How pathogens affect the marine habitat use and migration of sea trout (<i>Salmo trutta</i>) in two Norwegian fjord systems
Notice bibliographique
Résumé
Wild fish are confronting changing pathogen dynamics arising from anthropogenic disturbance and climate change. Pathogens can influence animal behaviour and life histories, yet there are little such data from fish in the high north where pathogen dynamics may differ from comparatively southern regions. We aimed to compare the pathogen communities of 160 wild anadromous brown trout in two fjords in northern Norway and to determine whether pathogens influenced area use or return to spawn. Application of high-throughput qPCR detected 11 of the 46 pathogens screened for; most frequently encountered were Ichthyobodo spp., Flavobacterium psychrophilum and Candidatus Branchiomonas cysticola. The rate of returning to freshwater during the spawning season was significantly lower for the Skjerstadfjord fish. Piscichlamydia salmonis and F. psychrophilum were indicator species for the Skjerstadfjord and pathogen communities in the two fjords differed according to perMANOVA. Individual length, Fulton's condition factor and the time between first and last detection of the fish were not related to the presence of pathogens ordinated using non-metric multidimensional scaling (NMDS). However, there was evidence that pathogen load was correlated with the expression of smoltification genes, which are upregulated by salmonids in freshwater. Correspondingly, percentage of time in freshwater after release was longer for fish with greater pathogen burdens.
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 ».