Downloaded 13 times
More Related Content
Similar to メタバーコーディングのフレームワークとアルゴリズム
![[DDBJing30] メタゲノム解析と微生物統合データベース](https://cdn.slidesharecdn.com/ss_thumbnails/30ddbjingmegap-141226013548-conversion-gate01-thumbnail.jpg?width=640&height=640&fit=bounds)
![[2019-09-02] AI・IoT活用情報とGoogle Colab植物画像注釈](https://cdn.slidesharecdn.com/ss_thumbnails/plantinformatics190902-190906044014-thumbnail.jpg?width=640&height=640&fit=bounds)
メタバーコーディングのフレームワークとアルゴリズム
- 1. 遺伝子解析と プランクトン 研究 日本プランクトン学会 2014 年度春季シンポジウム
- 2.
- 3. 田辺 晶史 水産総合研究センター 中央水産研究所
- 4.
- 5. メタバーコーディングって何？ 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など
- 6. メタバーコーディングって何？ 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム
- 7. メタバーコーディングって何？ 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列
- 8. メタバーコーディングって何？ 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名
- 9. メタバーコーディングって何？ 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名 生物相の把握
- 10. メタバーコーディングって何？ 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名 生物相の把握 海水に溶け出た魚類のDNA から、魚類相を把握できる (Thomsen et al. 2012)
- 11. メタバーコーディングって何？ 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名 生物相の把握 植物の根に共生する真菌相 を把握できる (Toju et al. 2013)
- 12.
- 13.
- 14.
- 15. メタバーコーディングのポジティブスパイラル メタバーコーディング 未知生物発見 従来法による記載分類
- 16. メタバーコーディングのポジティブスパイラル メタバーコーディング 未知生物発見 従来法による記載分類 DNA データベース充実
- 17. メタバーコーディングのポジティブスパイラル メタバーコーディング 未知生物発見 従来法による記載分類 新種探索 生物相把握 能力向上 DNA データベース充実
- 18. メタバーコーディングのポジティブスパイラル メタバーコーディング 容易にコピー・検索できるDNA情報 に基づいているため、未記知載生が物進発み見 、 データベースが充実するほど 新種探索・生物相把握能力が向上する 従来法による記載分類 新種探索 生物相把握 能力向上 DNA データベース充実
- 19. メタバーコーディングのプロセス 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名
- 20. メタバーコーディングのプロセス 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名 ちょっと前 ＰＣＲで特定の遺伝子座を増幅 サンガー法で塩基配列解読
- 21. メタバーコーディングのプロセス 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名 最近 ＰＣＲで特定の遺伝子座を増幅 同時にサンプル識別用タグ配列付加 多サンプルを混合してＮＧＳで解読
- 22. メタバーコーディングのプロセス 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名 ちょっと前 近縁既知配列と多重整列 分子系統樹推定
- 23. メタバーコーディングのプロセス 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名 最近 タグ配列に基いて由来サンプルを特定 … demultiplexing ……… quality-trimming …………… quality-filtering ……… denoising ……… chimera removal …… clustering … barcoding 配列から低品質な部位を除去 低品質な配列を除去 ノイズの多そうな配列を除去 キメラと思われる配列を除去 類似度ｎ％以上の配列をまとめる 類似する既知配列からホスト生物を推定
- 24. メタバーコーディングのプロセス 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名 タグ配列に基いて由来サンプルを特定 … demultiplexing ……… quality-trimming …………… quality-filtering ……… denoising ……… chimera removal …… clustering … barcoding 配列から低品質な部位を除去 低品質な配列を除去 ノイズの多そうな配列を除去 キメラと思われる配列を除去 類似度ｎ％以上の配列をまとめる 類似する既知配列からホスト生物を推定 Claident http://www.claident.org/ 最近 mothur QIIME がよく使われている
- 25. メタバーコーディングのプロセス 土壌 海水 淡水 未消化物 糞 遺骸 生物体 など メタゲノム塩基配列生物種名 タグ配列に基いて由来サンプルを特定 … demultiplexing ……… quality-trimming …………… quality-filtering ……… denoising ……… chimera removal …… clustering … barcoding 配列から低品質な部位を除去 低品質な配列を除去 ノイズの多そうな配列を除去 キメラと思われる配列を除去 類似度ｎ％以上の配列をまとめる 類似する既知配列からホスト生物を推定 Claident http://www.claident.org/ 最近 mothur QIIME がよく使われている
- 26.
