Differentiating salmon populations at broad and fine geographical scales with microsatellites and single nucleotide polymorphisms
Notice bibliographique
Résumé
Single nucleotide polymorphisms (SNPs) are appealing genetic markers due to several beneficial attributes, but uncertainty remains about how many of these bi-allelic markers are necessary to have sufficient power to differentiate populations, a task now generally accomplished with highly polymorphic microsatellite markers. In this study, we tested the utility of 37 SNPs and 13 microsatellites for differentiating 29 broadly distributed populations of Chinook salmon (n = 2783). Information content of all loci was determined by In and G'(ST), and the top 12 markers ranked by In were microsatellites, but the 6 highest, and 7 of the top 10 G'(ST) ranked markers, were SNPs. The mean ratio of random SNPs to random microsatellites ranged from 3.9 to 4.1, but this ratio was consistently reduced when only the most informative loci were included. Individual assignment test accuracy was higher for microsatellites (73.1%) than SNPs (66.6%), and pooling all 50 markers provided the highest accuracy (83.2%). When marker types were combined, as few as 15 of the top ranked loci provided higher assignment accuracy than either microsatellites or SNPs alone. Neighbour-joining dendrograms revealed similar clustering patterns and pairwise tests of population differentiation had nearly identical results with each suite of markers. Statistical tests and simulations indicated that closely related populations were better differentiated by microsatellites than SNPs. Our results indicate that both types of markers are likely to be useful in population genetics studies and that, in some cases, a combination of SNPs and microsatellites may be the most effective suite of loci.
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 ».