Clonal Identification Based on Quantitative, Codominant, and Dominant Marker Data: A Comparative Analysis of Selected Willow (<i>Salix</i>L.) Clones
Notice bibliographique
Résumé
Clonal identification in forestry may employ different means, each with unique advantages. A comparative evaluation of different approaches is reported. Nine quantitative leaf morphometric parameters, 15 variable codominant (isoenzyme) and 15 variable dominant (RAPD) loci, were used. All clones presented unique multilocus isoenzyme genotypes and 86% presented unique multilocus RAPD genotypes. Quantitative, isoenzyme and molecular data were subjected to principal component analysis, the latter two data sets after vector transformation. Most of the variability (quantitative 99%, isoenzyme 72.5%, RAPD 89%) was accounted for in the first three axes. This study has shown: (1) individual quantitative parameters were inefficient for clonal identification, (2) multilocus clonal identification was successful, (3) dominant markers were more polymorphic than codominant ones: 1.5 variable loci per enzyme system, 7.5 variable RAPD loci per primer, (4) 15 codominant marker loci could identify about 2.8 times more individuals than 15 dominant ones, but this advantage is surpassed when 42 dominant loci are employed, (5) multivariate analysis of morphological, codominant and dominant genetic data could not discriminate at the clonal level. It was concluded that due to their higher number of loci available dominant markers perform better than codominant ones, despite the higher informativeness of the latter.
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 | 0,002 | 0,001 |
| 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 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 ».