Notice bibliographique
Résumé
The fitness consequences of inbreeding and outbreeding have intrigued biologists for a long time. Recently a measure of relatedness of parental haplotypes has been proposed called mean d(2). This measure is based on a stepwise mutational process and therefore is tailored to microsatellite genetic markers. Theoretical work suggests that mean d(2) typically is less suited for measuring fitness consequences due to close inbreeding rather than heterozygosity. However, mean d(2) may be more appropriate than heterozygosity for measuring divergence times over longer time scales and thus for detecting outbreeding depression. Here, simulations are used to (1). identify appropriate standardization coefficients and transformations for mean d(2), and (2). evaluate mean d(2) as a measure of divergence time of parental lineages over time scales up to 10000 generations. Results show that mean d(2) is a linear predictor of divergence time. The coefficient of variation of mean d(2) approaches a constant value with increasing divergence time and therefore logarithm transformation is appropriate to restore homoscedasticity. When mutation rates and sizes are known for each locus they can be incorporated into a standardization coefficient to increase the precision of mean d(2). As few as 10 loci can explain more than 70% of the variation in divergence time between lineages. While heterozygosity outperforms mean d(2) at detecting differences in divergence time over relative short time periods (<or=1000 generations), mean d(2) can outperform heterozygosity at detecting differences over longer time periods (>or=1000 generations). However, gene flow of as little as 1% per generation can significantly reduce the ability of either mean d(2) or heterozygosity to estimate divergence time.
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 ».