Bibliographic record
Abstract
Les espèces invasives sont une préoccupation constante pour les pays dans lesquels les ressources naturelles jouent un rôle économique et social essentiel. Au Canada, des espèces telles que le longicorne asiatique, la maladie hollandaise de l'orme, la mort subite du chêne et la spongieuse asiatique menacent les forêts et les secteurs industriels qui en profitent. Le risque économique est estimé à 800 millions de dollars par année. Des méthodes d'apprentissage machine qui déterminent rapidement et précisément le taxon, l'origine géographique et la capacité pathogène des échantillons biologiques à partir de données génomiques constitueraient un outil précieux pour la réduction des risques.Dans cette thèse, nous avons examiné des concepts de la génétique des populations, des réseaux phylogénétiques, des données génotypiques et des méthodes actuelles d'attribution de population. Après avoir identifié un certain nombre de lacunes des méthodes actuelles, nous proposons une nouvelle approche d'apprentissage machine nommée Mycorrhiza visant à prédire l'origine géographique d'un échantillon à partir de son génotype dans laquelle des réseaux phylogénétiques sont utilisés comme une étape de transformation des données suivie d'un classificateur forêt d'arbres décisionnels. La précision de classification de notre méthode a été comparée à des méthodes d'assignation génétique ou d'analyse de mixture largement utilisées en génétique des populations, telles que STRUCTURE et Admixture, ainsi qu'à celle d'une variante où une analyse en composantes principales est utilisée à la place du réseau phylogénétique. Des jeux de données de SNP, de microsatellites ou de séquences consensus publiées avec de larges gammes de taille, distribution géographique et de populations ont été utilisées à cette fin.Le réseau phylogénétique et les méthodes APC montrent une nette amélioration de la précision de classification et des avantages définissables par rapport aux approches existantes. Comme on peut s'y attendre, STRUCTURE et Admixture échouent sur presque tous les jeux de données avec un écart moyen important par rapport à l'équilibre de Hardy Weinberg. La même chose peut être dite pour Admixture sur des ensembles de données avec une grande hétérozygotie attendue. De plus, l'approche du réseau phylogénétique estime les proportions du mélange avec systématiquement plus de précision que la variante APC. Enfin, l'approche phylogénétique gagne en précision par rapport à la variante APC lorsque les prédictions résultant de multiples sous-ensembles ordonnés des données sont moyennées.
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 | 0.005 | 0.021 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.011 | 0.006 |
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".