Grow with the flow: Is phenotypic plasticity across hydrodynamic gradients common in seaweeds?
Notice bibliographique
Résumé
Seaweeds are widely assumed to be phenotypically plastic across hydrodynamic gradients, yet while many marine macroalgae exhibit intraspecific phenotypic variation that correlates with flow, researchers often fail to test whether such variation is due to plasticity or another mechanism, such as local adaptation. In this minireview, we considered mechanisms for sensing flow in seaweeds that could facilitate adaptive phenotypic plasticity across hydrodynamic gradients. We then reviewed the literature from 1900 to 2024 to see how often phenotypic variation and plasticity across hydrodynamic gradients had been observed and demonstrated in different groups of seaweeds. In the last 124 years, phenotypic variation and plasticity in response to flow have been well documented in brown algae but scarcely documented in red and green algae. This could suggest that brown algae are better able to sense and respond to flow than red and green algae, perhaps due to the intercalary meristem of many brown algae, including most kelps. However, this skewed distribution could also be the result of publication bias, as most studies involving flow have been conducted on brown algae. Only 30% of 141 papers specifically investigated if observations of phenotypic variation along hydrodynamic gradients were due to plasticity. To date, phenotypic plasticity in response to flow has been demonstrated in 20 brown algal species, five red algal species, and two green algal species. Thus, the assumption that phenotypic plasticity to flow is common across seaweeds is not particularly well supported by the literature. Mechanisms underlying plasticity to flow are poorly understood and remain a critical avenue for future research.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».