Rôle de lâazote dans la structure et la fonction des communautés de cyanobactéries toxiques
Bibliographic record
Abstract
Dans cette étude de trois lacs sujets aux efflorescences de cyanobactéries, nous\navons examiné la diversité des bactéries diazotrophes et des cyanobactéries toxiques. Nous avons tenté de définir les facteurs environnementaux influençant la composition des communautés phytoplanctoniques, la concentration ainsi que la composition des\nmicrocystines (MCs). Nous avons émis l’hypothèse que l’azote jouerait un rôle majeur dans le façonnement des communautés cyanobactériennes et influencerait la concentration et composition des MCs. Des concentrations de cette toxine ainsi que le gène mcyE codant pour l’enzyme microcystine synthétase ont été détectés à chaque échantillonnage dans tous les lacs. L’azote, particulièrement sous sa forme organique dissoute (AOD) ainsi que la température de l’eau étaient les facteurs environnementaux expliquant le mieux les concentrations des MCs, tandis que la biomasse de Microcystis spp. était globalement le meilleur prédicteur. Le gène nifH codant pour l’enzyme nitrogénase (fixation d’azote) a\naussi été détecté dans chaque échantillon. Malgré les concentrations faibles en azote\ninorganique dissous (AID) et les densités importantes d’hétérocystes, aucun transcrits du gène n’a été détecté par réverse-transcription (RT-PCR), indiquant que la fixation d’azote n’avait pas lieu à des niveaux détectables au moment de l’échantillonnage. De plus, le pyroséquençage révèle que les séquences des gènes nifH et mcyE correspondaient à\ndifférents taxons, donc que les cyanobactéries n’avaient pas la capacité d’effectuer les deux fonctions simultanément.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".