How can DNA legacy datasets contribute to developing best practices for CBD genetic diversity indicator estimation?
Notice bibliographique
Résumé
The 2022 Kunming-Montreal Global Biodiversity Framework (GBF) of the Convention on Biological Diversity (CBD) recognized the protection of genetic diversity (GD) as a major objective for biodiversity conservation. To monitor GD for the GBF, genetic indicators have been proposed, requiring the estimation of the effective population size (Ne) which relates to a healthy evolutionary status and adaptive potential (Ne>500).Due to increasingly cost-effective DNA sequencing technologies and enhanced collaborations between researchers and conservation practitioners, an increasing number of DNA datasets are published. These datasets allow estimation of GD within and across species. However, Ne estimates from DNA data are sensitive to sampling designs and estimation methods applied, as well as to species features including population spatial genetic structure and life history traits such as reproductive system or life span. The best practices and workflows for Ne estimation need further development.DNA legacy datasets are large population genetic datasets of well-characterized species including DNA-data and metadata on census sizes, reproductive success and dispersal, sometimes with pedigrees. We present an approach to select and structure legacy datasets according to their features, resulting in a framework that will allow us to explore how contrasted evolutionary histories, biological characteristics and data features can impact Ne estimates. This framework will help us design simulation scenarios that mimic some of these features. It is intended to provide standardized workflows for reliable sampling and Ne estimating procedures to efficiently support conservation managers in their practice of assessing and reporting DNA-based GD indicators to meet management and policy requirements including those of the CBD.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,007 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».