Machine learning-assisted image analysis and metabarcoding for monitoring of plankton in the seas surrounding Sweden

Sammanfattning: 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.