THE EFFECTS OF IRON AND COPPER AVAILABILITY ON THE COPPER STOICHIOMETRY OF MARINE PHYTOPLANKTON<sup>1</sup>
Notice bibliographique
Résumé
We studied the interactive effects of iron (Fe) and copper (Cu) availability on the growth rates, Cu quotas, and steady-state Cu-uptake rates (ρss Cu) of 12 phytoplankton (from four classes and two marine environments). A mixed-effect statistical model indicated that low Fe significantly decreased phytoplankton growth rates. In contrast, lowering Cu levels only decreased the growth rates of the oceanic phytoplankton. Under Fe/Cu sufficiency, the Cu quotas ranged from 0.36 to 3.8 μmol Cu · mol(-1) C. Copper levels in the growth medium had a significant positive effect on the Cu quotas, and this effect was dependent on the algal class. Under Fe/Cu sufficiency, the highest average Cu quotas were observed for the Bacillariophyceae, followed by the Cyanophyceae, Prymnesiophyceae, and lastly the Dinophyceae. Similar taxonomic trends were observed for the ρss Cu. Although the Cu:C ratios were not significantly higher in oceanic strains, there are five independent lines of evidence supporting a more important role of Cu in the physiology of the oceanic phytoplankton. The mixed-effect model indicated a significant Cu effect on the growth rates and ρss Cu of the oceanic strains, but not the coastal strains. In addition, lowering the Cu concentration in the media decreased the Cu quotas and ρss Cu of the oceanic strains to a greater extent (5.5- and 5.4-fold, respectively) than those of the coastals (3.8- and 4.7-fold, respectively). Iron limitation only had a significant effect on the Cu quotas of the oceanic strains, and this effect was dependent on Cu level and taxonomic class. Our results highlight a complex physiological interaction between Fe and Cu in marine phytoplankton.
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 | 0,001 | 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) | 0,001 | 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 ».