MétaCan
Menu
Retour à la cohorte
Enregistrement W2097101907 · doi:10.1111/evo.12014

OXIDATIVE DAMAGE INCREASES WITH REPRODUCTIVE ENERGY EXPENDITURE AND IS REDUCED BY FOOD-SUPPLEMENTATION

2012· article· en· W2097101907 sur OpenAlexaff
Quinn E. Fletcher, Colin Selman, Stan Boutin, Andrew G. McAdam, Sarah Woods, Arnold Y. Seo, Christiaan Leeuwenburgh, John R. Speakman, Murray M. Humphries

Notice bibliographique

RevueEvolution · 2012
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAnimal Ecology and Behavior Studies
Établissements canadiensUniversity of GuelphUniversity of AlbertaMcGill University
Organismes subventionnairesNational Institute on Aging
Mots-clésBiologyOxidative damageOxidative phosphorylationReproductionLactationAntioxidantOxidative stressInvestment (military)EndocrinologyEcologyBiochemistryPregnancyGenetics

Résumé

récupéré en direct d'OpenAlex

A central principle in life-history theory is that reproductive effort negatively affects survival. Costs of reproduction are thought to be physiologically based, but the underlying mechanisms remain poorly understood. Using female North American red squirrels (Tamiasciurus hudsonicus), we test the hypothesis that energetic investment in reproduction overwhelms investment in antioxidant protection, leading to oxidative damage. In support of this hypothesis we found that the highest levels of plasma protein oxidative damage in squirrels occurred during the energetically demanding period of lactation. Moreover, plasma protein oxidative damage was also elevated in squirrels that expended the most energy and had the lowest antioxidant protection. Finally, we found that squirrels that were food-supplemented during lactation and winter had increased antioxidant protection and reduced plasma protein oxidative damage providing the first experimental evidence in the wild that access to abundant resources can reduce this physiological cost.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,238
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations126
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEvolutionMême sujetAnimal Ecology and Behavior StudiesTravaux en français237 207