- 27.
- 28.
- 29. single-linkage とcomplete-linkage single-linkageclustering 閾値より類似度が高い配列の組 が同じクラスタにまとまる
- 30. single-linkage とcomplete-linkage single-linkageclustering 閾値より類似度が高い配列の組 が同じクラスタにまとまる 閾値より類似度が低い配列の組 が含まれていても構わない
- 31. single-linkage とcomplete-linkage single-linkageclustering complete-linkage clustering
- 32. single-linkage とcomplete-linkage single-linkageclustering complete-linkage clustering 閾値より類似度が高い配列の組 が同じクラスタにまとまるが、 閾値より類似度が低い配列の組 が含まれないように分割される
- 33. 95% の閾値では、90% 一致でもまとまることがある (complete-linkage の場合。single-linkage なら0% ですらあり得る)
- 34. 95% の閾値では、90% 一致でもまとまることがある (complete-linkage の場合。single-linkage なら0% ですらあり得る)
- 35. 95% の閾値では、90% 一致でもまとまることがある (complete-linkage の場合。single-linkage なら0% ですらあり得る) 5% 5%
- 36. 95% の閾値では、90% 一致でもまとまることがある (complete-linkage の場合。single-linkage なら0% ですらあり得る) 5% 5% 代表配列を中心とする 半径5% 距離内の 配列がまとめられる
- 37.
- 38.
- 39. 読み間違いのパターンは無数だが、完璧な読み取りは一通り 真の配列 読み間違いがない配列 読み間違いがある配列1 読み間違いがある配列2 読み間違いがある配列3 ATAGCTATCGGCTCTATATATATCGGCTA ............................. ..........-.................. ...................T......... .........................-...
- 40. 読み間違いのパターンは無数だが、完璧な読み取りは一通り 読み間違いがない配列のリード数 ≫ 読み間違いがある配列のうちの1 種類のリード数 真の配列 読み間違いがない配列 読み間違いがある配列1 読み間違いがある配列2 読み間違いがある配列3 ATAGCTATCGGCTCTATATATATCGGCTA ............................. ..........-.................. ...................T......... .........................-...
- 41. 読み間違いのパターンは無数だが、完璧な読み取りは一通り 読み間違いがない配列のリード数配列は似ている 読み間違いがある配列のうちの1種類のリード数 真の配列 読み間違いがない配列 読み間違いがある配列1 読み間違いがある配列2 読み間違いがある配列3 ≫ ATAGCTATCGGCTCTATATATATCGGCTA ............................. ..........-.................. ...................T......... .........................-...
- 42. 読み間違いのパターンは無数だが、完璧な読み取りは一通り 読み間違いがない配列のリード数配列は似ている ≫ 読み間違いがある配列のうちの1 種類のリード数 たくさんある配列に非常によく似たまれな配列 を読み間違いがある配列とみなして除去(Li et al. 2012)
- 43. 読み間違いのパターンは無数だが、完璧な読み取りは一通り 読み間違いがない配列のリード数配列は似ている ≫ 読み間違いがある配列のうちの1 種類のリード数 100% 除去できるわけではない たくさんある配列に非常によく似たまれな配列 を読み間違いがある配列とみなして除去(Li et al. 2012)
- 44.
- 45.
