DOI: https://doi.org/10.7717/peerj.20501
PMID: https://pubmed.ncbi.nlm.nih.gov/41522517
تاريخ النشر: 2026-01-05
المؤلف: Philipp M. Rehsen وآخرون
الموضوع الرئيسي: الحمض النووي البيئي في دراسات التنوع البيولوجي
نظرة عامة
تتناول الدراسة تعقيدات تقييم التنوع البيولوجي من خلال دمج تحديد الأنواع، وقياسات الكتلة الحيوية، وقياسات الوفرة. الطرق التقليدية، رغم دقتها، غالبًا ما تكون مستهلكة للوقت، وباركود الحمض النووي، على الرغم من فعاليته في تحديد الأنواع، لا يوفر بيانات عن الحجم أو الكتلة الحيوية. من ناحية أخرى، يمكن أن تلتقط تقنيات التصوير عالية الإنتاجية البيانات الشكلية بسرعة ولكن قد تفتقر إلى الخصوصية التصنيفية. للتغلب على هذه القيود، استخدم الباحثون نهجًا مبتكرًا يجمع بين باركود الحمض النووي الضخم مع التصوير شبه الآلي والشبكات العصبية العميقة (DNNs) لتحقيق تحديدات تصنيفية دقيقة وتقديرات للكتلة الحيوية لعينات الحشرات.
في تجربة ميدانية شملت 743 عينة من 14 نوعًا من أوامر Ephemeroptera وPlecoptera وTrichoptera، استخدم المؤلفون جين باركود COI للباركود الضخم والتقطوا 146,439 صورة باستخدام جهاز التصوير BIODISCOVER. قاموا بتدريب الشبكات العصبية الالتفافية (CNNs) على هذه الصور لتقييم تحديد الأنواع وتقدير الكتلة الحيوية. تشير النتائج إلى أن هذه المنهجية المتكاملة لا توفر فقط تقييمات سريعة وموثوقة لتكوين الأنواع والكتلة الحيوية ولكنها تقترح أيضًا أن النماذج المدربة مسبقًا لتحديد الأنواع يمكن أن تعزز دقة تقدير الكتلة الحيوية. يُقترح هذا النهج المدمج كحل للتحديات المتعلقة بتسمية البيانات يدويًا ويمكن أن يساهم بشكل كبير في علم الحفاظ على البيئة والدراسات البيئية من خلال تسهيل تحديد أنواع المؤشرات الحيوية الجديدة وتحسين تقييمات صحة النظام البيئي.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على ضرورة وجود طرق شاملة للتقييم البيولوجي لفهم التنوع البيولوجي وتغيرات النظام البيئي. تبرز أن التقييمات التقليدية غالبًا ما تركز على غنى الأنواع وتكوينها، متجاهلة البيانات الحيوية حول الوفرة والكتلة الحيوية، خاصة بالنسبة لللافقاريات، التي تمثل جزءًا كبيرًا من تنوع الحيوانات. يشير المؤلفون إلى أن الطرق الحالية لتقدير الكتلة الحيوية للافقاريات تعتمد عادةً على عينات جماعية، مما يعقد التقييمات الدقيقة على مستوى المجتمع بسبب التحديات المتعلقة بتحديد الأنواع والخبرة المطلوبة. يقترحون أن الطرق المعتمدة على الحمض النووي، مثل باركود الحمض النووي المتعدد وباركود الحمض النووي الضخم الأحدث، تقدم حلولًا محتملة لتحديد الأنواع بسرعة ودقة، على الرغم من أنها لا تزال تواجه قيودًا في توفير بيانات دقيقة عن الكتلة الحيوية.
