Teaching Genetic Linkage and Recombination through Mapping with Molecular Markers
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
Most introductory genetics courses cover genetic linkage, a core concept in the <em>CourseSource </em>genetics learning outcome framework. Although it is a classical genetics topic, genetic linkage remains an important concept to understand in order to grasp modern genetics research approaches including Single Nucleotide Polymorphism (SNP) mapping, Genome Wide Association Studies (GWAS), and gene discovery. Typically, genetic linkage is taught in a very traditional way within our introductory genetics classes. Invariably, we see students struggling with the same aspects of linkage: how to distinguish between parental and recombinant combinations of alleles and how to relate phenotype proportions to meiotic processes and outcomes. We designed a lesson that provides a practical and experimental context to target these common student difficulties in learning about linkage and recombination. This student-centered interactive lesson and associated post-class problem set teaches genetic linkage through mapping a gene by determining co-segregation of a phenotype with microsatellite sequences revealed by gel electrophoresis banding patterns. This lesson includes very interactive class sessions and a follow-up problem set and post-test that allows students to develop a deeper understanding of genetic linkage, and provides instructors with insights about student thinking. When we implemented this lesson, we observed a dramatic increase in student understanding of genetic linkage and how to use molecular markers to map the location of genes.
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