Divergent selection and heterogeneous migration rates across the range of Sitka spruce (<i>Picea sitchensis</i>)
Notice bibliographique
Résumé
Gene flow and effective population size (N(e)) should depend on a population's position within its range: those near the edges are expected to have smaller N(e) and lower relative emigration rates, whereas those nearer the centre should have larger N(e) and higher relative emigration rates. In species with continuous ranges, this phenomenon may limit the ability of peripheral populations to respond to divergent selection. Here, we employ Sitka spruce as a model to test these predictions. We previously genotyped 339 single nucleotide polymorphisms (SNPs) in 410 individuals from 13 populations, and used these data to identify putative targets of divergent selection, as well as to explore the extent to which central-peripheral structure may impede adaptation. Fourteen SNPs had outlier F(ST) estimates suggestive of divergent selection, of which nine were previously associated with phenotypic variation in adaptive traits (timing of autumn budset and cold hardiness). Using coalescent simulations, we show that populations from near the centre of the range have higher effective populations sizes than those from the edges, and that central populations contribute more migrants to marginal populations than the reverse. Our results suggest that while divergent selection appears to have shaped allele frequencies among populations, asymmetrical movement of alleles from the centre to the edges of the species range may affect the adaptive capacity of peripheral populations. In southern peripheral populations, the movement of cold-adapted alleles from the north represents a significant impediment to adaptation under climate change, while in the north, movement of warm-adapted alleles from the south may enhance adaptation.
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 | 0,001 |
| 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 ».