لمعالجة هذه التحديات، يقدم المؤلفون نهجًا متعدد الوسائط يجمع بين باركود الحمض النووي الضخم مع تقدير الكتلة الحيوية المعتمد على الصور باستخدام تقنيات التصوير شبه الآلي. يركزون على عينات الحشرات من أوامر Ephemeroptera وPlecoptera وTrichoptera، التي تعتبر مؤشرات مهمة لجودة المياه. تستخدم الدراسة الشبكات العصبية الالتفافية (CNNs) المدربة مسبقًا على البيانات التصنيفية لتعزيز دقة توقع الكتلة الحيوية. يفترض المؤلفون أن دمج المعلومات التصنيفية من خلال التعلم الانتقالي سيحسن أداء CNN في تقدير الكتلة الحيوية مقارنة بالنماذج التقليدية. يهدف هذا النهج المبتكر إلى تعزيز تقييمات التنوع البيولوجي للافقاريات المائية، وبالتالي المساهمة في استراتيجيات الحفاظ على البيئة الأكثر فعالية.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، مما يضمن إمكانية تكرار التجارب. تشمل المنهجية البروتوكولات المتبعة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم تطبيقها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم إعداد التجربة، بما في ذلك ظروف التحكم والمتغيرات التي تم التلاعب بها خلال الدراسة. من الضروري إثبات صحة النتائج ويسمح بالتقييم النقدي من قبل الأقران. بشكل عام، يعد هذا القسم أساسًا لفهم كيفية إجراء البحث وموثوقية الاستنتاجات المستخلصة.
نتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الفروق أو التأكيدات المهمة.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم، مؤكدين كيف تساهم في المعرفة الحالية في هذا المجال. يتم تحليل أي اتجاهات أو ارتباطات أو شذوذ تم ملاحظتها، مما يوفر نظرة شاملة على نتائج البحث. بشكل عام، يعد قسم “النتائج” مكونًا حاسمًا في التحقق من أهداف البحث وإظهار أهمية النتائج.
مناقشة
في هذه الدراسة، طورنا نهجًا متعدد الوسائط يجمع بين باركود الحمض النووي الضخم وتقنيات التصوير لتقييم تنوع الأنواع، والوفرة، والكتلة الحيوية للافقاريات الكبيرة القاعية، مما أسفر عن أكبر مجموعة بيانات متاحة للجمهور من نوعها. تتضمن مجموعة البيانات صورًا، وباركودات الحمض النووي، وقياسات الكتلة الحيوية لـ 890 عينة تم جمعها من تجربة ميسوكوسم في الهواء الطلق على نهر بوي في ألمانيا. أسفرت تحليل الحمض النووي عن تحديد الأنواع بنجاح لـ 85.6% من العينات، مما يوضح فعالية باركود الحمض النووي الضخم في التعيينات التصنيفية، على الرغم من أن معدل النجاح يتأثر بكمال قواعد البيانات المرجعية.
استخدمت مكون التصوير جهازًا شبه آلي لالتقاط ميزات شكلية مفصلة للعينات، والتي تم استخدامها بعد ذلك لتوقع الكتلة الحيوية. تشير نتائجنا إلى أن الشبكات العصبية الالتفافية (CNNs) المدربة مسبقًا على المعلومات التصنيفية تفوقت بشكل كبير على النماذج الخطية التقليدية في توقع الكتلة الحيوية، خاصة عندما كانت الطبقات الأساسية للنماذج غير مجمدة أثناء التدريب. لا يعزز هذا النهج دقة تقديرات الكتلة الحيوية فحسب، بل يعالج أيضًا الفجوة الموجودة في مجموعات بيانات اللافقاريات العذبة الشاملة، وهو أمر حاسم للبحث البيئي. بشكل عام، تسلط هذه الدراسة الضوء على إمكانيات دمج التقنيات الجزيئية والتصوير لتحسين التقييمات البيئية.
DOI: https://doi.org/10.7717/peerj.20501
PMID: https://pubmed.ncbi.nlm.nih.gov/41522517
Publication Date: 2026-01-05
Author(s): Philipp M. Rehsen et al.
Primary Topic: Environmental DNA in Biodiversity Studies
Overview
The study addresses the complexities of assessing biodiversity by integrating species identification, biomass, and abundance measurements. Traditional methods, while precise, are often time-consuming, and DNA barcoding, although effective for species identification, does not provide size or biomass data. Conversely, high-throughput imaging techniques can quickly capture morphological data but may lack taxonomic specificity. To overcome these limitations, the researchers employed a novel approach that combines DNA megabarcoding with semi-automated imaging and deep neural networks (DNNs) to achieve accurate taxonomic identifications and biomass estimations for insect specimens.
