Partitioning the mechanisms by which genetic diversity of parasite infections affects total parasite load
Notice bibliographique
Résumé
Genetically‐diverse parasite infections are common in nature, however what mechanisms influence parasite load are still under debate. Rauch et al. found consistently lower parasite loads in genetically‐mixed infections compared to uniform infections. Using the additive partition of Loreau and Hector they demonstrated that this lower parasite load was due to negative complementarity effects, but they only found weak selection effects. Complementarity effects arise from differentiation among genotypes that accrue equally to all genotypes, while selection effects arise from unexpectedly high performance of certain genotypes in mixed infections. However, selection effects might arise either because genotypes with certain traits perform unexpectedly well in mixed infections at the expense of other genotypes (‘dominance effects’, DEs), or because genotypes with certain traits perform unexpectedly well, but not at the expense of others genotypes (‘trait dependent complementarity effects’, TDCEs). Here, we reanalyze the data of Rauch et al. using the tripartite partition of Fox to separate DEs, TDCEs and trait‐independent complementarity effects (TICEs, corresponding to the complementarity effect of Loreau and Hector). We found significantly negative TDCEs that contribute strongly to the low parasite loads in mixed infections. We suggest novel, testable hypotheses to explain negative TDCEs. Ours is the first study to demonstrate consistently‐strong TDCEs, which are rare in studies of the productivity of plant mixtures. Our results highlight the importance of testing for TDCEs, rather than assuming them to be small. We discuss the interpretation and value of the tripartite partition as an analytical tool complementary to more mechanistic approaches.
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 ».