The immediate costs and long‐term benefits of assisted gene flow in large populations
Notice bibliographique
Résumé
With the genetic health of many plant and animal populations deteriorating due to climate change outpacing adaptation, interventions, such as assisted gene flow (AGF), may provide genetic variation necessary for populations to adapt to climate change. We ran genetic simulations to mimic different AGF scenarios in large populations and measured their outcomes on population-level fitness to determine circumstances in which it is worthwhile to perform AGF. In the absence of inbreeding depression, AGF was beneficial within a few generations only when introduced genotypes had much higher fitness than local individuals and traits affecting fitness were controlled by a few genes of large effect. AGF was harmful over short periods (e.g., first ∼10-20 generations) if there was strong outbreeding depression or introduced deleterious genetic variation. When the adaptive trait was controlled by many loci of small effect, the benefits of AGF took over 10 generations to realize-potentially too long for most climate-related management scenarios. The genomic integrity of the recipient population typically remained intact following AGF; the amount of genetic material from the donor population usually constituted no more of the recipient population's genome than the fraction of the population introduced. Significant genomic turnover (e.g., >50% replacement) only occurred when the selective advantage of the adaptive trait and translocation fraction were extremely high. Our results will be useful when adaptive management is used to maintain the genetic health and productivity of large populations under climate 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 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 ».