基于 16S rRNA 基因序列数据相似度与聚类分析界定诺卡菌属物种参考序列
基因组学
2023-12-01 v1 机器学习
摘要
细菌种内与种间遗传多样性以及缺乏各物种的“参考”或最具代表性序列，对基于序列的鉴定构成重大挑战。本研究旨在确定多种聚类与分类算法的效用并比较其性能，以鉴定 364 条 GenBank 中已确定物种的诺卡菌属 16S rRNA 基因序列，以及 110 条未确定物种的 16S rRNA 基因序列。共研究了 364 条诺卡菌属物种的 16S rRNA 基因序列。此外，使用了 110 条在提交 GenBank 时仅鉴定至诺卡菌属水平的 16S rRNA 基因序列进行机器学习分类实验。将不同聚类算法与一种新颖算法即距离矩阵线性映射（LM）进行比较。采用主成分分析进行降维与可视化。结果：LM 算法取得最高性能，将 364 条 16S rRNA 序列分为 80 个簇，其中大多数（83.52%）与原始物种对应。各诺卡菌属物种最具代表性的 16S rRNA 序列已被识别为相应簇中的“中心”，其与所有其他序列的距离最小；110 条仅记录至属水平的 16S rRNA 基因序列使用机器学习方法分类。简单 kNN 机器学习表现出最高性能，以 92.7% 的准确率与 0.578 的平均频率对诺卡菌属物种序列进行分类。
引用
@article{arxiv.2311.17965,
title = {Defining Reference Sequences for Nocardia Species by Similarity and Clustering Analyses of 16S rRNA Gene Sequence Data},
author = {Manal Helal and Fanrong Kong and Sharon C. A. Chen and Michael Bain and Richard Christen and Vitali Sintchenko},
journal= {arXiv preprint arXiv:2311.17965},
year = {2023}
}