Experimental support for genomic prediction of climate maladaptation using the machine learning approach Gradient Forests
Notice bibliographique
Résumé
Gradient Forests is a machine learning algorithm that is gaining in popularity for studying the environmental drivers of genomic variation and for incorporating genomic information into climate change impact assessments. Here we provide the first experimental evaluation of the ability of ‘genomic offsets’ - a metric of climate maladaptation derived from Gradient Forests - to predict organismal responses to environmental change. We used high-throughput sequencing, genome scans, and several methods (including Gradient Forests) to identify candidate loci associated with climate adaptation in balsam poplar (Populus balsamifera L.). Individuals collected throughout balsam poplar’s range also were planted in two common garden experiments. We used Gradient Forests to relate candidate loci to environmental gradients and to predict the expected magnitude of response (i.e., the genetic offset) of populations when transplanted from their “home” environment to the new environments in the common gardens. We then compared the predicted genetic offsets to measurements of population performance in the common gardens. We found the expected inverse relationship between genetic offset and performance in the common gardens: populations with larger predicted genetic offsets performed worse in the common gardens than populations with smaller offsets. Also, genetic offset better predicted performance in the common gardens than did ‘naive’ climate distances. Our results provide preliminary evidence that genomic offsets may provide a first order estimate of the degree of expected maladaptation of populations exposed to rapid environmental change.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,014 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».