Extending quantitative genetic models to estimate mutational variance
Bibliographic record
Abstract
Dette prosjektet introduserer utvidelser av dyremodellen, en type generalisert lineær blandet modell innen kvantitativ genetikk. Modellen utnytter informasjonen i en kjent slektskapsstruktur for dyre- eller plantepopulasjoner for å dele deres fenotypiske variasjon inn i miljøeffekter og additive genetiske effekter, samt å undersøke påvirkningen andre faktorer har på det fenotypiske trekket. I ville studiepopulasjoner kan dyremodellen hjelpe til med å skaffe spesifikk kunnskap som spesielt trengs innen konservering, for eksempel ved å kvantifisere evolusjonære responser på både naturlige og kunstige prosesser.\n\nMutasjoner er foreslått som en forklaring på den kontinuerlige responsen i langvarige seleksjonseksperimenter hvor det forventes at et seleksjonsplatå er nådd. Som et verktøy til å utforske denne teorien, foreslår og undersøker vi en metode for å separere mutasjonsvarians fra andre kilder til additiv genetisk varians i dyremodellen, basert på den kjente slektskapsstrukturen.\n\nSom et eksempel, inkluderer vi mutasjonseffekter i en dyremodell med data fra en sangspurv-populasjon på øya Mandarte i Canada, implementert i de Bayesiske rammeverkene INLA og Stan. I tillegg benytter vi en resamplingsmetode for å se på årlige endringer i tilfeldige effekter og de tilsvarende variansene. Som forventet fra tidligere innsikt fra andre populasjoner, står den estimerte økningen i additiv genetisk varians, fra en generasjon til den neste, for en mindre del av den totale fenotypiske variansen, men resamplingen avdekker en rask økning over tid. Dette indikerer et overraskende stort tilskudd av additiv genetisk varians fra mutasjoner, men det finnes tegn til overestimering. Videre arbeid bør inneholde testing på simulerte data, noe som trolig vil vise at mutasjonsvariansen ikke er fullstendig separert fra andre additive genetiske effekter.
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 | 0.007 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".