Manually weighted taxonomy classifiers improve species-specific rumen microbiome analysis compared to unweighted or average weighted taxonomy classifiers
Notice bibliographique
Résumé
Previous research has demonstrated that applying taxonomic weights to shotgun metagenomic data can improve species identification in 16S rRNA gene-based microbiome analysis. However, such an approach does not allow for accurate analysis of samples collected from less studied habitats, such as rumen. In the present study, we developed a method to incorporate taxonomic weights based on relative abundance of species identified from shotgun sequencing and amplicon sequencing data derived from rumen. Using this weighting method, we evaluated latest versions of five prominent databases-SILVA, Greengenes2 (GG2), RDP, NCBI RefSeq, and GTDB-against the BLAST 16S rRNA database, assessing classification counts, fully classified ratios (proportion of ASVs classified to a known genus and species), and error rates. Our results indicated that providing taxonomic weights partially increased classification counts and fully classified ratios, although the extent of improvement varied across databases. A reduction in error rates was also observed compared to the unweighted taxonomy classifier (P < 0.05). While GG2 and SILVA struggled with accurate classification at the species level owing to their inherent database characteristics, GTDB consistently improved all metrics using the manually weighted taxonomy classifier, achieving up to an 8% error rate reduction at the species level. NCBI RefSeq and RDP also exhibited remarkable improvement in the classification counts and fully classified ratios, along with error rate reductions by up to 47% at the species level. These findings demonstrate that amplicon sequencing datasets can enhance rumen microbiome analyses through effective weighting methods. While SILVA is commonly used in metataxonomic analyses of the rumen microbiome, we recommend NCBI RefSeq for species-level classification due to its superior accuracy and minimal ambiguous classification (e.g., "uncultured" or "sp.") in future metataxonomic studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».