Not only better sampling, but also better modelling
Notice bibliographique
Résumé
Most, if not all, of the sites in a sequence do not evolve according to the same pattern; this is because each residue is characterised by specific biophysical environments and different evolutionary constraints. Homogenous models of sequence evolution fail to account for this assumption and may, for example, misinterpret the non-phylogenetic signal embedded in highly saturated positions; indeed, the deeper the nodes in the phylogeny, the higher the risk of falling in such type of systematic error. An effecting way of overcoming this problem is the employment of among-site heterogeneous models of sequence evolution. Here we outline various examples of how these models, most of which belongs to the “CAT-family”, have helped producing phylogenies that significantly differs to those obtained using homogenous models. Examples span from arthropods to rodents, and from large phylogenomic to mitogenomic and classical rRNA datasets. Not only heterogeneous models are clear improvement in term of fit to the datasets, but notably recover phylogenies more congruent with morphology and other sources of evidence. We also show that the use of among-site heterogeneous models also affects molecular clock estimates, which are typically older when using homogeneous models in nodes describing radiations of fast evolving species. Although both an adequate taxon and gene sampling are needed to address many phylogenetic problems, we advocate that more importance should be given to the accurate modelling of sequences rather than to massive harvesting of data, except if this allows to break long branches
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 | 0,010 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,010 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».