Assortative mating can help adaptation of flowering time to a changing climate: Insights from a polygenic model
Notice bibliographique
Résumé
Several empirical studies report fast evolutionary changes in flowering time in response to contemporary climate change. Flowering time is a polygenic trait under assortative mating, since flowering time of mates must overlap. Here, we test whether assortative mating, compared with random mating, can help better track a changing climate. For each mating pattern, our individual-based model simulates a population evolving in a climate characterized by stabilizing selection around an optimal flowering time, which can change directionally and/or fluctuate. We also derive new analytical predictions from a quantitative genetics model for the expected genetic variance at equilibrium, and its components, the lag of the population to the optimum and the population mean fitness. We compare these predictions between assortative and random mating, and to our simulation results. Assortative mating, compared with random mating, has antagonistic effects on genetic variance: it generates positive associations among similar allelic effects, which inflates the genetic variance, but it decreases genetic polymorphism, which depresses the genetic variance. In a stationary environment with substantial stabilizing selection, assortative mating affects little the genetic variance compared with random mating. In a changing climate, assortative mating however increases genetic variance compared to random mating, which diminishes the lag of the population to the optimum, and in most scenarios translates into a fitness advantage relative to random mating. The magnitude of this fitness advantage depends on the extent to which genetic variance limits adaptation, being larger for faster environmental changes and weaker stabilizing selection.
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 ».