> Details

Janßen, René [Author] ; Labrenz, Matthias [Degree supervisor]; Amann, Rudolf [Degree supervisor]; Probst, Alexander [Degree supervisor]; Techtmann, Stephen [Degree supervisor] Universität Rostock, Universität Rostock Mathematisch-Naturwissenschaftliche Fakultät

Machine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic Sea

Reference
management

Bookmarks

Remove from
bookmarks

Share this on Whatsapp

Close

Bookmarks



You can manage bookmarks using lists, please log in to your user account for this.
  • Media type: E-Book; Thesis
  • Title: Machine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic Sea
  • Contributor: Janßen, René [Author]; Labrenz, Matthias [Degree supervisor]; Amann, Rudolf [Degree supervisor]; Probst, Alexander [Degree supervisor]; Techtmann, Stephen [Degree supervisor]
  • Corporation: Universität Rostock ; Universität Rostock, Mathematisch-Naturwissenschaftliche Fakultät
  • Published: Rostock: Universität, 2020
  • Extent: 1 Online-Ressource
  • Language: English
  • DOI: 10.18453/rosdok_id00002897
  • Identifier:
  • RVK notation: WF 2000 : Allgemeines
  • Keywords: Ostsee > Mikrobiozönose > Metagenom > Genanalyse > Maschinelles Lernen
  • Origination:
  • University thesis: Dissertation, Universität Rostock, 2020 (Kumulative Dissertation)
  • Footnote: Enthält Zeitschriftenartikel
    GutachterInnen: Matthias Labrenz (Leibniz-Institut für Ostseeforschung Warnemünde) ; Rudolf Amann (Max-Planck-Institut für Marine Mikrobiologie) ; Alexander Probst (Universität Duisburg-Essen) ; Stephen Techtmann (Michigan Technological University)
  • Description: Microbial communities react rapidly and specifically to changing environments, indicating distinct microbial fingerprints for a given environmental state. Machine learning with community data predicted the Baltic Sea-detected pollutants glyphosate and 2,4,6-trinitrotoluene, using the developed R package “phyloseq2ML”. Predictions by Random Forest and Artificial Neural Network were accurate. Relevant taxa were identified. The interpretability of machine learning models was found of particular importance. Microbial communities predicted even minor influencing factors in complex environments.<eng>

    Mikrobielle Gemeinschaften reagieren schnell und spezifisch auf sich ändernde Umgebungen und können somit bestimmte Umweltzustände anzeigen. Maschinelles Lernen mit Gemeinschaftsdaten sagte die Ostsee-präsenten Schadstoffe Glyphosat und 2,4,6-Trinitrotoluol voraus, wobei das entwickelte R-Paket "phyloseq2ML" verwendet wurde. Die Vorhersagen durch Random Forest und Artificial Neural Network waren genau. Relevante Taxa wurden identifiziert. Die Interpretierbarkeit der Modelle erwies sich als essentiell. Mikrobielle Gemeinschaften sagten selbst geringe Einflüsse in komplexen Umgebungen voraus.<ger>
  • Access State: Open Access