通过将自动化和自动化机器学习集成到流量细胞计分析中,提高细菌表型分类

科学领域:

• 微生物学 微生物学
• 计算生物学 计算生物学
• 生物技术是生物技术.

背景情况:

• 流细胞计是分析微生物种群的强大工具,但数据处理往往是主观的.
• 需要自动化方法来减少偏差,并提高流细胞计中的细菌分类的准确性.

研究的目的:

• 将自动化与自动机器学习 (AutoML) 集成在一起,以在流细胞计学中增强细菌表型分类.
• 评估梯度增强机器 (GBM) 模型在分类6种常见的土壤和地下水细菌菌株在不同代谢阶段的准确性.

主要方法:

• 六种细菌菌株 (Bacillus subtilis,Burkholderia thailandensis,Corynebacterium glutamicum,Escherichia coli,Pseudomonas putida,Pseudomonas stutzeri) 使用流细胞计进行了分析.
• 使用H2O-AutoML框架来训练细菌分类的梯度增强机 (GBM) 模型.
• 对不同代谢阶段的分类准确性进行了评估:滞后,早期日志,晚期日志和静止阶段.

主要成果:

• GBM 模型的整体分类准确率达到 82.34%.
• 在早期日志 (89.37%),滞后 (88.43%) 和晚期日志 (88.06%) 阶段观察到的精度最高,在静止阶段的精度略低 (80.73%).
• Pseudomonas stutzeri 显示出高灵敏度和特异性,表明不同的识别,而大肠杆菌则提出了分类挑战,特别是在静止阶段.

结论:

• 自动化和AutoML的整合显著减少了流细胞计数据分析中的主观偏差.
• 这种方法提高了微生物分类的可复制性和准确性,为微生物生态学研究提供了强大的框架.