Navigating the Murky Waters: Variation in Low Abundance Sequence Filtration in Fish <scp>eDNA</scp> Metabarcoding
Notice bibliographique
Résumé
ABSTRACT Environmental DNA (eDNA) metabarcoding is a valuable tool for assessing fish communities and informing environmental management strategies. Well‐defined and informed methodologies are necessary to increase the repeatability and accuracy of eDNA results. This review evaluates 87 fish eDNA metabarcoding studies with a focus on low abundance sequence filtration methods used. This study aims to reveal the variety of methodological approaches used in eDNA metabarcoding and to provide recommendations based on these findings. A rubric of 32 criteria was developed to standardize the evaluation process, focusing not only on low abundance sequence filtration methods, but also on the incorporation of replicates, controls, primer validations, data availability, and other best practice criteria. We found diverse approaches to low abundance sequence filtering which showed little justification for threshold selection. While most studies incorporated some form of negative control or replicate, their implementation and reporting were inconsistent. There was also limited use of positive controls and primer validation throughout the studies. We recommend the adoption of various practices: (1) increasing the use of controls and replicates, (2) providing rationale behind low abundance filtering criteria or omitting it entirely, (3) completing analyses to validate primers, (4) improving the completion and appropriate communication of methods and results, and (5) making raw sequence data publicly available. Refined methodologies in eDNA metabarcoding research are imperative to ensure the reproducibility and accuracy of fish community assessment and environmental management practices. This is especially important as this tool continues to integrate into conservation and management efforts.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».