Separating faces in ARMS metabarcoding improves marine biodiversity monitoring: a comparison across protocols, experimental designs, and photographic surveys
Notice bibliographique
Résumé
Abstract Monitoring marine biodiversity requires approaches that capture its full complexity through space and time. DNA metabarcoding coupled with Autonomous Reef Monitoring Structures (ARMS) is increasingly used for this purpose, yet most applications still pool all sessile fractions and rarely benchmark molecular ouputs against photographic observations. Here, we combined photographic analysis with cytochrome c oxidase I (COI) metabarcoding across ten north-western Mediterranean sites to test, compare, and refine ARMS-based monitoring protocols. We first optimized laboratory procedures (DNA extraction and polymerase choice) and applied the control-driven, replicate-aware VTAM pipeline to minimize false positives and ensure full traceability. We then conducted the first face-by-face comparison of α- and β-diversity between imaging and eDNA in which each individual ARMS face was metabarcoded separately rather than pooled. Metabarcoding detected ∼15× higher site-level richness and revealed stronger correlations with geographic distance and environmental gradients, whereas photography provided complementary information on macro-taxa and surface cover. For metabarcoding, processing each face separately yielded much higher richness and markedly stronger β-diversity–distance correlations than with the NOAA pooling protocol, demonstrating that pooling inflates sampling variance resulting in a loss of the ecological signal. Grouping faces into five structural categories offered a more operational alternative while further increasing α-diversity and strengthening β-diversity correlations. Overall, our results show that retaining ARMS microhabitat structure is critical for maximizing metabarcoding performance. Using five structural sessile fractions per ARMS combined with a control-driven bioinformatic workflow provides a reproducible, scalable framework for long-term eDNA monitoring and early detection of biodiversity change.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».