Microbiome investigation in the ecological speciation context of lake whitefish (<i>Coregonus clupeaformis</i>) using next‐generation sequencing
Notice bibliographique
Résumé
Few studies have applied NGS methods to investigate the microbiome of vertebrates in their natural environment and in freshwater fishes in particularly. Here, we used pyrosequencing of the 16S gene rRNA to (i) test for differences in kidney bacterial communities (i.e. microbiota) of dwarf and normal whitefish found as sympatric pairs, (ii) test the hypothesis of higher bacterial diversity in normal compared with dwarf whitefish and (iii) test for the occurrence of parallelism with the presence and composition of bacterial communities across species pairs inhabiting different lakes. The kidney microbiota of 253 dwarf and normal whitefish from five lakes was analysed combining a double-nested PCR approach with 454 pyrosequencing. Bacteria were detected in 52.6% of the analysed whitefish. There was no overall significant difference among lakes and forms, although the lake × form interaction was found significant. We identified 579 bacterial genera, which is substantially more than previous descriptions using less sensitive techniques of fish bacterial diversity in kidney, pathogenic or not. Ten of these genera contained eighteen pathogenic species. Differences in bacteria composition between whitefish forms were not parallel among lakes. In accordance with the higher diversity of prey types, normal whitefish kidney tissue consistently had a more diverse bacterial community and this pattern was parallel among lakes. These results add to building evidence from previous studies on this system that the adaptive divergence of dwarf, and normal whitefish has been driven by both parallel and nonparallel ecological conditions across lakes.
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 | 0,001 | 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 ».