Comparative analysis of zooplankton diversity in freshwaters: What can we gain from metagenomic analysis?
Notice bibliographique
Résumé
Abstract Molecular genetic approaches applied to environmental DNA have great potential for biodiversity research and ecosystem monitoring. A metagenome is produced via shotgun sequencing of DNA collected directly from the environment and represents a sample of genetic information from all organisms captured in an environmental sample. Metagenomes have been primarily used to study bacteria and archaea, but promising reports focusing on metazoan diversity are emerging. However, methodological uncertainties remain, and studies are required to validate the power and the limitations of such an approach when applied to macro‐eukaryotes. Here, we analyzed water sample metagenomes to estimate zooplankton diversity in 22 freshwater lakes across eastern Canada. We tested the coherence of data based on field samples collected at the same time: 1) morphologically identified zooplankton specimens and 2) molecular genetic data derived from shotgun sequencing of environmental DNA for which we applied two different bioinformatic workflows: a whole metagenome mapping approach and a small subunit (SSU) rRNA gene prediction approach. We further evaluated diversity trends emerging from each dataset in relation to major environmental gradients. We found a significant correlation between the relative abundance of zooplankton families identified based on SSU rRNA gene prediction and morphology. However, differences in congruence between metagenomes and morphological identifications were detected when varied bioinformatic approaches were applied to the presence–absence data. This study presents one of the first diversity assessments of a group of aquatic metazoans using metagenomes and validates the coherence of the community composition derived from genomic and classical species surveys. Overall, our results suggest that metagenomics has the potential to be further developed to describe metazoan biodiversity in aquatic ecosystems, and to advance this area we provide key recommendations for workflow improvement.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; 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 ».