Do landscape processes predict phylogeographic patterns in the wood frog?
Notice bibliographique
Résumé
Understanding factors that influence population connectivity and the spatial distribution of genetic variation is a major goal in molecular ecology. Improvements in the availability of high-resolution geographic data have made it increasingly possible to quantify the effects of landscape features on dispersal and genetic structure. However, most studies examining such landscape effects have been conducted at very fine (e.g. landscape genetics) or broad (e.g. phylogeography) spatial scales. Thus, the extent to which processes operating at fine spatial scales are linked to patterns at larger scales remains unclear. Here, we test whether factors impacting wood frog dispersal at fine spatial scales are correlated with genetic structure at regional scales. Using recently developed methods borrowed from electrical circuit theory, we generated landscape resistance matrices among wood frog populations in eastern North America based on slope, a wetness index, land cover and absolute barriers to wood frog dispersal. We then determined whether these matrices are correlated with genetic structure based on six microsatellite markers and whether such correlations outperform a landscape-free model of isolation by resistance. We observed significant genetic structure at regional spatial scales. However, topography and landscape variables associated with the intervening habitat between sites provide little explanation for patterns of genetic structure. Instead, absolute dispersal barriers appear to be the best predictor of regional genetic structure in this species. Our results suggest that landscape variables that influence dispersal, microhabitat selection and population structure at fine spatial scales do not necessarily explain patterns of genetic structure at broader scales.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».