Abstract Time-scaled phylogenies underpin the interrogation of evolutionary processes across deep timescales, as well as attempts to link these to Earth’s history. By inferring the placement of fossils and using their ages as temporal constraints, tip dating under the fossilised-birth death (FBD) process provides a coherent prior on divergence times. At the same time, it also links topological and temporal accuracy, as incorrectly placed fossil terminals should misinform divergence times. This could pose serious issues for obtaining accurate node ages, yet the interaction between topological and temporal error has not been thoroughly explored. We simulate phylogenies and associated morphological datasets using methodologies that incorporate evolution under selection, and are benchmarked against empirical datasets. We find that datasets of moderate sizes (300 characters) and realistic levels of missing data generally succeed in inferring the correct placement of fossils on a constrained extant backbone topology, and that true node ages are usually contained within Bayesian posterior distributions. While increased fossil sampling improves the accuracy of inferred ages, topological and temporal errors do not seem to be linked: analyses in which fossils resolve less accurately do not exhibit elevated errors in node age estimates. At the same time, divergence times are systematically biased, a pattern that stems from a mismatch between the FBD prior and the shape of our simulated trees. While these results are encouraging, suggesting even fossils with uncertain affinities can provide useful temporal information, they also emphasise that paleontological information cannot overturn discrepancies between model priors and the true diversification history.

Abstract Fossils provide our only direct window into evolutionary events in the distant past. Incorporating them into phylogenetic hypotheses of living clades can help elucidate macroevolutionary patterns and processes, such as ancestral states and diversification dynamics. However, the effect fossils have on phylogenetic inference from morphological data remains controversial. Previous studies have highlighted their strong impact on topologies inferred from empirical data, but have not demonstrated that they improve accuracy. The consequences of explicitly incorporating the stratigraphic ages of fossils using tip-dated inference are also unclear. Here we employ a simulation approach to explore how fossil sampling and missing data affect tree reconstruction across a range of inference methods. Our results show that fossil taxa improve phylogenetic analysis of morphological datasets, even when highly fragmentary. Irrespective of inference method, fossils improve the accuracy of phylogenies and increase the number of resolved nodes. They also induce the collapse of ancient and highly uncertain relationships that tend to be incorrectly resolved when sampling only extant taxa. Furthermore, tip-dated analyses which simultaneously infer tree topology and divergence times outperform all other methods of inference, demonstrating that the stratigraphic ages of fossils contain vital phylogenetic information. Fossils help to extract true phylogenetic signals from morphology, an effect that is mediated by both their unique morphology and their temporal information, and their incorporation in total-evidence phylogenetics is necessary to faithfully reconstruct evolutionary history.

Abstract Ecosystem engineers can radically reshape ecosystems by modulating the availability of resources to other organisms through modifying either physical or biological aspects of the environment. The introduction or removal of ecosystem engineers from otherwise stable ecosystems can impact the diversity of co‐occurring species, such as driving local extinctions of native taxa. While these impacts are well established over ecological timescales for a wealth of taxa, the macroevolutionary implications of the onset of ecosystem engineering behaviours are less clear. Despite this uncertainty, ecosystem engineering has been implicated in several major transitions in Earth history including the appearance of extensive bioturbation during the Cambrian substrate revolution and associated Ediacaran–Cambrian turnover, and the Great Oxygenation Event. Whether ecosystem engineers are frequently associated with turnover and extinction in deep time is not known. Here we investigate this with an eco‐evolutionary simulation framework in which we assign lineages the ability to impact the fitness of co‐occurring taxa through phenotype–environment feedback. We explore numerous conditions, including how frequently such feedback occurs, and whether ecosystem engineers modify or create niches. We show that there is no general expected outcome from the introduction of ecosystem engineers. In a minority of runs, ecosystem engineering lineages completely dominate, rendering all others extinct, but in others they persist (but do not dominate), or die out. We suggest that ecosystem engineers have complex impacts, but possess the capacity to profoundly shape diversity, and it is appropriate to consider them alongside other exogenous extinction drivers in deep time.

Abstract Understanding ancient organisms and their interactions with paleoenvironments through the study of body fossils is a central tenet of paleontology. Advances in digital image capture now allow for efficient and accurate documentation, curation, and interrogation of fossil forms and structures in two and three dimensions, extending from microfossils to larger specimens. Despite these developments, key fossil image processing and analysis tasks, such as segmentation and classification, still require significant user intervention, which can be labor-intensive and subject to human bias. Recent advances in deep learning offer the potential to automate fossil image analysis, improving throughput and limiting operator bias. Despite the emergence of deep learning within paleontology in the last decade, challenges such as the scarcity of diverse, high quality image datasets and the complexity of fossil morphology necessitate further advancement which will be aided by the adoption of concepts from other scientific domains. Here, we comprehensively review state-of-the-art deep learning based methodologies applied to fossil analysis, grouping the studies based on the fossil type and nature of the task. Furthermore, we analyze existing literature to tabulate dataset information, neural network architecture type, and key results, and provide textual summaries. Finally, we discuss novel techniques for fossil data augmentation and fossil image enhancements, which can be combined with advanced neural network architectures, such as diffusion models, generative hybrid networks, transformers, and graph neural networks, to improve body fossil image analysis.