Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する実験動画

生物学におけるサイズと形状

T McMahon

    Science (New York, N.Y.)
    |March 23, 1973
    PubMed
    まとめ

    生きた生物 生きている生物

    関連する実験動画

    関連する概念動画

    こちらも読む

    関連記事

    共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

    並び替え
    Same author

    Profiles of exposure to potentially traumatic events in refugees living in Australia.

    Epidemiology and psychiatric sciences·2021
    Same author

    PKCε phosphorylates α4β2 nicotinic ACh receptors and promotes recovery from desensitization.

    British journal of pharmacology·2015
    Same author

    SCOTCERV: a phase II trial of docetaxel and gemcitabine as second line chemotherapy in cervical cancer.

    Gynecologic oncology·2011
    Same author

    Effect of sodium fluoroacetate on oxidative steps of carbohydrate metabolism.

    Federation proceedings·2010
    Same author

    Propagation of ir light in flexible hollow waveguides: erratum.

    Applied optics·2010
    Same author

    Propagation of infrared light in flexible hollow waveguides.

    Applied optics·2010

    科学分野:

    • アロメトリーと生物学的スケーリング法則.
    • 比較生理学と生体力学.

    背景:

    • 生物の形態に関する従来のモデルは,多くの場合,収量強度に依存しています.
    • 以前の理論では,代謝率は全身表面積と相関すると考えられていた.

    研究 の 目的:

    • 弾性安定性と屈折の原理から生物学的スケーリング法則を導き出す.
    • 身体のサイズと代謝率の間の観察された関係に理論的根拠を提供するため,例えばクレイバーの法則.

    主な方法:

    • 弾性安定性と屈折を基にしたモデルを開発し,屈折強度ではなく,弾性安定性に基づいたモデルを開発した.
    • ソマティック次元,エネルギー代謝,体重との関係を導き出した.
    • 予測された生物学的周波数と身体表面積と体重との相関関係.

    主要な成果:

    • 生物の長さは直径が (2/3) 乗の大きさで,動物や木のサイズに合わせて測定されます.
    • エネルギー代謝のスケールは,全表面積ではなく,身体の横断面積を示しています.
    • クライバーの法則 (代謝~体重^(3/4) を導き出し,他のスケーリング関係も予測した.

    結論:

    • 提案されたモデルは,物理的原理に基づく生物学的スケーリング法則をうまく説明しています.
    • この枠組みは,さまざまな生物の代謝率と形態を理解するための理論的基礎を提供します.
    • モデルの予測は,既存の経験的データと一致し,その妥当性を支持します.