相关实验视频
Updated: Jul 4, 2025
08:11
Collection and Identification of Pollen from Honey Bee Colonies
Published on: January 19, 2021
7.2K
在花粉识别中,元编码有多可靠? 通过交叉验证对不同分类学赋值策略的评估
Gilles San Martin1, Louis Hautier1, Dominique Mingeot2
1Life Sciences Department, Plant and Forest Health Unit, Walloon Agricultural Research Centre, Gembloux, Belgium.
PeerJ
|February 5, 2024
概括
使用in silico交叉验证,提高了蜜蜂花粉识别中的metabarcoding准确性. 这种方法有助于选择最佳的生物信息策略和数据库,以实现可靠的分类学赋值,减少错误.
科学领域:
- 环境科学 环境科学
- 生物信息学是一种生物信息学.
- 分子生态学分子生态学
背景情况:
- 在环境科学中,metabarcoding被广泛用于基于DNA的识别.
- 在元编码中对分类学赋值的生物信息化策略可能是任意的.
- 精确识别蜜蜂收集的花粉对于生态研究至关重要.
研究的目的:
- 评估不同的生物信息策略,用于metabarcoding分类学赋值.
- 评估ITS2和rbcL数据库的准确性,以识别蜜蜂授粉的花粉.
- 开发用于metabarcoding中可靠的分类学赋值的客观标准.
主要方法:
- 使用ITS2和rbcL数据库使用in silico交叉验证 (CV) 方法.
- 通过使用各种策略,将参考序列与数据库的其余部分进行了爆破.
- 使用分类树和GLM来建模错误率并设置分配值.
主要成果:
- 最好的爆发击中策略,结合有利于平衡最好的比特分数,提高了准确性.
- 完整的NCBI数据库的表现优于受限制的数据库;ITS2通常显示的错误比rbcL少.
- 设定值减少了预测错误,但增加了未分配的序列;物种级准确性仍然具有挑战性.
结论:
- In silico CV为选择元编码策略和数据库提供了一个客观的基础.
- 对于可靠的分类学赋值,特别是在物种层面上,需要谨慎设置值.
- 虽然改进了,但元编码在特定植物家族的精确物种级别识别方面仍然面临挑战.
