基于线性回归的算法可以成功地识别微生物的功能组,尽管生态功能的非线性.
Yuanchen Zhao1, Otto X Cordero2, Mikhail Tikhonov3
1School of Physics, Nanjing University, Nanjing, Jiangsu, the People's Republic of China.
预测微生物社区的功能是复杂的. 更简单的回归方法,即使是线性回归方法,也可以有效地识别有意义的物种分类,有时会超过复杂的方法.
科学领域:
- 微生物生态学 微生物生态学
- 系统生物学 系统生物学
- 计算生物学是一种计算生物学.
背景情况:
- 微生物群落在各种环境中是必不可少的.
- 预测微生物社区功能是一个主要目标,但面临着复杂性挑战.
- 使用粗略的表示和数据驱动的物种分组来简化分析.
研究的目的:
- 评估基于回归的方法,以发现可预测的微生物物种分组.
- 为了比较不同方法的性能,包括整数位数优化 (EQO).
- 调查更简单的方法是否可以有效地识别复杂的,非线性社区函数的分组.
主要方法:
- 利用资源竞争框架来定义一个明确的"正确"分组.
- 使用合成数据来测试和比较三种基于回归的方法.
- 评估方法从模拟社区数据中恢复已知的分组的能力.
主要成果:
- 基于回归的方法成功地恢复了即使是非线性社区函数的分组.
- 多组方法比单组EQO具有优势.
- 简单的线性方法在某些场景中被发现优于更复杂的方法.
结论:
- 数据驱动的物种分类可以使用回归识别,即使使用非线性函数.
- 多组方法对发现生态系统结构的单组方法具有优势.
- 回归方法的简单性并不一定限制它们在识别预测性微生物群组方面的有效性.
更多相关视频
08:36Empirical, Metagenomic, and Computational Techniques Illuminate the Mechanisms by which Fungicides Compromise Bee Health
Published on: October 9, 2017
08:09An Aquatic Microbial Metaproteomics Workflow: From Cells to Tryptic Peptides Suitable for Tandem Mass Spectrometry-based Analysis
Published on: September 15, 2015
相关概念视频
Methods of Classification and Identification
Applications of Molecular Taxonomy
Microbial Classification System
Evolutionary Relationships through Genome Comparisons
Microbial Growth Measurement: Indirect Methods
Microbial Nutrition
