Metabarcoding in biodiversity monitoring - a case study on French saproxylic beetles
Bibliographic record
Abstract
/ Les Coléoptères sont des indicateurs pertinents en écologie forestière appliquée, mais leur identification spécifique requiert une expertise taxonomique forte et rare. Nous testons ici une méthode alternative d'identification moléculaire des espèces par leurs codes-barres ADN.\nEn collaboration avec des experts taxonomistes, nous avons construit une bibliothèque de codes-barres ADN pour 410 espèces françaises, complémentaire des bibliothèques bavaroise et finlandaise disponibles dans la base de données www.boldsystems.org. Le taux de succès satisfaisant du séquençage pour une diversité de familles et l'analyse des divergences intra- et interspécifiques ont démontré la pertinence du marqueur choisi, y compris pour des espèces proches. Plusieurs questions taxonomiques intéressantes ont été soulevées par nos résultats, et soulignent les perspectives des codes-barres ADN dans la taxonomie intégrative des Coléoptères.\nDans un second temps, grâce aux nouvelles technologies de séquençage (NGS), nous avons appliqué le « metabarcoding » pour analyser des échantillons multispécifiques résultant de pièges standards. Au total, 35 échantillons représentant différents types de piégeage, de préservation des échantillons, de substrat séquencé (spécimens broyés vs. alcool de stockage) ont été livrés à une identification morphologique traditionnelle, puis reconditionnés et traités par NGS. Le taux de détection des espèces par NGS s'est révélé beaucoup plus fort et moins variable avec l'ADN du broyat qu'avec l'alcool de stockage. L'identification moléculaire des espèces dans un échantillon complexe s'est avérée performante en dépit de conditions de préservation de l'ADN non optimisées. Elle a également offert une plus-value, puisque la moitié des taxons supra-spécifiques que les taxonomistes ne pouvaient pas identifier morphologiquement ont été identifiés formellement à l'espèce par NGS. L'analyse NGS a également fourni des espèces additionnelles dont l'origine est discutée.\nA partir de ces résultats encourageants, l'optimisation du protocole d'échantillonnage, du conditionnement des échantillons et des méthodes d'analyse est en cours pour développer l'usage des insectes forestiers comme indicateurs écologiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".