Rafinarea biomarkerului a probelor comunității microbiene

Rafinarea biomarkerului a probelor comunității microbiene

Acest articol a fost revizuit conform Science Proces de editare
Și Politici.
Editori Au fost evidențiate următoarele caracteristici, asigurându-se totodată credibilitatea conținutului:

Abstract grafic. credit: Știința mediului și tehnologia mediului

× Închide

Abstract grafic. credit: Știința mediului și tehnologia mediului

în Stai Publicat în revistă Știința mediului și tehnologia mediuluicercetătorii de la Universitatea de Știință și Tehnologie Huazhong au prezentat „Meta-Sorter”, o metodă bazată pe inteligență artificială care valorifică rețelele neuronale și transferă învățarea pentru a îmbunătăți semnificativ etichetarea cu biomarkeri a mii de mostre de microbiom din baza de date MGnify, în special a celor cu informații incomplete.

Abordarea Meta-Sorter constă din doi pași critici. În primul rând, modelul rețelei neuronale a fost generat cu precizie folosind 118.592 de probe microbiene din 134 de biomi și biomii lor respectivi și prezintă o AUROC medie impresionantă de 0,896. Acest model clasifică cu precizie eșantioanele cu informații detaliate despre biom și servește drept bază solidă pentru analize ulterioare.

În al doilea rând, pentru a aborda provocarea eșantioanelor nou introduse cu diferite proprietăți, cercetătorii au combinat învățarea prin transfer cu 34.209 de eșantioane nou adăugate din 35 de biomi, inclusiv opt probe noi. Modelul TNN a atins un AUROC mediu remarcabil de 0,989, prezicând cu succes informațiile despre biom pentru probele nou introduse adnotate ca „biomi mixte”.

Rezultatele Meta-Sorter sunt cu adevărat impresionante, atingând o rată de acuratețe generală de 96,7% în clasificarea probelor din 16.507 probe care nu au adnotări detaliate ale biomului. Această descoperire rezolvă în mod eficient problema erorilor în cascadă și deschide noi posibilități interesante pentru descoperirea cunoștințelor în diferite discipline științifice, în special în cercetarea mediului.

READ  Polestar 2 tocmai a devenit mult mai bun

Motivația și aplicațiile Meta-Sorter. A, Procesul de construire a modelului și transfer de învățare a Meta-Sorter. Două fișiere de intrare, biome ontologie și eșantion de structuri taxonomice cu informații detaliate despre biom, sunt necesare în construirea de modele și învățarea prin transfer. Caseta galbenă arată că modelul rețelei neuronale a fost creat pe baza a 118.592 de mostre existente cu informații detaliate despre 134 de biomi și prezența lor biologică. Caseta albastră arată că modelul rețelei neuronale de transfer a fost construit folosind 34.209 de eșantioane nou introduse din 35 de biomi (inclusiv 3.083 de eșantioane din opt biomi nou introduși) și a transferat învățarea la modelul de rețea neuronală existentă. B–D, aplicații Meta-Sorter. Meta-Sorter a decodificat etichetele biomului probelor adnotate ca „biomi amestecați” în etichete detaliate ale biomului (b). Meta Sorter a îmbunătățit etichetele biomului cu mai multe detalii pentru informații mai valoroase pentru referință (c). Meta-Sorter a corectat etichetele probelor adnotate greșit pentru a evita acumularea în cascadă (d). credit: Știința mediului și tehnologia mediului

× Închide

Motivația și aplicațiile Meta-Sorter. A, Procesul de construire a modelului și transfer de învățare a Meta-Sorter. Două fișiere de intrare, biome ontologie și eșantion de structuri taxonomice cu informații detaliate despre biom, sunt necesare în construirea de modele și învățarea prin transfer. Caseta galbenă arată că modelul rețelei neuronale a fost creat pe baza a 118.592 de mostre existente cu informații detaliate despre 134 de biomi și prezența lor biologică. Caseta albastră arată că modelul rețelei neuronale de transfer a fost construit folosind 34.209 de eșantioane nou introduse din 35 de biomi (inclusiv 3.083 de eșantioane din opt biomi nou introduși) și a transferat învățarea la modelul de rețea neuronală existentă. B–D, aplicații Meta-Sorter. Meta-Sorter a decodificat etichetele biomului probelor adnotate ca „biomi amestecați” în etichete detaliate ale biomului (b). Meta Sorter a îmbunătățit etichetele biomului cu mai multe detalii pentru informații mai valoroase pentru referință (c). Meta-Sorter a corectat etichetele probelor adnotate greșit pentru a evita acumularea în cascadă (d). credit: Știința mediului și tehnologia mediului

În plus, succesul Meta-Sorter se extinde la îmbunătățirea adnotărilor biomului pentru specimenele adnotate incomplet și greșit. Atribuirea inteligentă și automată a clasificărilor precise pentru specimene ambigue oferă perspective valoroase dincolo de literatura originală, în timp ce diferențierea specimenelor în categorii specifice de mediu sporește fiabilitatea și validitatea concluziilor cercetării.

Odată cu dezvoltarea continuă a protocoalelor standardizate pentru transmiterea datelor și încorporarea de informații suplimentare despre metadate, Meta-Sorter este setat să revoluționeze modul în care cercetătorii analizează și interpretează probele comunității microbiene. În cele din urmă, acest lucru va duce la descoperiri mai precise și mai perspicace în cercetarea microbiomului și nu numai.

READ  LG GeForce Now aduce Apple Music în gama sa de televizoare inteligente EFTM

mai multe informatii:
Nan Wang și colab., Biomarker Purification of Large-Scale Microbial Community Samples: Leveraging Neural Networks and Transfer Learning, Știința mediului și tehnologia mediului (2023). DOI: 10.1016/j.ese.2023.100304

Furnizat de China Environmental Science Society

Lasă un răspuns

Adresa ta de email nu va fi publicată. Câmpurile obligatorii sunt marcate cu *