FOGS: A SNPSTR Marker Database to Combat Wildlife Trafficking and a Cell Culture Bank for <i>Ex‐Situ</i> Conservation
Notice bibliographique
Résumé
Illegal wildlife trade is a growing problem internationally. Poaching of animals not only leads to the extinction of populations and species but also has serious consequences for ecosystems and economies. This study introduces a molecular marker system that authorities can use to detect and substantiate wildlife trafficking. SNPSTR markers combine short tandem repeats with single nucleotide polymorphisms within an amplicon to increase discriminatory power. Within the FOGS (Forensic Genetics for Species Protection) project, we have established SNPSTR marker sets for 74 vertebrate species. On average, each set consists of 19 SNPSTR markers with 82 SNPs per set. More than 1300 SNPSTR markers and over 300 STR markers were identified. Also, through its biobanking pipeline, the FOGS project enabled the cryopreservation of somatic cells from 91 vertebrate species as well as viable tissues for later cell initiation from a further 109 species, providing future strategies for ex situ conservation. In addition, many more fixed tissues and DNA samples of endangered species were biobanked. Therefore, FOGS was an interdisciplinary study, combining molecular wildlife forensics and conservation tools. The SNPSTR sets and cell culture information are accessible through the FOGS database (https://fogs-portal.de/data) that is open to scientists, researchers, breeders and authorities worldwide to protect wildlife from illegal trade.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,024 |
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 source (Gemma direct ou Codex distillé), 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 ».