Seeing is believing? Comparing plant–herbivore networks constructed by field co‐occurrence and DNA barcoding methods for gaining insights into network structures
Notice bibliographique
Résumé
Plant-herbivore interaction networks provide information about community organization. Two methods are currently used to document pairwise interactions among plants and insect herbivores. One is the traditional method that collects plant-herbivore interaction data by field observation of insect occurrence on host plants. The other is the increasing application of newly developed molecular techniques based on DNA barcodes to the analysis of gut contents. The second method is more appealing because it documents realized interactions. To construct complete interaction networks, each technique of network construction is urgent to be assessed. We addressed this question by comparing the effectiveness and reliability of the two methods in constructing plant-Lepidoptera larval network in a 50 ha subtropical forest in China. Our results showed that the accuracy of diet identification by observation method increased with the number of observed insect occurrences on food plants. In contrast, the molecular method using three plant DNA markers were able to identify food residues for 35.6% larvae and correctly resolved 77.3% plant (diet) species. Network analysis showed molecular networks had threefold more unique host plant species but fewer links than the traditional networks had. The molecular method detected plants that were not sampled by the traditional method, for example, bamboos, bryophytes and lianas in the diets of insect herbivores. The two networks also possessed significantly different structural properties. Our study indicates the traditional observation of co-occurrence is inadequate, while molecular method can provide higher species resolution of ecological interactions.
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 | 0,001 | 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 ».