微生物特征整合对机器学习预测甲产生的影响:与物理化学参数的协同作用和权衡
Hongyu Dang1, Najiaowa Yu1, Anqi Mou1
1Department of Civil and Environmental Engineering, University of Alberta, Edmonton, Alberta T6G 1H9, Canada.
Bioresource technology
|June 3, 2025
概括
将微生物数据集成到机器学习模型中,可以显著提高甲生产预测的准确性. 这种方法增强了除了物理化学因素之外的机械学理解.
科学领域:
- 环境微生物学环境微生物学
- 计算生物学是一种计算生物学.
- 生物地质化学生物地质化学
背景情况:
- 机器学习 (ML) 模型用于预测甲产量,由于高维度和评估挑战,往往缺乏微生物数据.
- 仅仅物理化学特征就无法充分了解复杂的生物过程,比如甲的产生.
研究的目的:
- 系统地将微生物测序数据集成到ML模型中,以提高甲产量预测.
- 评估微生物特征对预测准确性和机理性理解的影响.
主要方法:
- 使用并发网络分析来识别和提取关键的微生物种类,减少数据的维度.
- 机器学习模型在101个数据集中使用物理化学和集成微生物物理化学特征进行了训练和评估.
主要成果:
- 整合微生物特征显著改善了甲生产预测的准确性,将平均R2从0.73增加到0.79.
- 随着微生物数据的纳入,平均绝对误差从8.7降至8.0.
- 微生物数据集成改变了物理化学特征的重要性和方向效应,改进了机械洞察力.
结论:
- 微生物数据对于提高甲生产预测模型的准确性和机制性理解至关重要.
- 微生物特征的系统纳入解决了仅依赖物理化学参数的模型的局限性.
- 这项研究倡导将微生物数据纳入以推进基于ML的甲生产建模框架.
