Harnessing paleo‐environmental modeling and genetic data to predict intraspecific genetic structure
Notice bibliographique
Résumé
Spatially explicit simulations of gene flow within complex landscapes could help forecast the responses of populations to global and anthropological changes. Simulating how past climate change shaped intraspecific genetic variation can provide a validation of models in anticipation of their use to predict future changes. We review simulation models that provide inferences on population genetic structure. Existing simulation models generally integrate complex demographic and genetic processes but are less focused on the landscape dynamics. In contrast to previous approaches integrating detailed demographic and genetic processes and only secondarily landscape dynamics, we present a model based on parsimonious biological mechanisms combining habitat suitability and cellular processes, applicable to complex landscapes. The simulation model takes as input (a) the species dispersal capacities as the main biological parameter, (b) the species habitat suitability, and (c) the landscape structure, modulating dispersal. Our model emphasizes the role of landscape features and their temporal dynamics in generating genetic differentiation among populations within species. We illustrate our model on caribou/reindeer populations sampled across the entire species distribution range in the Northern Hemisphere. We show that simulations over the past 21 kyr predict a population genetic structure that matches empirical data. This approach looking at the impact of historical landscape dynamics on intraspecific structure can be used to forecast population structure under climate change scenarios and evaluate how species range shifts might induce erosion of genetic variation within species.
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 ».