Using <scp>eDNA</scp> to Assess Freshwater Bacterial Diversity Along a Forest–Non‐Forest Gradient in the Afrotropics
Notice bibliographique
Résumé
ABSTRACT Healthy ecosystems are critical for maintaining ecosystem services and water security; yet many freshwater ecosystems have been subject to environmental degradation. Impacts are often greatest in water‐scarce and developing regions, including across much of Sub‐Saharan Africa, where many people lack access to basic drinking water. However, environmental monitoring programmes to track ecosystem health are generally lacking across this region due to limited resources and funding. Recent advances in environmental DNA (eDNA) methods offer an increasingly cost‐effective and information‐rich solution. Here, we explore the potential of eDNA as a tool for ecological monitoring of freshwater ecosystems in Uganda, East Africa. We sampled eDNA to quantify the bacterial diversity of rivers, streams, and swamps across a gradient of human disturbance in and around Kibale National Park, using off‐the‐shelf sampling methods that require minimal pre‐existing infrastructure. We found distinct bacterial communities between intact and degraded habitats, but the bacterial community in rivers converged when flowing through intact forest. We identified several taxa with differential abundances that might serve as potential bioindicators of degraded ecosystems, and showed that a machine learning tool trained on eDNA can accurately differentiate between intact and degraded habitats. Our proof‐of‐concept study demonstrates the potential of eDNA as a practical and cost‐effective biomonitoring tool for freshwater ecosystems in resource‐limited regions, including Sub‐Saharan Africa. We also highlight the potential benefits of protected forest in modulating bacterial composition in freshwater 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».