MetageNN:一个高效的记忆神经网络分类学分类器,能够对测序错误和缺失的基因组进行强大的分类.
Rafael Peres da Silva1,2, Chayaporn Suphavilai3, Niranjan Nagarajan4,5,6
1School of Computing, National University of Singapore, Singapore, 117417, Republic of Singapore. rperesdasilva@gis.a-star.edu.sg.
MetageNN是一种新型神经网络分类器,可以从长时间读取的测序数据中准确识别物种,即使存在错误或不完整的数据库. 这种高效的内存工具显著提高了分类学分类的速度和灵敏度.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 长读测序技术提供高吞吐量,但由于更高的错误率,对准确的分类学分类存在挑战.
- 基于对齐的方法是准确但缓慢的,而k-mer方法更快,但可能缺乏对代表性不足的种群的敏感性.
研究的目的:
- 开发和评估MetageNN,一个基于机器学习的记忆效率高的分类学分类器,用于长读序列数据.
- 解决现有方法在测序错误,不完整的参考数据库和计算效率方面的局限性.
主要方法:
- MetageNN使用神经网络模型处理短k-mer序列配置文件,以减轻长时间读取中的错误的影响.
- 该模型与基于对齐 (MetaMaps,MEGAN-LR) 和基于k-mer (Kraken2) 的分类器以及另一种机器学习方法 (GeNet) 相比进行了基准测试.
主要成果:
- MetageNN在长时间读取数据上的F1得分 (20%) 与GeNet相比显著改善.
- 它在读取级别上比MetaMaps (100%),MEGAN-LR (36%) 和Kraken2 (23%) 取得了显著的灵敏度增长,特别是在不完整的参考数据库中.
- MetageNN需要的数据库存储量不到Kraken2,MEGAN-LR和MMseqs2的1/4,并且比现有的工具快得多.
结论:
- 基于机器学习的方法显示出对长时间读取的测序数据的准确和高效的分类学分类有很大的希望.
- MetageNN为分类具有挑战性的序列提供了强大的,内存高效的替代方案,并且可以进一步优化.
更多相关视频
08:03Heuristic Mining of Hierarchical Genotypes and Accessory Genome Loci in Bacterial Populations
Published on: December 7, 2021
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
相关概念视频
Evolutionary Relationships through Genome Comparisons
Gene Evolution - Fast or Slow?
In contrast, regions which code...
Phylogenetic Trees
Phylogeny
Types of Genetic Transfer Between Organisms
Taxonomy
Hierarchy of Taxonomy
The hierarchy that Carolus Linnaeus first...
