Comparing eDNA metabarcoding and conventional pelagic netting to inform biodiversity monitoring in deep ocean environments
Notice bibliographique
Résumé
Abstract The performance of environmental DNA (eDNA) metabarcoding has rarely been evaluated against conventional sampling methods in deep ocean mesopelagic environments. We assessed the biodiversity patterns generated with eDNA and two co-located conventional methods, oblique midwater trawls and vertical multinets, to compare regional and sample-level diversity. We then assessed the concordance of ecological patterns across water column habitats and evaluated how DNA markers and the level of sampling effort influenced the inferred community. We found eDNA metabarcoding characterized regional diversity well, detecting more taxa while identifying similar ecological patterns as conventional samples. Within sampling locations, eDNA metabarcoding rarely detected taxa across more than one replicate. While more taxa were found in eDNA than oblique midwater trawls within sample stations, fewer were found compared to vertical multinets. Our simulations show greater eDNA sampling effort would improve concordance with conventional methods. We also observed that using taxonomic data from multiple markers generated ecological patterns most similar to those observed with conventional methods. Patterns observed with Exact Sequence Variants were more stable across markers suggesting they are more powerful for detecting change. eDNA metabarcoding is a valuable tool for identifying and monitoring biological hotspots but some methodological adjustments are recommended for deep ocean environments.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».