Machine Learning for Microbial Phenotype Prediction

این پایان نامه یک روش مقیاس پذیر و عمومی برای پیش بینی فنوتیپ میکروبی بر اساس یادگیری ماشینی نظارت شده، چندین مدل برای صفات بیولوژیکی و اکولوژیکی با ارتباط بالا، و استقرار در مجموعه داده های متاژنومی ارائه می دهد. نتایج نشان می‌دهد که ابزار پیش‌بینی ارائه‌شده می‌تواند برای حاشیه‌نویسی خودکار فنوتیپ‌ها در توالی‌های ژنوم میکروبی تقریباً کامل، همانطور که در مطالعات متاژنومی کنونی در تعداد زیادی تولید می‌شود، استفاده شود. کشف روابط بین اطلاعات ژنتیکی موجود زنده و صفات قابل مشاهده آن یک مشکل اصلی بیولوژیکی است. پیش‌بینی فنوتیپ که توسط تکنیک‌های یادگیری ماشین تسهیل می‌شود، گام بزرگی به سمت ایجاد دانش بیولوژیکی از داده‌های بزرگ خواهد بود.

This thesis presents a scalable, generic methodology for microbial phenotype prediction based on supervised machine learning, several models for biological and ecological traits of high relevance, and the deployment in metagenomic datasets. The results suggest that the presented prediction tool can be used to automatically annotate phenotypes in near-complete microbial genome sequences, as generated in large numbers in current metagenomic studies. Unraveling relationships between a living organism's genetic information and its observable traits is a central biological problem. Phenotype prediction facilitated by machine learning techniques will be a major step forward to creating biological knowledge from big data.