Improved estimation of aquaculture associated European introgression in a captive breeding program for endangered Atlantic salmon
Notice bibliographique
Résumé
Abstract The rapid, range-wide decline in Atlantic salmon, Salmo salar , populations is well documented and has led to establishment of captive rearing and breeding programs in order to preserve populations. However, recovery potential may be limited by the inclusion of non-local genotypes, which can be both difficult to detect and quantify. In the genetically unique Inner Bay of Fundy population located in Canada, three Live Gene Bank programs have been established to aid recovery of this endangered conservation unit. Evidence of aquaculture associated non-local (i.e., European) introgression had previously been detected using small panels of microsatellite markers with limited power. Here we show how advances in sequencing and machine learning technologies can support a conservation program. We used machine learning and a corresponding panel of 301 SNPs to estimate individual-level proportions of European ancestry. To assess the degree of introgression in each program and to assess changes over time, fish were randomly selected across several program generations. Estimates were validated by genotyping a subset of individuals on a 220 K SNP array and using established admixture methods. Of the 1741 fish analyzed, only 48 were found to have European ancestry greater than the detection threshold. We found the amount of European ancestry was previously overestimated, and that very few wild-collected founder individuals had large proportions of European ancestry. Moreover, because European ancestry was introduced to Bay of Fundy populations via introgression from aquaculture escapees, these values represent the minimum amount of aquaculture introgression in these captive populations.
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 ».