Thermal Performance Curves and the Metabolic Theory of Ecology—A Practical Guide to Models and Experiments for Parasitologists
Notice bibliographique
Résumé
Climate change will affect host-parasite dynamics in complex ways. The development of forecast models is necessary for proactive disease management, but past studies have frequently reported thermal performance data in idiosyncratic ways that have limited use for parameterizing thermal host-parasite models. Development of improved forecast models will require strong collaborations between experimental parasitologists and disease modelers. The purpose of this article is to facilitate such collaborations by reviewing practical considerations for describing thermal performance curves of parasite and host performance traits, and using them to predict climate change impacts on host-parasite systems. In the first section, we provide an overview of how thermal performance curves can be embedded in life-cycle-based dynamical models of parasitism, and we outline how such models can capture the net effect of multiple nonlinear temperature dependencies affecting the host-parasite dynamics. We also discuss how macroecological generalities based on the metabolic theory of ecology (MTE) can be used to determine a priori parameter estimates for thermal performance curves to derive null models for data-deficient species, but we note that most of the generalities suggested by MTE remain to be tested for parasites. In the second section, we discuss empirical knowledge gaps for the temperature dependence of parasite and host performance traits, and we outline the types of data that need to be collected to inform MTE-based models for data-deficient species. We specifically emphasize the importance of (1) capturing the entire thermal response of performance traits, including lower and upper temperature thresholds, and (2) experimentally or statistically separating out the thermal responses of different performance traits (e.g., development and mortality) rather than only reporting composite measures (e.g., apparent development). Not adhering to these principles can lead to biased climate change impact predictions. In the third section, we provide a practical guide outlining how experimentalists can contribute to fill data gaps by measuring the temperature dependence of host and parasite performance traits in ways that are systematic, statistically rigorous, and consistent with the requirements of life cycle-based host-parasite models. This guide includes recommendations and practical examples illustrating (1) the use of perturbation analyses to determine experimental priorities, (2) experimental design tips for quantifying thermal response curves, and (3) statistical methods for estimating the parameters of thermal performance curves. Our hope is that this article helps researchers to maximize the value and use of future data collections for both empirical and modelling studies investigating the way in which temperature influences parasitism.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».