Pilot study: decoding the skin microbiome of bowhead (<i>Balaena mysticetus</i>) and killer whales (<i>Orcinus orca</i>) in Nunavut, Canada
Notice bibliographique
Résumé
Given the increasing challenges that Arctic cetaceans face, it is critical to investigate novel methods for assessing their health. Skin microbiomes have emerged as a promising method of detecting health issues that can help guide conservation efforts for free-ranging cetaceans. This study characterized the skin microbiome of 17 bowhead (BW) and 2 killer whales (KW). Fifty-six amplicon sequence variants were identified exclusively from cetacean samples, 20 belonged to BW, 13 to KW, and 23 to BW and KW. We identified bacteria from the genera Tenacibaculum and Psychrobacter, which have been previously described as bacteria that play a role in the health of cetaceans. In addition, in the healthy bowhead whale (H-BW) samples, we identified Clostridium sensu stricto 1 and 7, Carnobacterium spp., and Yersinia spp. which are of concern because these bacteria are opportunistic pathogens. Stranded BW had a less diverse microbiome than H-BW and had pathogens, including Aeromonas species and Streptococcus agalactia. Opportunistic pathogens of the genera Moritella (previously Vibrio spp.), Shewanella, Psychrilyobacter, and Legionella were discovered in KW. Due to their predator–prey relationships, the findings of this pilot study support the importance of keeping a close eye on the bowhead and killer whale populations in the Arctic.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».