- 46. キメラはPCR の2 サイクル目以降に生成される 1 サイクル目 熱変性アニーリング伸長 2 サイクル目以降 熱変性アニーリング伸長
- 47. キメラはPCR の2 サイクル目以降に生成される 1 サイクル目 熱変性アニーリング伸長 2 サイクル目以降 非キメラのみ 熱変性アニーリング伸長
- 48. キメラはPCR の2 サイクル目以降に生成される 1 サイクル目 熱変性アニーリング伸長 2 サイクル目以降 非キメラのみ 熱変性アニーリング伸長 キメラ生成
- 49. キメラはPCR の2 サイクル目以降に生成される キメラ配列の親配列のリード数 ＞ キメラ配列のうちの1 種類のリード数
- 50. キメラはPCR の2 サイクル目以降に生成される キメラ配列の親配列のリード数 キメラ配列のうちの1 種類のリード数 親配列1 親配列2 キメラ配列1 ＞ キメラは親配列の 継ぎ接ぎ
- 51. キメラはPCR の2 サイクル目以降に生成される キメラ配列の親配列のリード数 キメラ配列のうちの1 種類のリード数 親配列1 親配列2 キメラ配列1 ＞ キメラは親配列の 継ぎ接ぎ 上の条件を満たす配列をキメラとみなして除去 (Edgar et al. 2011)
- 52. キメラはPCR の2 サイクル目以降に生成される キメラ配列の親配列のリード数 キメラ配列のうちの1 種類のリード数 親配列1 親配列2 100% 除去できるわけではない キメラ配列1 ＞ キメラは親配列の 継ぎ接ぎ おそらく読み間違いの除去より困難 上の条件を満たす配列をキメラとみなして除去 (Edgar et al. 2011)
- 53.
- 54.
- 55. DNA バーコーディングの2 つのシチュエーション ● 候補の種は全種記載済
- 56. DNA バーコーディングの2 つのシチュエーション ● 候補の種は全種記載済 ● 候補の種は全種バーコード配 列をデータベースに登録済
- 57. DNA バーコーディングの2 つのシチュエーション ● 候補の種は全種記載済 ● 候補の種は全種バーコード配 列をデータベースに登録済 ● 候補の種に新種含む可能性
- 58. DNA バーコーディングの2 つのシチュエーション ● 候補の種は全種記載済 ● 候補の種は全種バーコード配 列をデータベースに登録済 ● 候補の種に新種含む可能性 ● 候補の種の一部でバーコード 配列がデータベースに未登録
- 59. DNA バーコーディングの2 つのシチュエーション ● 候補の種は全種記載済 ● 候補の種は全種バーコード配 列をデータベースに登録済 ● 候補の種に新種含む可能性 ● 候補の種の一部でバーコード 配列がデータベースに未登録 必ず 既知のいずれかの種 と同定される
- 60. DNA バーコーディングの2 つのシチュエーション ● 候補の種は全種記載済 ● 候補の種は全種バーコード配 列をデータベースに登録済 ● 候補の種に新種含む可能性 ● 候補の種の一部でバーコード 配列がデータベースに未登録 必ず 既知のいずれかの種 と同定される 既知のいずれでもない 既知のいずれか不明 があり得る
- 61. DNA バーコーディングの2 つのシチュエーション ● 候補の種は全種記載済 ● 候補の種は全種バーコード配 列をデータベースに登録済 ● 候補の種に新種含む可能性 ● 候補の種の一部でバーコード 配列がデータベースに未登録 必ず 既知のいずれかの種 と同定される 既知のいずれでもない 既知のいずれか不明 があり得る データベース内の最も似ている配列 の持ち主と同種と判定すればよい
- 62. DNA バーコーディングの2 つのシチュエーション ● 候補の種は全種記載済 ● 候補の種は全種バーコード配 列をデータベースに登録済 ● 候補の種に新種含む可能性 ● 候補の種の一部でバーコード 配列がデータベースに未登録 必ず 既知のいずれかの種 と同定される 既知のいずれでもない 既知のいずれか不明 があり得る データベース内の最も似ている配列 の持ち主と同種と判定すればよい
- 63. 新規準(Tanabe and Toju2013)
- 64. 新規準 (Tanabe andToju 2013) 問い合わせ配列と最近隣配列間の変異量
