Phylogenetics to help predict active metabolism
Notice bibliographique
Résumé
This paper shows how to build predictive models involving phylogenetic information to estimate metabolic traits such as active metabolic costs. Fish swimming cost is often estimated from body mass and swimming speed. The parameters of the relationships between these variables and swimming cost vary among species because each species has its own morphology and physiology. It is now widely recognized that traits are phylogenetically structured. Using new statistical approaches, it is possible to both correct swimming cost models for statistical phylogenetic non‐independence and use the inherent phylogenetic signal to improve models. With these models one can extend, to a larger set of species, empirical knowledge about traits that are difficult to obtain; swimming cost is one such trait. Swimming cost accounts for a large and variable component of a fish energy budget, yet models have only been developed from observations performed on a few species, thereby constraining the scope of bioenergetic models. Here, we propose a method where body mass and swimming speed are used together with phylogeny to predict swimming cost. The resulting model explained a large proportion of the variation (90%) in the forced swimming cost of 16 fish species submitted to forced swimming experiments. We also compared phylogenetically‐explicit predictions for forced swimming experiments with experimental results of routine swimming for five species, among which one was not used to build the model. Results confirmed that forced swimming underestimates the cost of unsteady swimming. The phylogenetic modeling could be used to estimate other variables of interest in bioenergetic studies.
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) | 0,004 | 0,009 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».