Measuring genetic diversity across populations
Notice bibliographique
Résumé
Diversity plays an important role in various domains, including conservation, whether it describes diversity within a population or diversity over a set of species. While various strategies for measuring among-species diversity have emerged (e.g. Phylogenetic Diversity (PD), Split System Diversity (SSD) and entropy-based methods), extensions to populations are rare. An understudied problem is how to assess the diversity of a collection of populations where each has its own internal diversity. Relying solely on measures that treat each population as a monomorphic lineage (like a species) can be misleading. To address this problem, we present four population-level diversity assessment approaches: Pooling, Averaging, Pairwise Differencing, and Fixing. These approaches can be used to extend any diversity measure that is primarily defined for a group of individuals to a collection of populations. We then apply the approaches to two measures of diversity that have been used in conservation-Heterozygosity (Het) and Split System Diversity (SSD)-across a dataset comprising SNP data for 50 anadromous Atlantic salmon populations. We investigate agreement and disagreement between these measures of diversity when used to identify optimal sets of populations for conservation, on both the observed data, and randomized and simulated datasets. The similarity and differences of the maximum-diversity sets as well as the pairwise correlations among our proposed measures emphasize the need to clearly define what aspects of biodiversity we aim to both measure and optimize, to ensure meaningful and effective conservation decisions.
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) | 0,000 | 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 ».