Identificación de las deficiencias del motor BOLD y sugerencias de mejora basadas en un conjunto de registros de...

Área de la Ciencia:

• Taxonomía y sistemática
• La bioinformática
• Ecología molecular

Sus antecedentes:

• El código de barras de la base de datos de la vida (BOLD) es un recurso crucial para el código de barras del ADN y la identificación de especies.
• El aumento del volumen de datos en BOLD ha llevado a desafíos en el mantenimiento de asignaciones precisas de especies dentro de los números de índice de códigos de barras (BIN).
• Estudios anteriores han destacado las posibles inconsistencias en los algoritmos de identificación de BOLD.

Objetivo del estudio:

• Evaluar el rendimiento de los algoritmos de identificación de especies de BOLD, específicamente el Refined Single Linkage (RESL) y el Assemble Species by Automatic Partitioning (ASAP).
• Investigar el impacto de la calidad de los datos, incluidas las asignaciones erróneas taxonómicas y los metadatos, en la fiabilidad de las identificaciones en negrita.
• Evaluar el papel de los números de código de barras (BIN) en la identificación de especies dentro de BOLD e identificar los factores que contribuyen a las discrepancias.

Principales métodos:

• Análisis de un conjunto de datos curados de registros del género Tachina de BOLD, incluidos datos publicados y privados.
• Comparación del algoritmo RESL con el algoritmo ASAP para la delimitación de especies.
• Investigación de la dependencia del motor BOLD v4 y v5 ID en los BIN y los modos de integración de datos.

Principales resultados:

• El algoritmo ASAP demostró un rendimiento superior en comparación con RESL, que se adhiere rígidamente al concepto de brecha de código de barras de ADN.
• Las asignaciones taxonómicas erróneas, la formación inconsistente de BIN y los metadatos faltantes se identificaron como contribuyentes significativos a las identificaciones de especies no confiables.
• Las consultas BOLD se basan predominantemente en los BIN, pero se observaron desviaciones, lo que llevó a coincidencias de especies inconsistentes con los BIN asignados.
• El modo predeterminado del motor BOLD v4 ID integraba datos privados y publicados, lo que potencialmente conducía a registros públicos basados únicamente en datos de COI.

Conclusiones:

• Las limitaciones algorítmicas y las deficiencias en los procesos de presentación y posterior a la presentación de datos contribuyen a la falta de fiabilidad de las identificaciones en negrita.
• Es necesario mejorar la gestión de los datos y los enfoques algorítmicos para mejorar la precisión y la coherencia de BOLD.
• Sin las modificaciones necesarias, la acumulación de asignaciones contradictorias de especies dentro de los BIN continuará, lo que disminuirá la fiabilidad de BOLD para la identificación de especímenes.