The population genetics of crypsis in vertebrates: recent insights from mice, hares, and lizards
Notice bibliographique
Résumé
By combining well-established population genetic theory with high-throughput sequencing data from natural populations, major strides have recently been made in understanding how, why, and when vertebrate populations evolve crypsis. Here, we focus on background matching, a particular facet of crypsis that involves the ability of an organism to conceal itself through matching its color to the surrounding environment. While interesting in and of itself, the study of this phenotype has also provided fruitful population genetic insights into the interplay of strong positive selection with other evolutionary processes. Specifically, and predicated upon the findings of previous candidate gene association studies, a primary focus of this recent literature involves the realization that the inference of selection from DNA sequence data first requires a robust model of population demography in order to identify genomic regions which do not conform to neutral expectations. Moreover, these demographic estimates provide crucial information about the origin and timing of the onset of selective pressures associated with, for example, the colonization of a novel environment. Furthermore, such inference has revealed crypsis to be a particularly useful phenotype for investigating the interplay of migration and selection-with examples of gene flow constraining rates of adaptation, or alternatively providing the genetic variants that may ultimately sweep through the population. Here, we evaluate the underlying evidence, review the strengths and weaknesses of the many population genetic methodologies used in these studies, and discuss how these insights have aided our general understanding of the evolutionary process.
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 | 0,000 | 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) | 0,000 | 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 ».