 0.8390164 0.9547572 0.9772698 0.9042764 0.8776882 0.9846399 1.0438315 1.1708219 1.0223726 0.8609832 0.8566723 1.0887150 0.8923275 1.0000000
参考来源
Lu, X., Cadotte, M.W., Wang, P., Rao, S., Shi, X., Ren, S., Wang, X. and Li, S.-p. (2024), Multiple dimensions of phylogenetic diversity are needed to explain the complex aboveground–belowground diversity relationships. Oikos, 2024: e10474. https://doi.org/10.1111/oik.10474 Tucker, C.M., Cadotte, M.W., Carvalho, S.B., Davies, T.J., Ferrier, S., Fritz, S.A., Grenyer, R., Helmus, M.R., Jin, L.S., Mooers, A.O., Pavoine, S., Purschke, O., Redding, D.W., Rosauer, D.F., Winter, M. and Mazel, F. (2017), A guide to phylogenetic metrics for conservation, community ecology and macroecology. Biol Rev, 92: 698-715. https://doi.org/10.1111/brv.12252