In a field experiment involving 743 specimens from 14 species of the orders Ephemeroptera, Plecoptera, and Trichoptera, the authors utilized the COI barcode gene for megabarcoding and captured 146,439 images using the BIODISCOVER imaging device. They trained convolutional neural networks (CNNs) on these images to evaluate species identification and biomass estimation. The findings indicate that this integrated methodology not only provides rapid and reliable assessments of species composition and biomass but also suggests that models pre-trained for species identification can enhance biomass estimation accuracy. This combined approach is proposed as a solution to the challenges of manual data labeling and could significantly advance conservation biology and ecological studies by facilitating the identification of new bioindicator species and improving ecosystem health evaluations.
Introduction
The introduction of this research paper emphasizes the necessity of comprehensive biological assessment methods to understand biodiversity and ecosystem changes. It highlights that traditional assessments often focus on species richness and composition, neglecting crucial data on abundance and biomass, particularly for invertebrates, which represent a significant portion of animal diversity. The authors note that current methods for estimating invertebrate biomass typically rely on bulk samples, which complicates accurate community-level assessments due to the challenges of species identification and the expertise required. They propose that DNA-based methods, such as DNA metabarcoding and the newer DNA megabarcoding, offer potential solutions for rapid and precise species identification, although they still face limitations in providing accurate biomass data.
To address these challenges, the authors introduce a multimodal approach that combines DNA megabarcoding with image-based biomass estimation using semi-automated imaging techniques. They focus on insect specimens from the orders Ephemeroptera, Plecoptera, and Trichoptera, which are important indicators of water quality. The study employs convolutional neural networks (CNNs) pre-trained on taxonomic data to enhance biomass prediction accuracy. The authors hypothesize that integrating taxonomic information through transfer learning will improve CNN performance in estimating biomass compared to traditional models. This innovative approach aims to advance biodiversity assessments for aquatic invertebrates, thereby contributing to more effective conservation strategies.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the experiments. The methodology encompasses the protocols followed for data collection, including any statistical analyses applied to interpret the results.
Additionally, the section may describe the experimental setup, including control conditions and variables manipulated during the study. It is crucial for establishing the validity of the findings and allows for critical evaluation by peers. Overall, this section serves as a foundation for understanding how the research was conducted and the reliability of the conclusions drawn.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables that illustrate the outcomes. The results are often compared against hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may also discuss the implications of their findings, emphasizing how they contribute to the existing body of knowledge in the field. Any observed trends, correlations, or anomalies are analyzed, providing a comprehensive overview of the research outcomes. Overall, the “Results” section serves as a critical component in validating the research objectives and demonstrating the relevance of the findings.
Discussion
In this study, we developed a multimodal approach combining DNA megabarcoding and imaging techniques to assess species diversity, abundance, and biomass of benthic macroinvertebrates, resulting in the largest publicly available dataset of its kind. The dataset includes images, DNA barcodes, and biomass measurements for 890 specimens collected from an outdoor mesocosm experiment at the Boye river in Germany. The DNA analysis yielded successful species identification for 85.6% of the samples, demonstrating the effectiveness of DNA megabarcoding in taxonomic assignments, although the success rate is influenced by the completeness of reference databases.
The imaging component utilized a semi-automated device to capture detailed morphological features of specimens, which were then used to predict biomass. Our findings indicate that convolutional neural networks (CNNs) pre-trained on taxonomic information significantly outperformed traditional linear models in biomass prediction, particularly when the base layers of the models were unfrozen during training. This approach not only enhances the accuracy of biomass estimates but also addresses the existing gap in comprehensive freshwater invertebrate datasets, which is crucial for ecological research. Overall, this study highlights the potential of integrating molecular and imaging techniques for improved ecological assessments.