MétaCan
Menu
← Retour à la cohorte
Enregistrement W6950565719 · doi:10.5683/sp2/8jaoh6

Data from: Genetic admixture and heterosis may enhance the invasiveness of common ragweed

2021· dataset· en· W6950565719 sur OpenAlexaff

Notice bibliographique

RevueBorealis · 2021
Typedataset
Langueen
Domaine
Thématique
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésHeterosisOutbreeding depressionIntraspecific competitionPopulationRange (aeronautics)RagweedHybridGenotype

Résumé

récupéré en direct d'OpenAlex

AbstractBiological invasions are often associated with multiple introductions and genetic admixture of previously isolated populations. In addition to enhanced evolutionary potential through increased genetic variation, admixed genotypes may benefit from heterosis, which could contribute to their increased performance and invasiveness. To deepen our understanding of the mechanisms and management strategies for biological invasions, we experimentally studied whether intraspecific admixture causes heterosis in common ragweed (Ambrosia artemisiifolia) by comparing the performance of crosses (F1) between populations relative to crosses within these populations for each range (native, introduced) under different ecologically relevant conditions (control, drought, competition, simulated herbivory). Performance of admixed genotypes was highly variable, ranging from strong heterotic effects to weak outbreeding depression. Moreover, heterosis was not uniformly observed among between-population crosses, but certain native population crosses showed considerable heterosis, especially under simulated herbivory. In contrast, heterosis was largely absent in crosses from the introduced range, possibly implying that these populations were already admixed and benefit little from further mixing. In conclusion, these results support the hypothesis that heterosis may contribute to biological invasions, and indicate the need to minimize new introductions of exotic species, even if they are already present in the introduced range.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,075

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0230,013

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,313
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBorealis→Travaux en français237 207→