Using tissue cysteine to predict the trophic transfer of methylmercury and selenium in lake food webs
Notice bibliographique
Résumé
The biomagnification of toxic methylmercury (MeHg) and selenium (Se) through aquatic food webs using nitrogen stable isotopes (δ15N) varies among ecosystems but underlying mechanisms are yet unexplained. Given the strong links between MeHg and thiol-containing amino acids and proteins containing selenocysteine, our hypothesis was that cysteine content is a better predictor of MeHg and Se transfer through lake food webs than δ15N. Food web samples were collected from six lakes in Kejimkujik National Park, Nova Scotia, Canada, and the regression slopes of log MeHg or Se versus protein-bound cysteine or bulk δ15N were compared. Across all six lakes, MeHg varied by a factor of 10 among taxa and was significantly and positively related to both cysteine (R2 = 0.65–0.80, p < 0.001) and δ15N (R2 = 0.88–0.94, p < 0.001), with no among-system differences in these slopes. In contrast, total Se concentrations varied by less than a factor of 2 among taxa in four lakes and were significantly related to cysteine in only two food webs (R2 = 0.20 & 0.37, p = 0.014 & < 0.001); however, δ15N was not a predictor of Se in any lake (p = 0.052–0.777). Overall, these novel results indicate that cysteine content predicts MeHg, and sometimes Se, across trophic levels, providing a potential mechanism for among-system differences in their biomagnification.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».