背景
海鲜的全球交易日益频繁，但其供应链尤其容易发生欺诈行为。为了提高消费者信心、预防非法贸易，并为生态标签提供独立验证，迫切需要准确的海鲜追溯工具。本研究表明，将微生物组分析（MP）与机器学习（ML）相结合，可精确追溯在地理距离较近的区域捕捞的马尼拉蛤蜊的来源。本研究旨在模拟真实场景。蛤蜊在不同季节从欧洲最重要的生产区（即北亚得里亚海沿岸的泻湖）采集，以涵盖该物种微生物组组成的已知季节变化。提取的样本DNA经历了与商业产品相同的净化过程（即至少在开放流动系统中处理12小时）。
图片来源：© Alex Li / stock.adobe.com
结果
基于机器学习的微生物组分析使用了两组完全独立的数据（在相同地点但不同年份收集），一组用于训练算法，另一组用于测试其准确性和评估时间稳定性信号。简而言之，在两个不同年份的夏季和冬季，分别（即2018年至2020年）在一个禁采区和四个养殖场，采集蛤蜊的鳃（GI）和消化腺（DG）样本。对蛤蜊组织进行了16S DNA宏条形码测序，获得的扩增子序列变体（ASV）表作为机器学习微生物组分析的输入。通过结合GI和DG的信息（共识分析），获得了最佳的预测表现：当目标是区分来自禁采区和养殖场的样本时，Cohen K得分超过0.95。对四个不同养殖区的分类准确率略低，得分为0.76。
结论
本研究表明，微生物组分析（MP）与机器学习（ML）相结合是追踪贝类产品来源的有效工具。该工具对季节、年度变化以及产品净化具有极强的稳定性，已经准备好在常规评估中实施，以防止非法捕捞或错误标记的贝类交易。
期刊简介
BMC Biology 是一份开放获取的期刊，刊登生物学各个领域具有广泛意义和重要性的杰出研究成果，同时致力于为作者提供良好的出版服务。
2-year IF - 5.4
5-year IF - 7.1
2023下载量：2,378,081
2023 Altmetric提及：3,761
投稿到初审意见：10天（中值）
欢迎扫码了解期刊详情
点击“阅读原文”阅读英文原文
Preventing illegal seafood trade using machine-learning assisted microbiome analysis
版权声明：
本文由施普林格∙自然上海办公室负责编译。中文内容仅供参考，一切内容以英文原版为准。如需转载，请后台联系。
BMC是施普林格∙自然旗下机构。作为开放获取出版先锋，BMC不断推出一系列高质量的同行评议期刊，包括BMC Biology 、BMC Medicine等涵盖范围较广的期刊，以及Malaria Journal、Microbiome和BMC系列期刊等专门刊物。BMC以“科研永不止步”为信条，致力于不断创新，以更好地满足作者群体的需要，确保所发表论文的完整性，并积极推广开放研究。
第一步：点击文章顶端“BMC科研永不止步”公众号；
第二步：点击右上角“...”
第三步：点击“设为星标”
点个“在看”，下次更新不错过⇣⇣
