A window into the transcriptomic basis of genotype‐by‐genotype interactions in the legume–rhizobia mutualism
Notice bibliographique
Résumé
The maintenance of genetic variation in the benefits provided by mutualists is an evolutionary puzzle (Heath & Stinchcombe, ). Over time, natural selection should favour the benefit strategy that confers the highest fitness, eroding genetic variation in partner quality. Yet abundant genetic variation in partner quality exists in many systems (Heath & Stinchcombe, ). One possible resolution to this puzzle is that the genetic identity of both a host and its partner affects the benefits each mutualist provides to the other, a pattern known as a genotype-by-genotype interaction (Figure ). Mounting evidence suggests that genotype-by-genotype interactions between partners are pervasive at the phenotypic level (Barrett, Zee, Bever, Miller, & Thrall, ; Heath, ; Hoeksema & Thompson, ). Ultimately, however, to link these phenotypic patterns to the maintenance of genetic variation in mutualisms we need to answer two questions: How much variation in mutualism phenotypes is attributable to genotype-by-genotype interactions, and what mutualistic functions are influenced by each partner and by the interaction between their genomes? In this issue of Molecular Ecology, Burghardt et al. (2017) use transcriptomics to address both questions in the legume-rhizobia mutualism.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,015 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».