机构名称：
¥ 1.0
先前的研究表明，微生物群落可以藏有去除的基石物种，其去除可能会导致微生物组结构和功能的急剧变化。然而，仍然缺乏一种有效的方法来系统地识别微生物群落中的基石物种。在这里，我们提出了一个基于深度学习以解决这一挑战的数据驱动的Keystone识别（DKI）框架。我们的关键思想是通过使用从该栖息地收集的微生物组样本训练深入学习模型，从特定栖息地中隐式学习微生物群落的组装规则。训练有素的深度学习模型使我们能够通过对去除物种的思想实验进行思想实验来量化该栖息地中任何微生物组样本中每个物种的社区特定钥匙ston。我们使用合成数据系统地验证了该DKI框架，并应用DKI来分析真实数据。我们发现，不同社区中中位数钥匙长高的那些分类单元表现出强大的社区特异性。提出的DKI框架展示了机器学习在解决社区生态中的基本问题方面的力量，为复杂微生物社区的数据驱动管理铺平了道路。
使用深度学习识别微生物群落中的基石物种
主要关键词
相关文件推荐
