Early detection of aquatic invaders using metabarcoding reveals a high number of non-indigenous species in Canadian ports
Notice bibliographique
Résumé
Aim Invasive species represent one of the greatest threats to biodiversity. The ability to detect non-indigenous species (NIS), particularly those present at low abundance, is limited by difficulties in performing exhaustive sampling and in identifying species. Here we sample zooplankton from 16 major Canadian ports and apply a metabarcoding approach to detect NIS. Location Marine and freshwater ports along Canadian coastlines (Pacific, Arctic, Atlantic) and the Great Lakes. Methods We amplified the V4 region of the small subunit ribosomal DNA (18S) and used two distinct analytic protocols to identify species present at low abundance. Taxonomic assignment was conducted using BLAST searches against a local 18S sequence database of either (i) individual reads (totalling 7,733,541 reads) or (ii) operational taxonomic units (OTUs) generated by sequence clustering. Phylogenetic analyses were performed to confirm the identity of reads with ambiguous taxonomic assignment. Results Taxonomic assignment of individual reads identified 379 zooplankton species at a minimum sequence identity of 97%. Of these, 24 species were identified as NIS, 11 of which were detected in previously unreported locations. When reads were clustered into OTUs prior to taxonomic assignment, six NIS were no longer detected and an additional NIS was falsely identified. Phylogenetic analyses revealed that sequences belonging to closely related species clustered together into shared OTUs as a result of low interspecific variation. NIS can thus be misidentified when their sequences join the OTUs of more abundant native species. Main conclusions Our results reveal the power of the metabarcoding approach, whilst also highlighting the need to account for potentially low levels of genetic diversity when processing data, to use barcode markers that allow differentiation of closely related species and to continue building comprehensive sequence databases that allow reliable and fine-scale taxonomic designation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 tête enseignante, 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 ».