MétaCan
Menu
Retour à la cohorte
Enregistrement W2134631886 · doi:10.1534/genetics.107.072926

Adaptive Walks Toward a Moving Optimum

2007· article· en· W2134631886 sur OpenAlexaff
Sinéad Collins, Juliette de Meaux, Claudia Acquisti

Notice bibliographique

RevueGenetics · 2007
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueEvolution and Genetic Dynamics
Établissements canadiensEmergent BioSolutions (Canada)
Organismes subventionnairesNatural Environment Research CouncilSight Research UK
Mots-clésBiologyAdaptation (eye)Evolutionary biologyFitness landscapeGeneticsFixation (population genetics)Natural selectionEnvironmental changeFolding (DSP implementation)PhenotypeEvolutionary dynamicsAdaptive evolutionStability (learning theory)Selection (genetic algorithm)EcologyGeneClimate changeDemographyComputer scienceNeuroscience

Résumé

récupéré en direct d'OpenAlex

We investigate how the dynamics and outcomes of adaptation by natural selection are affected by environmental stability by simulating adaptive walks in response to an environmental change of fixed magnitude but variable speed. Here we consider monomorphic lineages that adapt by the sequential fixation of beneficial mutations. This is modeled by selecting short RNA sequences for folding stability and secondary structure conservation at increasing temperatures. Using short RNA sequences allows us to describe adaptive outcomes in terms of genotype (sequence) and phenotype (secondary structure) and to follow the dynamics of fitness increase. We find that slower rates of environmental change affect the dynamics of adaptive walks by reducing the fitness effect of fixed beneficial mutations, as well as by increasing the range of time in which the substitutions of largest effect are likely to occur. In addition, adaptation to slower rates of environmental change results in fitter endpoints with fewer possible end phenotypes relative to lineages that adapt to a sudden change. This suggests that care should be taken when experiments using sudden environmental changes are used to make predictions about adaptive responses to gradual change.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,510
Score d'incertitude au seuil0,679

Scores Codex et Gemma par catégorie

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)0,0000,000

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 Opus0,013
Tête enseignante GPT0,257
Écart entre enseignants0,245 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations86
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeneticsMême sujetEvolution and Genetic DynamicsTravaux en français237 207