Improving species conservation plans under IUCN’s One Plan Approach using quantitative genetic methods
Notice bibliographique
Résumé
Human activities are resulting in altered environmental conditions that are impacting the demography and evolution of species globally. If we wish to prevent anthropogenic extinction and extirpation, we need to improve our ability to restore wild populations. Ex situ populations can be an important tool for species conservation. However, it is difficult to prevent deviations from an optimal breeding design and altered environments in captivity seem likely to lead to evolutionary or plasticity-induced phenotypic change that could make reintroduction more difficult. Quantitative genetic analysis can help disentangle the causes of phenotypic change in ex situ populations. Consequently, quantitative genetics can improve the management of these populations and the success of in situ population management actions that they support. In this review we outline methods that could be used to improve the management of in situ and ex situ populations in a One Plan Approach. We discuss how quantitative genetic models can help measure genetic variation, phenotypic plasticity, and social effects on phenotypes. Finally, we discuss how phenotypic change can be predicted using measurements of additive genetic variance and selection. While previous work has highlighted the value of ex situ populations for the field of quantitative genetics, we argue that quantitative genetics can, in turn, offer opportunities to improve management and consequently conservation of populations of species at risk. We show that quantitative genetic analyses are a tool that could be incorporated into and improve ex situ management practices.
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 | 0,002 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».