Effects of Gene Action, Marker Density, and Timing of Selection on the Performance of Landscape Genomic Scans of Local Adaptation
Notice bibliographique
Résumé
Genomic "scans" to identify loci that contribute to local adaptation are becoming increasingly common. Many methods used for such studies have assumed that local adaptation is created by loci experiencing antagonistic pleiotropy (AP) and that the selected locus itself is assayed, and few consider how signals of selection change through time. However, most empirical data sets have marker density too low to assume that a selected locus itself is assayed, researchers seldom know when selection was first imposed, and many locally adapted loci likely experience not AP but conditional neutrality (CN). We simulated data to evaluate how these factors affect the performance of tests for genotype-environment association (GEA). We found that 3 types of regression-based analyses (linear models, mixed linear models, and latent factor mixed models) and an implementation of BayEnv all performed well, with high rates of true positives and low rates of false positives, when the selected locus experienced AP, and when the selected locus was assayed directly. However, all tests had reduced power to detect loci experiencing CN, and the probability of detecting associations was sharply reduced when physically linked rather than causative loci were sampled. AP also maintained detectable GEAs much longer than CN. Our analyses suggest that if local adaptation is often driven by loci experiencing CN, genome-scan methods will have limited capacity to find loci responsible for local adaptation.
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 | 0,064 | 0,154 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».