ベンシックバクテリア16S rRNA分類で訓練された機械学習モデルを使用して,海洋の冷凍浸透堆積物における炭化水素の存在を予測する

科学分野:

• 海の微生物と地化学
• バイオインフォマティクスと機械学習アプリケーション
• バイオスフィアとジオスフィアのインターフェース研究

背景:

• 炭化水素の浸透は海底の微生物に 影響を及ぼします
• 微生物コミュニティの組成は,炭化水素の存在を示すことができます.
• 探査と環境モニタリングには,炭化水素の漏れ場所を予測することが不可欠です.

研究 の 目的:

• 16S rRNA遺伝子アンプリコンのデータを用いて海洋沈殿物の炭化水素存在を予測するための機械学習モデルをテストする.
• 異なる海洋盆地における炭化水素の浸透を最も示す微生物分類を特定する.
• 地理的に異なる場所での一般的な予測モデルの可行性を評価する.

主な方法:

• 377の海洋堆積物サンプルから 16S rRNA遺伝子アンプリカン配列データを利用した.
• H2OのAutoMLプラットフォームを使用して,グラデントブースティングマシンに焦点を当てた機械学習モデルをトレーニングし,比較しました.
• 炭化水素の存在を診断する微生物分類を特定するために分析された特性の重要度スコア.

主要な成果:

• グラデント・ブースティング・マシンは,炭化水素の存在に関する予測の最高精度を達成しました.
• メキシコ湾の*Aminicenantia*と*Campylobacterota*と,スコットランド・スロープの*Campylobacterota*とJS1グループを含む特定の微生物分類は,重要な指標であった.
• モデルでは,盆地内で高い精度を示したが,盆地間予測では精度が低下した.しかし,特徴選択を組み合わせたモデルはパフォーマンスを改善した.

結論:

• 機械学習で分析された微生物分類は,炭化水素の浸透部位を予測する大きな可能性を示しています.
• 盆地特有の微生物群が存在しますが,注意深い特徴の選択で一般化されたモデルは実現可能です.
• この学際的なアプローチは生物情報学と地化学を統合し,海洋学と地質学的現象を理解するための強力なツールを提供します.