Seasonal assemblages and short‐lived blooms in coastal north‐west <scp>A</scp> tlantic <scp>O</scp> cean bacterioplankton
Notice bibliographique
Résumé
Temperate oceans are inhabited by diverse and temporally dynamic bacterioplankton communities. However, the role of the environment, resources and phytoplankton dynamics in shaping marine bacterioplankton communities at different time scales remains poorly constrained. Here, we combined time series observations (time scales of weeks to years) with molecular analysis of formalin-fixed samples from a coastal inlet of the north-west Atlantic Ocean to show that a combination of temperature, nitrate, small phytoplankton and Synechococcus abundances are best predictors for annual bacterioplankton community variability, explaining 38% of the variation. Using Bayesian mixed modelling, we identified assemblages of co-occurring bacteria associated with different seasonal periods, including the spring bloom (e.g. Polaribacter, Ulvibacter, Alteromonadales and ARCTIC96B-16) and the autumn bloom (e.g. OM42, OM25, OM38 and Arctic96A-1 clades of Alphaproteobacteria, and SAR86, OM60 and SAR92 clades of Gammaproteobacteria). Community variability over spring bloom development was best explained by silicate (32%)--an indication of rapid succession of bacterial taxa in response to diatom biomass--while nanophytoplankton as well as picophytoplankton abundance explained community variability (16-27%) over the transition into and out of the autumn bloom. Moreover, the seasonal structure was punctuated with short-lived blooms of rare bacteria including the KSA-1 clade of Sphingobacteria related to aromatic hydrocarbon-degrading bacteria.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».