Framing Cutting-Edge Integrative Deep-Sea Biodiversity Monitoring via Environmental DNA and Optoacoustic Augmented Infrastructures
Notice bibliographique
Résumé
Deep-sea ecosystems are reservoirs of biodiversity that are largely unexplored, but their exploration and biodiscovery are becoming a reality thanks to biotechnological advances (e.g., omics technologies) and their integration in an expanding network of marine infrastructures for the exploration of the seas, such as cabled observatories. While still in its infancy, the application of environmental DNA (eDNA) metabarcoding approaches is revolutionizing marine biodiversity monitoring capability. Indeed, the analysis of eDNA in conjunction with the collection of multidisciplinary optoacoustic and environmental data, can provide a more comprehensive monitoring of deep-sea biodiversity. Here, we describe the potential for acquiring eDNA as a core component for the expanding ecological monitoring capabilities through cabled observatories and their docked Internet Operated Vehicles (IOVs), such as crawlers. Furthermore, we provide a critical overview of four areas of development: (i) Integrating eDNA with optoacoustic imaging; (ii) Development of eDNA repositories and cross-linking with other biodiversity databases; (iii) Artificial Intelligence for eDNA analyses and integration with imaging data; and (iv) Benefits of eDNA augmented observatories for the conservation and sustainable management of deep-sea biodiversity. Finally, we discuss the technical limitations and recommendations for future eDNA monitoring of the deep-sea. It is hoped that this review will frame the future direction of an exciting journey of biodiscovery in remote and yet vulnerable areas of our planet, with the overall aim to understand deep-sea biodiversity and hence manage and protect vital marine resources.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».