- 65. 新規準 (Tanabe andToju 2013) 問い合わせ配列と最近隣配列間の変異量 < 同定結果分類群内の最大変異量
- 66. イメージ図 既知配列B 既知配列A 配列空間 問い合わせ配列
- 67. イメージ図 既知配列B 既知配列A 属genus Ω 種species α 問い合わせ配列 属genus Ω 種species β 配列空間
- 68. イメージ図 配列空間 属Ωの変異の範囲 既知配列B 既知配列A 問い合わせ配列
- 69. イメージ図 属Ω の変異の範囲 既知配列B 既知配列A 問い合わせ配列 属genus Ω 種species ? 配列空間
- 70. Query-centric auto-k-NN (QCauto)method 配列空間 問い合わせ配列
- 71. Query-centric auto-k-NN (QCauto)method 1.最近隣配列(A) を探し出して変異量(DQA) を算出 配列空間 問い合わせ配列 A DQA
- 72. Query-centric auto-k-NN (QCauto)method 1.最近隣配列(A) を探し出して変異量(DQA) を算出 2.DAB>DQAを満たす配列のうち最もA に近い配列(B) を得る DQA A 配列空間 問い合わせ配列 B
- 73. Query-centric auto-k-NN (QCauto)method 1.最近隣配列(A) を探し出して変異量(DQA) を算出 2.DAB>DQAを満たす配列のうち最もA に近い配列(B) を得る 3.DQN≤DQBを満たすすべての配列(N) を得る A DQB N N 問い合わせ配列 N 配列空間 B
- 74. Query-centric auto-k-NN (QCauto)method 1.最近隣配列(A) を探し出して変異量(DQA) を算出 2.DAB>DQAを満たす配列のうち最もA に近い配列(B) を得る 3.DQN≤DQBを満たすすべての配列(N) を得る 4.A, B, N の全配列で共通する分類群を採用 A DQB N N 問い合わせ配列 N 配列空間 B
- 75. Query-centric auto-k-NN (QCauto)method 1.最近隣配列(A) を探し出して変異量(DQA) を算出 問い合わせ配列と最近隣配列間の変異量 2.DAB>DQAを満たす配列のうち最もA に近い配列(B) を得る 3.DQN≤DQBを満たすすべての配列(N) を得る 4.A, B, N の全配列で共通する分類群を採用 ＜ ≤ ＝ A DQB N N 問い合わせ配列 N 配列空間 B DQA DQB 同定結果分類群内の最大変異量
- 76. 従来法との比較 Leave-One-Out Cross-Validation DNA データベース human ACATAGC… chimp ACATTCT… cow TACGTCT… cat GCTGTGT…
- 77. 従来法との比較 Leave-One-Out Cross-Validation 無作為に 1 本抜く human ACATAGC… DNA データベース human ACATAGC… chimp ACATTCT… cow TACGTCT… cat GCTGTGT…
- 78. 従来法との比較 Leave-One-Out Cross-Validation DNA データベース1 配列欠損したDNA データベース 無作為に 1 本抜く human ACATAGC… human ACATAGC… chimp ACATTCT… cow TACGTCT… cat GCTGTGT… chimp ACATTCT… cow TACGTCT… cat GCTGTGT…
- 79. 従来法との比較 Leave-One-Out Cross-Validation DNA データベース1 配列欠損したDNA データベース human ACATAGC… human のDNA を 右のデータベースを使って プログラムで同定して 正解かどうかを調べる 無作為に 1 本抜く human ACATAGC… chimp ACATTCT… cow TACGTCT… cat GCTGTGT… chimp ACATTCT… cow TACGTCT… cat GCTGTGT…
