Ecological proteomics: Finding molecular markers that matter
Notice bibliographique
Résumé
It is becoming increasingly clear that local adaptation can occur even in the face of high gene flow and limited overall genomic differentiation among populations (reviewed by Nosil et al. 2009). Thus, one important task for molecular ecologists is to sift through genomic data to identify the genes that matter for local adaptation (Hoffmann & Willi 2008; Stapley et al. 2010). Recent advances in high-throughput molecular technologies have facilitated this search, and a variety of approaches can be applied, including those grounded in population genetics [e.g. outlier analysis (Pavlidis et al. 2008)], classical and quantitative genetics [e.g. quantitative trait locus analysis (MacKay et al. 2009)], and cellular and molecular biology [e.g. transcriptomics (Larsen et al. 2011)]. However, applying these approaches in nonmodel organisms that lack extensive genetic and genomic resources has been a formidable challenge. In this issue, Papakostas et al. (2012). demonstrate how one such approach – high-throughput label-free proteomics (reviewed by Gstaiger & Aebersold 2009; Domon & Aebersold 2010) – can be applied to detect genes that may be involved in local adaptation in a species with limited genomic resources. Using this approach, they identified genes that may be implicated in local adaptation to salinity in European whitefish (Coregonus lavaretus L.) and provide insight into the mechanisms by which fish cope with changes in this critically important environmental parameter.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».