完善生物群体标签大规模微生物群体样本:利用神经网络和转移学习
Nan Wang1, Teng Wang1, Kang Ning1
1Key Laboratory of Molecular Biophysics of the Ministry of Education, Hubei Key Laboratory of Bioinformatics and Molecular-imaging, Center of AI Biology, Department of Bioinformatics and Systems Biology, College of Life Science and Technology, Huazhong University of Science and Technology, Wuhan, 430074, Hubei, China.
新的人工智能工具Meta-Sorter精确标记环境微生物群样本. 这提高了数据的可用性,特别是对于环境研究,通过澄清样本来源和区分与人类相关的研究.
科学领域:
- 微生物学 微生物学
- 生物信息学是一种生物信息学.
- 环境科学 环境科学
背景情况:
- 微生物组研究产生了庞大的数据集,需要准确的样本注释才能有效地利用数据.
- 不完整的元数据,特别是收集位置和生物组信息,阻碍了环境微生物组研究.
- 公共可用的微生物组样本往往缺乏关键细节,无法进行全面分析.
研究的目的:
- 引入Meta-Sorter,一种用于增强微生物样本生物组标记的新方法.
- 提高MGnify数据库中环境微生物群样本元数据的准确性和完整性.
- 促进微生物组研究中的更精确的知识发现,特别是在环境研究中.
主要方法:
- 利用神经网络和转移学习用于生物群分类.
- 应用Meta-Sorter对成千上万的MGnify数据库样本与不完整的生物组注释.
- 开发了一种方法来区分环境和与人类相关的微生物群样本.
主要成果:
- 在分类 16,507 个微生物样本时,Meta-Sorter 实现了 96.7% 的准确性.
- 精确地将以前模两可的"海洋"样本分为盆地和水柱来源.
- 从人与环境相互作用中有效区分样本.
结论:
- Meta-Sorter显著提高了微生物社区样本的生物组标签完整性.
- 改进的注释有助于更准确的知识发现,特别是在环境研究中.
- 该工具有助于区分与人类相关的研究与纯粹的环境研究,改进研究重点.
更多相关视频
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021