- 80. 従来法との比較 Leave-One-Out Cross-Validation DNA データベース1 配列欠損したDNA データベース human ACATAGC… human のDNA を 右のデータベースを使って プログラムで同定して 正解かどうかを調べる 無作為に 1 本抜く human ACATAGC… chimp ACATTCT… cow TACGTCT… cat GCTGTGT… chimp ACATTCT… cow TACGTCT… cat GCTGTGT… 抜き取ったDNA は プログラムからは 未知のものになる
- 81. 動物・植物・真菌・細菌でのLOOCV 結果 correctlyidentified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 82. 動物・植物・真菌・細菌でのLOOCV 結果 correctlyidentified incorrectly identified unidentified but incorrectly identified at higher-level unidentified 1NN は種レベルでも よく同定できるが 誤同定多数
- 83. 動物・植物・真菌・細菌でのLOOCV 結果 NNC,QC は門～科までは 1NN に次ぐ程度には同定可能 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 84. 動物・植物・真菌・細菌でのLOOCV 結果 我々はまだまだ属や種レベルの 多様性は把握できていない correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 85. QCauto 法で種同定するには1 種当たり何個体のバーコード 配列が必要か推定してみた
- 86. QCauto 法で種同定するには1 種当たり何個体のバーコード 配列が必要か推定してみた ● 50 個体以上のバーコード配列がある種を50 種抽出
- 87. QCauto 法で種同定するには1 種当たり何個体のバーコード 配列が必要か推定してみた ● 50 個体以上のバーコード配列がある種を50 種抽出 ● 選ばれた種で、以下を10 回試行し、種同定成功率を計算
- 88. QCauto 法で種同定するには1 種当たり何個体のバーコード 配列が必要か推定してみた ● 50 個体以上のバーコード配列がある種を50 種抽出 ● 選ばれた種で、以下を10 回試行し、種同定成功率を計算 1.無作為に1 本配列を抽出( 重複なし)
- 89. QCauto 法で種同定するには1 種当たり何個体のバーコード 配列が必要か推定してみた ● 50 個体以上のバーコード配列がある種を50 種抽出 ● 選ばれた種で、以下を10 回試行し、種同定成功率を計算 1.無作為に1 本配列を抽出( 重複なし) 2.選ばれなかった配列からx 本を無作為抽出し、それ以外をデータ ベースから抹消
- 90. QCauto 法で種同定するには1 種当たり何個体のバーコード 配列が必要か推定してみた ● 50 個体以上のバーコード配列がある種を50 種抽出 ● 選ばれた種で、以下を10 回試行し、種同定成功率を計算 1.無作為に1 本配列を抽出( 重複なし) 2.選ばれなかった配列からx 本を無作為抽出し、それ以外をデータ ベースから抹消 3. 1 の配列を2 のデータベースを用いてQCauto 法で同定
- 91. QCauto 法で種同定するには1 種当たり何個体のバーコード 配列が必要か推定してみた x 個体のバーコード配列がデータベースにある状況をシミュレート ● 50 個体以上のバーコード配列がある種を50 種抽出 ● 選ばれた種で、以下を10 回試行し、種同定成功率を計算 1.無作為に1 本配列を抽出( 重複なし) 2.選ばれなかった配列からx 本を無作為抽出し、それ以外をデータ ベースから抹消 3. 1 の配列を2 のデータベースを用いてQCauto 法で同定
- 92.
- 93. 昆虫の種同定には1 種当たり15 個体の配列登録が必要 昆虫の全種記載・全種登録は遠い ので、1 種当たり15 個体以上の 登録が望ましい
- 94.
