Key points are not available for this paper at this time.
Das Monitoring der Biodiversität ist entscheidend, um die Auswirkungen zunehmender anthropogener Aktivitäten in marinen Umgebungen zu bewerten. Traditionell umfasst das marine Biomonitoring das Sortieren und die morphologische Identifizierung von benthischen Makroinvertebraten, was zeitaufwendig und steuerungskenntnisfordernd ist. Hochdurchsatz-Amplicon-Sequenzierung von Umwelt-DNA (eDNA-Metabarcoding) stellt eine vielversprechende Alternative für das benthische Monitoring dar. Allerdings bleibt ein wichtiger Teil der eDNA-Sequenzen unzugeordnet oder gehört zu Taxa mit unbekannter Ökologie, was ihre Verwendung zur Bewertung des ökologischen Qualitätsstatus verhindert. Hier zeigen wir, dass überwachte maschinelles Lernen (SML) verwendet werden kann, um robuste prädiktive Modelle für das benthische Monitoring zu erstellen, unabhängig von der taxonomischen Zuordnung der eDNA-Sequenzen. Wir testeten drei SML-Ansätze, um den Umwelteinfluss der marinen Aquakultur mithilfe von benthischen Foraminiferen-eDNA zu bewerten, einer Gruppe von einzelligen Eukaryoten, die als gute Bioindikatoren bekannt sind, um auf der Basis von Makroinvertebraten biotische Indizes abzuleiten. Wir fanden einen ähnlichen ökologischen Status wie aus Inventaren der Makroinvertebraten erhalten. Wir argumentieren, dass SML-Ansätze die kosten- und zeitaufwendigen morpho-taxonomischen Ansätze im zukünftigen Biomonitoring überwinden und sogar umgehen könnten.
Cordier et al. (Freitag) haben diese Frage untersucht.