Isolation by resistance analysis reveals major barrier effect imposed by the Tsinling Mountains on the Chinese wood frog
Notice bibliographique
Résumé
Abstract Amphibians are excellent model systems for studying how heterogeneous landscapes drive population differentiation. Though mountain ridges have been widely implicated as barriers to amphibian dispersal, a landscape genetic study by Zhan et al. (BMC Genet, 10, 2009, 17) indicated that the Tsinling Mountains of northwestern China did not significantly impede gene flow of the Chinese wood frog ( Rana chensinensis ). Using their published genetic data, we re‐assessed the impact of elevation, land cover, and roads on the Chinese wood frog using an isolation by resistance (IBR) approach, which allows for the modeling of complex and heterogeneous landscapes unavailable in classical population genetic analysis. We developed a novel method for optimization of IBR analysis using Circuitscape involving initial permutation‐based optimization of the correlation coefficient obtained through partial Mantel tests, followed by subsequent sensitivity analysis to improve upon the model’s biological relevance. Our results indicated that mountain ridges indeed functioned as barriers to dispersal of Chinese wood frogs, and that previous conclusions were based on methodological limitations. Furthermore, a prominent threshold effect at elevations from 1500–2000 m was evident, with elevations below this range minimally impeding gene flow and higher elevations having a significant barrier effect. We suggest that a combination of expert opinion, sensitivity analysis, and permutation‐based optimization procedures in landscape genetic studies will likely generate models that are both highly explanatory and biologically relevant.
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 | 0,001 | 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) | 0,002 | 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 ».