Inference of selection gradients using performance measures as fitness proxies
Notice bibliographique
Résumé
Summary Selection coefficients, i.e. selection differentials and gradients, are useful for quantifying selection and for making comparisons across traits and organisms, because they appear in known equations for relating selection and genetic variation to one another and to evolutionary change. However, selection coefficients can only be estimated in organisms where traits and fitness (components) can be measured. This is probably a major contributor to taxonomic biases of selection studies. Aspects of organismal performance, i.e. quantities that are likely to be positively related to fitness components, such as body size, are sometimes used as proxies for fitness, i.e. used in place of fitness components in regression‐based selection analysis. To date, little theory exists to inform empirical studies about whether such procedures may yield selection coefficients with known relationships to genetic variation and evolution. We show that the conditions under which performance measures can be used as proxies for fitness are very limited. Such analyses require that the regression of fitness on the proxy is linear and goes through the origin. We illustrate how fitness proxies may be used in conjunction with information about the performance–fitness relationship, and clarify how this is different from substituting fitness proxies for fitness components in selection analyses. We apply proxy‐based and fitness component‐based selection analysis to a system where traits, a performance measure (size; similar to proxies that are commonly used in place of fitness), and a more proximate fitness measure, are all available on the same set of individuals. We find that proxy‐based selection gradients are poorly reflective of selection gradients estimated using fitness components, even when proxy–fitness relationships are quite strong and reasonably linear. We discuss the implications for proxy‐based selection analysis. We emphasise that measures of organismal performance, such as size, may in many cases provide useful information that can contribute to quantitative inferences about natural selection, and their use could allow quantitative inference about selection to be conducted in a wider range of taxa. However, such inferences require quantitative analysis of both trait–performance and performance–fitness relationships, rather than substitution of performance for measures of fitness or fitness components.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».