- 95. 脊椎動物の種同定には1 種当たり20 個体でも足りない? 脊椎動物なら、 全種記載・全種登録 は昆虫よりずっと近い ので、1 種当たり1 個体で 全種登録を目指す方がよい
- 96. まとめ ● メタバーコーディングで水中の生物相把握が簡単になる…多分 ● メタバーコーディングで新種探索が迅速化できる ● 配列クラスタリングのアルゴリズムに注意が必要 ● 読み間違いやキメラはプログラムでは完全には除去できない ● 配列未登録種がある場合はQCauto 法で同定するのが安全 ● 分子同定用配列データベースは極めて不十分 ● 昆虫では1 種当たり15 個体の登録が必要 ● 脊椎動物は全種記載の上で全種各1 個体の登録がよい ● 動植物プランクトンに関しては未検討
- 98. NN-centric auto-k-NN method 配列空間 問い合わせ配列
- 99. NN-centric auto-k-NN method 1.最近隣配列(A) を探し出して変異量(DQA) を算出 配列空間 問い合わせ配列 A DQA
- 100. NN-centric auto-k-NN method 1.最近隣配列(A) を探し出して変異量(DQA) を算出 2.DAB>DQAを満たす配列のうち最もA に近い配列(B) を得る DQA A 配列空間 問い合わせ配列 B
- 101. NN-centric auto-k-NN method 1.最近隣配列(A) を探し出して変異量(DQA) を算出 2.DAB>DQAを満たす配列のうち最もA に近い配列(B) を得る 3.DAN≤DABを満たす全ての配列(N) を得る DAB A B N N N 配列空間 問い合わせ配列
- 102. NN-centric auto-k-NN method 1.最近隣配列(A) を探し出して変異量(DQA) を算出 2.DAB>DQAを満たす配列のうち最もA に近い配列(B) を得る 3.DAN≤DABを満たす全ての配列(N) を得る 4.A, B, N の全配列で共通する分類群を採用 DAB A B N N N 配列空間 問い合わせ配列
- 103. NN-centric auto-k-NN method 1.最近隣配列(A) を探し出して変異量(DQA) を算出 2.DAB>DQAを満たす配列のうち最もA に近い配列(B) を得る 3.DAN≤DABを満たす全ての配列(N) を得る 4.A, B, N の全配列で共通する分類群を採用 DAB A B N N N 問い合わせ配列と最近隣配列間の変異量 配列空間 問い合わせ配列 ＝ DQA ＜ DAB ≤ 同定結果分類群内の最大変異量
- 104. 誤同定の要因 ● 見かけ上の誤同定 ● 問い合わせ配列の同定情報が間違っている ● 既知配列の同定情報が間違っている ● 分類体系が系統関係を反映していない ● 本当の誤同定 ● バーコード領域がincomplete lineage sorting や浸透交雑・水 平伝播によって種の系統関係を反映していない ● 変異量の指標(BLAST raw score) が不適 ● 規準が不適
- 105. 全分類群全遺伝子座でのLOOCV 結果 属レベルが最も 誤同定が多い correctly identified incorrectly identified cannot identified but incorrectly identified at higher-level cannot identified
- 106. 属レベルで誤同定が多いのは何故か? ● 種を記載するとき、無理にでも属は指定する必要がある ● 系統関係と整合的でない分類群が属で設立されやすいのでは? ● 正しくない属に入れられてしまう種も多いのでは?
- 107. 誤同定の要因 ● 見かけ上の誤同定 ● 問い合わせ配列の同定情報が間違っている ● 既知配列の同定情報が間違っている ● 分類体系が系統関係を反映していない ● 本当の誤同定 ● バーコード領域がincomplete lineage sorting や浸透交雑・水 平伝播によって種の系統関係を反映していない ● 変異量の指標(BLAST raw score) が不適 ● 規準が不適 「属レベルが最も誤同定が多い」 のは、これが多いことを示している?
