Bridging energy and ribosomal allocation models to predict the cost of traits in different environments
Notice bibliographique
Résumé
Abstract Many traits are costly because they require the diversion of resources from cell reproduction, however, the effect of environmental conditions and genetic background on the cost of traits is not well understood. Two different frameworks have been proposed to quantify the resource costs of traits, focusing on either energy allocation or ribosome allocation. These frameworks implicitly assume energy provisioning or protein production limits growth, respectively, but the connection between the two limitations has been underexplored. To better connect these frameworks, we reformulate previous models and incorporate the degradation, recycling, and energetic demands for cell maintenance to quantify the cost of traits, depending on the nature of the resources diverted, genetic background, and the environmental conditions experienced. Notably, our model predicts that increasing food quality increases the cost of traits that require the production of new structures, while decreasing the cost of traits requiring energy expenditure. Understanding how environmental change affects the cost of traits has important implications for the evolution of various traits, including antimicrobial resistance. Moreover, the model also accounts for several aspects of the observed relationship between the macromolecular composition of the cells and growth rate (also known as bacterial growth laws). Author Summary Many traits divert resources from reproduction and are costly due to the physiological trade-offs organisms face. These traits might require energy expenditure or production of macromolecules, and it is unclear how their costs can be compared given their different units. Moreover, the effect of environmental conditions on the cost of traits is not well understood. Here, we develop a framework that considers limitations in energy provisioning and protein production simultaneously and enables us to compare the cost of traits requiring different resources. Using this model, we explore how environmental quality and genetic background affect the cost of traits.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».