Return to search

Machine learning-assisted image analysis and metabarcoding for monitoring of plankton in the seas surrounding Sweden / Maskininlärningsbaserad bildanalys och DNA-streckkodning för övervakning av plankton i svenska havsområden

I miljöövervakningen av haven runt Sverige har manuell mikroskopi av plankton länge varit den huvudsakliga tekniken för att övervaka växtplanktonbestånden och algblomningar. Nya tekniker utvärderas, men det är inte känt hur resultaten från de nyare teknikerna relaterar till varandra. Två tekniker som utvärderas av SMHI, flödesmikroskopi och DNA-streckkodning, har inte tidigare jämförts i litteraturen. Båda teknikerna har dock jämförts med traditionell mikroskopi. I det här projektet har provserier för DNA-streckkodning och automatiserad mikroskopi med Imaging FlowCytobot (IFCB) samlats in parallellt under en expedition i Egentliga Östersjön, Öresund, Kattegatt och Skagerrak. En bildklassificerare konstruerades med ett konvolutionellt neuronnät, som användes för att klassificera bilderna som tagits med IFCB:n. Resultaten från IFCB:n jämfördes med dem från DNA-streckkodning av 18S rRNA-genen. Jämförelsen visade stark korrelation mellan klassificeringen av bilder och DNA-streckkodning för vissa kiselalger (R>0.8), men teknikernas resultat skilde sig också åt i många fall. Skillnaderna kan studeras för att hitta svagheter i de båda teknikerna och utveckla dem vidare. / In environmental monitoring of the seas around Sweden, manual counting with microscopy is used to monitor the plankton communities and algal blooms. New techniques are currently being evaluated, including imaging flow cytometry and DNA metabarcoding, but it is not known how results from the different techniques relate to one another. Previous work has not compared imaging flow cytometry with metabarcoding, although both methods have been compared to traditional microscopy. In this project, samples for DNA metabarcoding and imaging flow cytometry with the Imaging FlowCytobot (IFCB) have been collected in parallel in the Baltic Proper, Öresund, Kattegat, and Skagerrak. To be able to process the large number of images from cytometry, an image classification algorithm based on convolutional neural networks and transfer learning was developed, which was used to classify the images collected. The results were compared to those obtained with 18S rRNA metabarcoding of the protist community. This new approach of comparing imaging flow cytometry with metabarcoding resulted in a strong (R>0.8) correlation for some diatom taxa, but discrepancies between the technologies were also observed. The discrepancies can be further studied to identify weaknesses in both techniques and refine them further.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-329969
Date January 2023
CreatorsGarefelt, Karin
PublisherKTH, Industriell bioteknologi
Source SetsDiVA Archive at Upsalla University
LanguageEnglish
Detected LanguageEnglish
TypeStudent thesis, info:eu-repo/semantics/bachelorThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess
RelationTRITA-CBH-GRU ; 2023:198

Page generated in 0.0028 seconds