Comparison of larval fish detections using morphology-based taxonomy versus high-throughput sequencing for invasive species early detection
Notice bibliographique
Résumé
When first introduced, invasive species typically evade detection; DNA barcoding coupled with high-throughput sequencing (HTS) may be more sensitive and accurate than morphology-based taxonomy, and thereby improve invasive (or rare) species detection. We quantified the relative error of species detection between morphology-based and HTS-based taxonomic identification of ichthyoplankton collections from the Port of Duluth, Minnesota, an aquatic non-native species introduction 'hot-spot' in the Laurentian Great Lakes. We found HTS-based taxonomy identified 28 species and morphology-based taxonomy 30 species, of which 27 were common to both. Among samples, 76% of family-level taxonomic assignments agreed; however, only 42% of species assignments agreed. Most errors were attributed to morphology-based taxonomy, whereas HTS-based taxonomy error was low. For this study system, for most non-native fishes, the detection probability by randomized survey for larvae was similar to that by a survey that is optimized for non-native species early detection of juveniles and adults. We conclude that classifying taxonomic errors by comparing HTS results against morphology-based taxonomy is an important step toward incorporating HTS-based taxonomy into biodiversity surveys.
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 | 0,001 |
| 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 ».