When are populations not connected like a circuit? Identifying biases in gene flow from coalescent times
Notice bibliographique
Résumé
Connectivity and movement patterns of populations are influenced by past and present environmental and biotic factors, which are reflected in genetic relatedness among populations. Methods that estimate the "commute time" between populations based on electrical resistance (i.e., isolation-by-resistance [IBR]) have been widely applied to either infer movement patterns directly from environmental factors or detect possible barriers to gene flow given empirical genetic relatedness. Yet, the commute time is only equivalent to the coalescence time between populations under symmetric migration with isotropic landscapes. Asymmetric gene flow is relatively common when populations are expanding, retreating, or with source-sink dynamics. In a From the Cover paper in this issue of Molecular Ecology Resources, Lundgren and Ralph (Molecular Ecology Resources, 19, 2019) describe a Bayesian method to infer bidirectional gene flow rates and population sizes without the assumption of symmetry. The method shows great accuracy in connectivity estimations under symmetric, as well as asymmetric gene flow scenarios where resistance methods fail. However, computational complexity limits the method to a few populations, preventing its application to finescale environmental maps. Also, as a discrete-deme static model, the inferred differences in gene flow rates are sensitive to population discretization and cannot be directly used to differentiate among processes (e.g., past expansion vs. current barrier). Here, we discuss scenarios where the new method can best be utilized and provide potential directions to identify the underlying processes causing deviations in gene flow patterns.
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 ».