使用机器学习算法对Phyllospora comosa生物质进行基于营养的分类:朝着可持续的价值化

科学领域:

• 海洋植物学 海洋植物学
• 生物化学 生物化学
• 数据科学数据科学数据科学

背景情况:

• 可持续的海藻价值链需要精确的生化表征,用于产品开发和质量保证.
• 澳大利亚海藻种类未得到充分利用,缺乏用于工业应用的全面生化研究.

研究的目的:

• 来自澳大利亚维多利亚州的Phyllospora comosa thallus片段 (叶片,茎,囊泡) 和整个样本的生物化学组成的特征.
• 开发和应用机器学习模型来准确分类海藻收集地点和细分.

主要方法:

• 使用高通量表征技术来分析营养成分 (碳水化合物,矿物质,氨基酸).
• 机器学习分类模型 (rpart) 用于根据含量区分采集地点和根据谷氨酸和含量区分部分.

主要成果:

• 菲洛斯波拉科莫萨生物质富含碳水化合物 (64-68%),灰 (27-31%),,,,,和.
• 观察到显著的差异:树枝富含碳水化合物,叶片含高谷氨酸,,和,囊泡富含.
• 机器学习实现了88%的准确性,通过含量分离采集地点,并通过谷氨酸和含量分类部分达到100%的准确性.

结论:

• 精确的生物化学表征和机器学习对Phyllospora comosa的分类对于其价值化至关重要.
• 细分特定的营养成分概况表明了各种应用,使得有针对性的产品开发成为可能.
• 这些方法可以提高澳大利亚海藻价值链的真实性和可持续性,促进多元化和扩张.