Patterns in marine surface fish biodiversity and community composition detected by different eDNA metabarcoding sampling methods
Notice bibliographique
Résumé
Abstract Understanding marine surface fish diversity is crucial for ecosystem management. However, the traditional sampling methods are often invasive, costly, or unsuitable for certain species or locations. Environmental DNA (eDNA) metabarcoding provides a non-invasive and relatively cheap alternative to explore patterns of diversity. It is important to recognize that, eDNA-based inference can vary across sampling methods, potentially impacting the validity of biodiversity assessments. To evaluate and compare the effectiveness of three eDNA sampling methods—ship-bottom intake (4.5 m), Niskin bottles (5 or 10 m), and bucket (0 m)—for assessing fish diversity and fish community composition in the western North Pacific near Japan, we analyzed fish communities from 83 stations sampled during nine research cruises. Taxonomic analysis revealed that each method detected over 324 taxa, contributing to a total of 465 taxa. Hierarchical clustering generally identified similar species composition across methods at a station. The exception was when intake samples, collected at different times, diverged from bucket and Niskin samples at the same station. Hill’s number rarefaction and extrapolation curves across all clusters showed similar results among methods, with exceptions in a few clusters where bucket samples exhibited higher biodiversity indices than intake and Niskin samples. Non-metric multidimensional scaling indicated significant relationships between cluster composition and environmental factors like temperature, salinity, and chlorophyll-a. Some clusters were also controlled by integrated seasonal factors. Overall, fish community composition was convincingly similar among methods. This finding suggests that any of these eDNA sampling methods can be effective and may be prioritized based on logistical considerations.
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 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».