Whole-Tree Methods for Detecting Differential Diversification Rates
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
Prolific cladogenesis, adaptive radiation, species selection, key innovations, and mass extinctions are a few examples of biological phenomena that lead to differential diversification among lineages. Central to the study of differential diversification rates is the ability to distinguish chance variation from that which requires deterministic explanation. To detect diversification rate variation among lineages, we propose a number of methods that incorporate information on the topological distribution of species diversity from all internal nodes of a phylogenetic tree. These whole-tree methods (M(Pi), M(Sigma), and M(R)) are explicitly connected to a null model of random diversification--the equal-rates Markov (ERM) random branching model--and an alternative model of differential diversification: M(Pi) is based on the product of individual nodal ERM probabilities; M(Sigma) is based on the sum of individual nodal ERM probabilities, and M(R) is based on a transformation of ERM probabilities that corresponds to a formalized system that orders trees by their relative symmetry. These methods have been implemented in a freely available computer program, SYMMETREE, to detect clades with variable diversification rates, thereby allowing the study of biological processes correlated with and possibly causal to shifts in diversification rate. Application of these methods to several published phylogenies demonstrates their ability to contend with relatively large, incompletely resolved trees. These topology-based methods do not require estimates of relative branch lengths, which should facilitate the analysis of phylogenies, such as supertrees, for which such data are unreliable or unavailable.
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