Common factors drive adaptive genetic variation at different spatial scales in <i>Arabis alpina</i>
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle