A new <scp>GTSeq</scp> resource to facilitate multijurisdictional research and management of walleye <i>Sander vitreus</i>
Notice bibliographique
Résumé
Abstract Conservation and management professionals often work across jurisdictional boundaries to identify broad ecological patterns. These collaborations help to protect populations whose distributions span political borders. One common limitation to multijurisdictional collaboration is consistency in data recording and reporting. This limitation can impact genetic research, which relies on data about specific markers in an organism's genome. Incomplete overlap of markers between separate studies can prevent direct comparisons of results. Standardized marker panels can reduce the impact of this issue and provide a common starting place for new research. Genotyping‐in‐thousands (GTSeq) is one approach used to create standardized marker panels for nonmodel organisms. Here, we describe the development, optimization, and early assessments of a new GTSeq panel for use with walleye ( Sander vitreus ) from the Great Lakes region of North America. High genome‐coverage sequencing conducted using RAD capture provided genotypes for thousands of single nucleotide polymorphisms (SNPs). From these markers, SNP and microhaplotype markers were chosen, which were informative for genetic stock identification (GSI) and kinship analysis. The final GTSeq panel contained 500 markers, including 197 microhaplotypes and 303 SNPs. Leave‐one‐out GSI simulations indicated that GSI accuracy should be greater than 80% in most jurisdictions. The false‐positive rates of parent‐offspring and full‐sibling kinship identification were found to be low. Finally, genotypes could be consistently scored among separate sequencing runs >94% of the time. Results indicate that the GTSeq panel that we developed should perform well for multijurisdictional walleye research throughout the Great Lakes region.
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 | 0,001 | 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 ».