未知の環境DNA配列の共起と系統発生的埋め込みを用いたゼロショット深層学習によるアノテーション

科学分野:

• 生態学
• バイオインフォマティクス
• 機械学習

背景:

• 環境DNA（eDNA）メタバーコーディングは、生物多様性モニタリングに革命をもたらしています。
• eDNAデータの分析は、不完全な参照データベースと大量のデータによって妨げられています。
• 現在の分類学的アノテーションは専門家による事後分析に依存しており、潜在的なバイアスを導入します。

研究 の 目的:

• eDNA配列の自動化および改良された分類学的アノテーションのための機械学習アプローチを開発すること。
• 分類学的、地理的共起、および系統発生的データを統合してアノテーションを強化すること。
• eDNA分析における不完全な参照データベースの限界を克服すること。

主な方法:

• 分類学的割り当てのために人工ニューラルネットワーク（ANN）を使用した深層学習アプローチを開発しました。
• 系統発生情報はDNA配列の埋め込み空間を構造化しました。
• 追加のANNを系統発生的埋め込みと共起データでトレーニングして、種の組み合わせを学習させました。

主要な成果:

• 参照データベースにない未知の種を約24％のケースで正しく予測しました。
• このアプローチは、系統発生的埋め込みと地理的変調を活用して正確な予測を行います。
• 深層学習法からの予測は、実際のeDNAサンプルにおいて従来のバイオインフォマティクスパイプラインと大部分一致しました。

結論:

• 開発された深層学習法は、参照データベースに存在しないものを含むeDNA配列を効果的にアノテーションします。
• このアプローチは、専門家による介入への依存を減らし、分類学的割り当てを自動化および強化します。
• この方法は、生物多様性研究におけるeDNAデータの増加する量をアノテーションする上で大きな可能性を示しています。