The Expectations and Challenges of Wildlife Disease Research in the Era of Genomics: Forecasting with a Horizon Scan-like Exercise
Notice bibliographique
Résumé
The outbreak and transmission of disease-causing pathogens are contributing to the unprecedented rate of biodiversity decline. Recent advances in genomics have coalesced into powerful tools to monitor, detect, and reconstruct the role of pathogens impacting wildlife populations. Wildlife researchers are thus uniquely positioned to merge ecological and evolutionary studies with genomic technologies to exploit unprecedented "Big Data" tools in disease research; however, many researchers lack the training and expertise required to use these computationally intensive methodologies. To address this disparity, the inaugural "Genomics of Disease in Wildlife" workshop assembled early to mid-career professionals with expertise across scientific disciplines (e.g., genomics, wildlife biology, veterinary sciences, and conservation management) for training in the application of genomic tools to wildlife disease research. A horizon scanning-like exercise, an activity to identify forthcoming trends and challenges, performed by the workshop participants identified and discussed 5 themes considered to be the most pressing to the application of genomics in wildlife disease research: 1) "Improving communication," 2) "Methodological and analytical advancements," 3) "Translation into practice," 4) "Integrating landscape ecology and genomics," and 5) "Emerging new questions." Wide-ranging solutions from the horizon scan were international in scope, itemized both deficiencies and strengths in wildlife genomic initiatives, promoted the use of genomic technologies to unite wildlife and human disease research, and advocated best practices for optimal use of genomic tools in wildlife disease projects. The results offer a glimpse of the potential revolution in human and wildlife disease research possible through multi-disciplinary collaborations at local, regional, and global scales.
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 | 0,165 | 0,153 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,019 |
| Communication savante | 0,025 | 0,033 |
| Science ouverte | 0,006 | 0,013 |
| Intégrité de la recherche | 0,018 | 0,027 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».