MétaCan
Menu
Retour à la cohorte
Enregistrement W4283260772 · doi:10.17352/gje.000055

Eco-evolutionary dynamics of intergenomic epistatic QTLs under slight and hard multilevel selections in community genetics

2022· article· en· W4283260772 sur OpenAlexfundno aff
Farshad Fattahi

Notice bibliographique

RevueGlobal Journal of Ecology · 2022
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueEvolution and Genetic Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesLeibniz-GemeinschaftDirectorate for Biological SciencesNorthern Arizona UniversityMcGill UniversityUniversity of Washington
Mots-clésEpistasisQuantitative trait locusQuantitative geneticsBiologyGenetic architectureSelection (genetic algorithm)Evolutionary dynamicsEvolutionary biologyGeneticsTraitPopulation geneticsPopulationGenetic variationGeneComputer scienceMachine learning

Résumé

récupéré en direct d'OpenAlex

Eco-evolutionary community genetics refers to the study of population genetics at multispecies levels since a single species evolves genetically through interactions with other species. The aim of this paper is dynamical modeling of interspecific quantitative trait loci (QTL) under slight and hard multilevel selection to investigate eco-evolutionary genetic relationships among QTL of multispecies. It was found that the simplex explained the intergenomic epistatic QTL (IEQ) dynamics in a discrete-time model according to Wright’s manifold. Besides, the generalized gradient system on the simplex demonstrated the IEQ dynamics in a continuous-time model. The outcomes of slight and hard multilevel selection on the expressions of IEQ in species were explained by the gradient operator of the mean multilevel fitness. IEQ analysis was integrated into community genetics according to Lande’s assumptions, so for slight multilevel selection, the geometric average of the mean multilevel fitness specified Wright’s idea of adaptive topography. The dynamical system for phenotypic eco-evolution under a hard multilevel selection gradient was studied and the relative mean multilevel fitness of two species was estimated.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,259
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGlobal Journal of EcologyMême sujetEvolution and Genetic DynamicsTravaux en français237 207