- 108. 複数の同定結果を優先順位を付けて統合する ● 複数の既知配列データベースでの同定結果 ● 種以下まで情報がある既知配列のみのデータベースでの同定結果 ● 科以下まで情報がある既知配列のみのデータベースでの同定結果 ● 厳しい制約下の同定結果と制約を緩めた同定結果 ● 類似配列の厳密一致分類群を採用した同定結果 ● 類似配列の90% 多数決合意分類群を採用した同定結果 ● 複数の遺伝子座での同定結果 ● 遺伝子座A の配列での同定結果 ● 遺伝子座B の配列での同定結果
- 109. 複数の同定結果を優先順位を付けて統合する 優先度綱目科属種 高哺乳綱霊長目ヒト科 低哺乳綱霊長目ヒト科ヒト属ヒト 綱目科属種 統合結果哺乳綱霊長目ヒト科ヒト属ヒト
- 110. 複数の同定結果を優先順位を付けて統合する 優先度綱目科属種 高哺乳綱霊長目ヒト科ゴリラ属ゴリラ 低哺乳綱霊長目ヒト科ヒト属ヒト 綱目科属種 統合結果哺乳綱霊長目ヒト科ゴリラ属ゴリラ
- 111. 複数の同定結果を優先順位を付けて統合する 優先度綱目科属種 同哺乳綱霊長目ヒト科ゴリラ属ゴリラ 同哺乳綱霊長目ヒト科ヒト属ヒト 綱目科属種 統合結果哺乳綱霊長目ヒト科
- 112. 複数の同定結果を優先順位を付けて統合する 優先度綱目科属種 同哺乳綱霊長目ヒト科ゴリラ属ゴリラ 同哺乳綱霊長目ヒト科ヒト属 綱目科属種 統合結果哺乳綱霊長目ヒト科ゴリラ属ゴリラ
- 113. 動物COX1 でのno-LOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 114. 動物COX1 でのLOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 115. 細菌16S でのno-LOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 116. 細菌16S でのLOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 117. 真菌ITS でのno-LOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 118. 真菌ITS でのLOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 119. 植物matK でのno-LOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 120. 植物matK でのLOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 121. 植物rbcL でのno-LOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 122. 植物rbcL でのLOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 123.
- 124. 植物trnH-psbA でのLOOCV 結果 correctly identified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 125. 従来法との比較2 Leave-One-Order-Out CV 無作為に 1 本抜く human ACATAGC… DNA データベース human ACATAGC… chimp ACATTCT… cow TACGTCT… cat GCTGTGT…
- 126. 従来法との比較2 Leave-One-Order-Out CV DNA データベース1 目の全配列欠損したDNA データベース 無作為に 1 本抜く human ACATAGC… human ACATAGC… chimp ACATTCT… cow TACGTCT… cat GCTGTGT… cow TACGTCT… cat GCTGTGT…
- 127. 従来法との比較2 Leave-One-Order-Out CV DNA データベース1 目の全配列欠損したDNA データベース human ACATAGC… human のDNA を 右のデータベースを使って プログラムで同定して 正解かどうかを調べる 無作為に 1 本抜く human ACATAGC… chimp ACATTCT… cow TACGTCT… cat GCTGTGT… cow TACGTCT… cat GCTGTGT…
- 128. 従来法との比較2 Leave-One-Order-Out CV DNA データベース1 目の全配列欠損したDNA データベース human ACATAGC… human のDNA を 右のデータベースを使って プログラムで同定して 正解かどうかを調べる 無作為に 1 本抜く human ACATAGC… chimp ACATTCT… cow TACGTCT… cat GCTGTGT… cow TACGTCT… cat GCTGTGT… 抜き取ったDNA の 「目」は プログラムからは 未知のものになる
- 129. 動物・植物・真菌・細菌でのLOOOCV 結果 correctlyidentified incorrectly identified unidentified but incorrectly identified at higher-level unidentified
- 130. 動物・植物・真菌・細菌でのLOOOCV 結果 correctlyidentified incorrectly identified unidentified but incorrectly identified at higher-l phylum, cleavesls ではunidentified 5NN, NNC, QC はよく似た結果
- 131. 動物・植物・真菌・細菌でのLOOOCV 結果 correctlyidentified incorrectly identified unidentified but incorrectly identified at higher-level unidentified 「既知の綱の未知の目」 と正しく判定できた件数は QC>>NNC>>5NN
- 132. QCauto 法の性質 ●多重整列が不要 ● 既知系統樹が不要 ● どの遺伝子座でも適用可能 ● どの分類群にも適用可能 ● 前処理に時間がかからない ● 同定処理に時間がかからない ● 理論的背景がある ● 「既知の綱の未知の目」といった答えを正しく出す