Testing genomic offset with common gardens in genetically structured black spruce ( <i>Picea mariana)</i>
Notice bibliographique
Résumé
Abstract Boreal forests play a crucial role in regulating climate via storage and release of carbon. Anticipated changes in climate are expected to increase mortality and reduce biomass in many boreal tree species, putting at risk the functioning of this ecosystem and hence its role in carbon sequestration. Genomic offset methods leverage spatial distribution of genomic diversity and its association with environmental variables to predict population vulnerability to projected changes in climate. Here, we analyse over 60 populations and more than 1400 individuals of black spruce ( Picea mariana (Mill.) B.S.P), a dominant boreal forest species, to compare population-level genomic offsets calculated using Gradient Forest and redundancy analysis (RDA) against multiple fitness traits measured in four long-term (>40 yr) common gardens. Within common gardens, we found that genomic offset predictions were largely unaffected by the model choice, the number or type of markers used for model training, with the strongest discrepancies observed for LFMM climate-associated markers. Model performance remained relatively stable when the number or size of populations in the training set was reduced, suggesting that these models can reliably project genomic offsets for new populations. However, model performances varied among common gardens, with highly accurate fitness predictions in some gardens but contradictory results in others. Model performance was influenced by the choice of climate predictors, their relationships with fitness traits, and the genetic cluster in which the models were evaluated. Overall, our results highlight the challenges of projecting genomic offsets across large spatial scales in genetically structured species, due to spatial variation in environmental drivers of adaptation and complex interactions among them. By capitalizing on our comprehensive validation, we identified the most robust models for projecting fitness declines in black spruce under future climate scenarios.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».