Towards marine microbiome community bioindicators for monitoring Arctic plankton in response to climate change
Notice bibliographique
Résumé
The Arctic is being heavily impacted by climate change. The air temperature is rising more than 2 times faster than the rest of the globe, sea ice cover is shrinking every year and we are observing increased freshwater inputs from melting coastal glaciers (Ardyna & Arrigo, 2020).We attempt to quantify the impact of these evolving parameters on the Arctic marine microbiome, which is at the base of the marine food web and ecosystems. In particular, we develop meta-omics-based bioindicators, targeting bacterial plankton, and investigating community growth rates as a key ecological trait to study the global plankton response to environmental changes. This adaptive phenotypic trait, which has been shown to consistently vary with water temperature in non-Arctic bacteria (Abreu et al., 2023), can be estimated for single organisms and can also be averaged to capture the evolution of an entire community.Here, we compare multiple methods linking omics data to growth rate and explore how the relationship between growth and temperature behaves in Arctic waters. We demonstrate its robustness by quantifying the impact of nutrients on the temperature-growth rate relationship. Finally, we integrate data from ocean and sea ice ecosystems collected during large-scale Arctic campaigns (i.e., TOPC, FRAM, MOSAIC, Refuge-Arctic) in order to decipher the spatiotemporal distribution of this relationship in the Arctic.Altogether, this work will be instrumental to understand the various local responses of the Arctic microbiome ecosystems to contrasted perturbations.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».