Development of a Noninvasive Genotyping‐In‐Thousands (<scp>GTseq</scp>) Panel for Long‐Term Conservation of Western Great Lakes Gray Wolves (<i>Canis lupus</i>)
Notice bibliographique
Résumé
ABSTRACT The application of noninvasive genetic methods toward the field of conservation has increased our understanding of many wildlife populations that are difficult to sample, allowing for better management. In molecular ecology, the use of noninvasive sampling became widely feasible with the advent of microsatellites, a highly polymorphic, short‐length marker that could be genotyped from low‐quality DNA sources. Despite decades of use, many microsatellite panels continue to suffer from high genotyping error rates, allelic dropout, and limited reproducibility across laboratories. To address these issues, single nucleotide polymorphisms (SNPs) offer advantages such as lower genotyping error rates, avoidance of allelic dropout due to consistent allele length, and automated calling through bioinformatic pipelines, reducing human subjectivity and error. Given the advantages SNPs provide relative to microsatellites as a molecular marker, the use of SNP panels and specifically, the method of genotyping‐in‐thousands by sequencing (GTseq) has gained popularity. Here, we developed a GTseq panel for western Great Lakes canids comprised of 196 loci, capable of species identification, accurately inferring sex (97.2%), identifying unique individuals (probability of identity = 6.71e−41), assigning relationships (false positive rate = 9.34e−14), and assigning genotypes with low error (0.39%). In an attempt to improve genotyping success with low‐quality samples, we found that while increasing the number of PCR cycles yielded a higher percentage of genotyped loci, it also increased on‐target reads in negative PCR controls. We suggest approaching this manipulation with caution and emphasize the importance of including and reporting negative PCR controls. Further, quantitative PCR was a powerful method to estimate host‐specific DNA concentrations, enabling conservative sample selection for library preparation with respect to GTseq affordability.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».