> Detailanzeige
Janßen, René
[Verfasser:in]
;
Labrenz, Matthias
[Akademische:r Betreuer:in];
Amann, Rudolf
[Akademische:r Betreuer:in];
Probst, Alexander
[Akademische:r Betreuer:in];
Techtmann, Stephen
[Akademische:r Betreuer:in]
Universität Rostock,
Universität Rostock Mathematisch-Naturwissenschaftliche Fakultät
Machine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic Sea
Teilen
Literatur-
verwaltung
Direktlink
Zur
Merkliste
Lösche von
Merkliste
Per Email teilen
Auf Twitter teilen
Auf Facebook teilen
Per Whatsapp teilen
- Medientyp: E-Book; Hochschulschrift
- Titel: Machine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic Sea
- Beteiligte: Janßen, René [Verfasser:in]; Labrenz, Matthias [Akademische:r Betreuer:in]; Amann, Rudolf [Akademische:r Betreuer:in]; Probst, Alexander [Akademische:r Betreuer:in]; Techtmann, Stephen [Akademische:r Betreuer:in]
- Körperschaft: Universität Rostock ; Universität Rostock, Mathematisch-Naturwissenschaftliche Fakultät
-
Erschienen:
Rostock: Universität, 2020
- Umfang: 1 Online-Ressource
- Sprache: Englisch
- DOI: 10.18453/rosdok_id00002897
- Identifikator:
-
RVK-Notation:
WF 2000 : Allgemeines
-
Schlagwörter:
Ostsee
>
Mikrobiozönose
>
Metagenom
>
Genanalyse
>
Maschinelles Lernen
- Entstehung:
-
Hochschulschrift:
Dissertation, Universität Rostock, 2020 (Kumulative Dissertation)
-
Anmerkungen:
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)
-
Beschreibung:
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> - Zugangsstatus: Freier Zugang