Additional file 1 of Compost, plants and endophytes versus metal contamination: choice of a restoration strategy steers the microbiome in polymetallic mine waste
Notice bibliographique
Résumé
Additional file 1. Supplementary data and results. Figure S1. qPCR data expressed as bacterial (16S rRNA) gene copy number and fungal (28S rRNA) gene copy number (log-transformed), and the ratio of bacteria:fungi for pre-treatment materials and ending treatments for both compost and tailing layers (collected after 56 days; 57 days; and 58 days of incubation in the case of TP and TPC; TPE and TPEC; and T and TC treatments, respectively). Ending treatments included tailings (T; n = 8), tailings with added compost (TC, n = 8), tailings with a plant (TP, n = 13), tailings with a plant and added compost (TPC, n = 8), tailings with a plant inoculated with endophytes (TPE, n = 11) and tailings with a plant inoculated with endophytes and added compost (TPEC, n = 8). Pre-treatment materials included initial compost (Cin, n = 4) and initial tailings (Tin, n = 6). Table S1. General characterization and total trace element content in pre-treatment materials: Blue Nose mine tailings amended with dolomite (Tin) and compost (Cin). Table S2. The plant growth-promoting properties of endophytes used for the inoculation of B. curtipendula seeds. Table S3. Pairwise comparison of prokaryotic (a) and fungal (b) Shannon diversity indices in tailings, compost, and roots between treatments. Table S4. Pairwise comparison of prokaryotic (a) and fungal (b) community structure in tailings, compost, and roots of B. curtipendula between treatments.
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 | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,855 | 0,163 |
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 ».