通过机器学习预测环境压力因素水平:基于分类学分配的数据,对增子测序,元基因组学和总RNA测序进行比较
Christopher A Hempel1,2, Dominik Buchner3, Leoni Mack4
1Department of Integrative Biology, University of Guelph, Guelph, ON, Canada.
Frontiers in microbiology
|December 11, 2023
概括
使用机器学习的16S测序显示,使用机器学习预测环境压力因素的表现要好于基于omics的方法. 对于环境评估,建议在更深的测序深度对omics方法进行进一步的研究.
科学领域:
- 环境微生物学环境微生物学
- 生物信息学是一种生物信息学.
- 生态毒理学 生态毒理学
背景情况:
- 微生物是生态系统健康的关键指标.
- 机器学习为分析复杂微生物群落提供了新的工具.
- 基于Omics的方法提供了对微生物生物多样性的整体观点,但需要足够的测序深度.
研究的目的:
- 通过使用机器学习进行基于分类学的环境评估,比较使用安普利康序列和基于omics的方法.
- 评估不同数据处理方法对压力因素预测性能的影响.
主要方法:
- 应用了16S和ITS-2测序,元基因组学和总RNA测序来流传中宇宙实验样本.
- 研究了杀虫剂和细沉积物沉积对河流生物多样性的影响.
- 利用了相似性聚类,排斥,多个分类层次,数据类型,特征选择和机器学习算法.
主要成果:
- 16S测序在预测水生压力因素方面超过了基于OMICS的方法,尽管OMICS检测到更高的微生物多样性.
- 基于Omics的方法表现不佳,可能是由于测序深度不足.
- 特性选择提高了基于omics的方法的性能,但不是对安普利康测序.
结论:
- 对基于机器学习的环境压力因素预测而言,安普利康序列可能比目前基于奥米克的方法更适合.
- 需要对omics方法进行更高的测序深度的进一步研究.
- 增加采样可以提高环境诊断的压力因素预测准确度.
