用深度学习进行综合性物种识别的数据融合

科学领域:

• 基因组学和生物信息学
• 计算生物学 计算生物学
• 生态生态学 生态生态学

背景情况:

• DNA分析对于物种识别至关重要,但与密切相关的物种斗争.
• 图像数据提供了一个替代方案,但面临着类似的局限性.
• 通过机器学习结合分子和图像数据的综合方法显示了增强物种识别的前景.

研究的目的:

• 系统地评估和比较DNA数据预处理和特征编码方法.
• 通过使用机器学习评估不同策略来融合分子和图像数据.
• 统计评估跨多种真核生物数据集的综合数据方法的性能.

主要方法:

• 对DNA预处理 (对齐,不对齐,SNP减少) 和编码 (分数,顺序) 的系统评估.
• 利用人工神经网络从分子和图像数据中提取特征.
• 研究了三个聚变策略:直接聚变,FC后层聚变和分数聚变.
• 在植物和动物数据集上使用Leave-One-Out交叉验证的评估方法.

主要成果:

• 与十进制向量编码对齐的DNA序列实现了最高的准确性.
• 提取后分子和视觉特征的直接融合在大多数数据集中表现最好.
• 将DNA和图像数据结合起来,在四个数据集中的三个数据集中显著提高了准确性.
• 图像数据集成显著提高了物种级别的分辨率,有助于识别遗传相似物种.

结论:

• 优化了分子和图像数据的预处理和集成,大大提高了物种识别.
• 结合方法对遗传上相似和形态上无法区分的物种特别有益.
• 这项研究为生物学家提供了关于整合多模式数据以改进自动识别的实用见解.