Étude des dynamiques populationnelles microbiennes : développement d’outils computationnels pour caractériser le rôle des variations intra-espèces sur la stabilité des communautés microbiennes
Bibliographic record
Abstract
Le séquençage 16S, la matrice d’interactions communautaires et le modèle de Lotka-Volterra sont des outils essentiels pour décrire la composition, les interactions et la stabilité des communautés microbiennes. Bien que ces approches soient largement utilisées en écologie microbienne, elles se limitent à une résolution inter-espèce, négligeant la diversité à l’intérieur des populations. Or, en raison du chevauchement des échelles de temps évolutives et écologiques au sein des microbiomes, ces communautés sont également influencées par la diversité intra-espèce. L’ampleur de cette influence demeure toutefois incomprise. Le présent travail vise à unifier la biologie évolutive et l’écologie des communautés microbiennes afin de mieux comprendre leur capacité d’adaptation. À cette fin, nous avons développé Doblin (Dominant Barcode Lineages), un outil computationnel exploitant les données de séquençage de codes-barres chromosomiques pour mettre en évidence la diversité clonale intra-espèce. Testé à la fois sur des simulations et des données expérimentales d'évolution d'E. coli, Doblin a démontré sa capacité à identifier les lignées clonales dominantes et à les regrouper en fonction de leur avantage sélectif. En plus, face à la densité et aux bruits fréquents dans les données expérimentales de séquençage, nous avons également étudié des moyens d’optimiser leur représentation. Pour ce faire, nous avons utilisé la décomposition en valeurs singulières (SVD) afin de décomplexifier les dynamiques temporelles des lignées clonales. En somme, ce travail facilite l’étude des dynamiques populationnelles microbiennes et leur intégration aux dynamiques communautaires.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".