Decoding cryptic diversity of moss populations in a forest-tundra ecotone
Notice bibliographique
Résumé
ABSTRACT Cryptic speciation is widespread among bryophytes, and it appears common in arctic and subarctic mosses where cryptic lineages may occur sympatrically in the environment. However, cryptic lineages are rarely considered in genetic diversity assessments. This situation poses a challenge, as the complex population structure resulting from cryptic speciation, along with factors like the predominance of clonality, can lead to inaccurate estimates of biodiversity. In this sense, we studied two populations of the subarctic moss Racomitrium lanuginosum in the forest-tundra ecotone to test the impact of accounting for differentiated genetic groups on moss genetic diversity estimates, clonal structure and microbial covariation. We performed genotyping-by-sequencing to infer genetic diversity and structure in the forest tundra and the shrub tundra. Genetic groups were identified using haplotype-based coancestry matrices and phylogenetic analyses. The clonal structure was explored by determining multilocus genotypes at the population and a finer scale (225 cm 2 ). The covariation between genetic groups and microbial communities (bacterial and diazotrophic) was explored. The recognition of cryptic lineages in genetic diversity estimations revealed differences between habitats that remained undetected when treating R. lanuginosum as a single species. Clonal growth seemed to predominate and affect the genetic structure at the local scale. Finally, genetic groups did not host specific microbiomes, suggesting that moss microbial associations in the forest-tundra ecotone did strongly respond to a genetic component. This study highlights the importance of accounting for cryptic lineages in genetic diversity estimations for a precise biodiversity assessment in subarctic and arctic ecosystems.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».