Common factors drive adaptive genetic variation at different spatial scales in <i>Arabis alpina</i>
Notice bibliographique
Résumé
A major challenges facing landscape geneticists studying adaptive variation is to include all the environmental variables that might be correlated with allele frequencies across the genome. One way of identifying loci that are possibly under selection is to see which ones are associated with environmental gradient or heterogeneity. Since it is difficult to measure all environmental variables, one may take advantage of the spatial nature of environmental filters to incorporate the effect of unaccounted environmental variables in the analysis. Assuming that the spatial signature of these variables is broad-scaled, broad-scale Moran's eigenvector maps (MEM) can be included as explanatory variables in the analysis as proxies for unmeasured environmental variables. We applied this approach to two data sets of the alpine plant Arabis alpina. The first consisted of 140 AFLP loci sampled at 130 sites across the European Alps (large scale). The second one consisted of 712 AFLP loci sampled at 93 sites (regional scale) in three mountain massifs (local scale) of the French Alps. For each scale, we regressed the frequencies of each AFLP allele on a set of eco-climatic and MEM variables as predictors. Twelve (large scale) and 11% (regional scale) of all loci were detected as significantly correlated to at least one of the predictors ( > 0.5), and, except for one massif, 17% at the local scale. After accounting for spatial effects, temperature and precipitation were the two major determinants of allele distributions. Our study shows how MEM models can account for unmeasured environmental variation in landscape genetics models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».