mycoreobjectrosdok_disshab_0000002432rosdok_disshab_0000002432rosdokdisshabrosdok_derivate_00000966142023-08-08T10:12:20.740Z2021-01-15T09:33:24.127ZadministratoreditorDpublished1rosdok_derivate_0000096614truetruederivate_types:fulltextVolltextfulltextwf_edit_epub wf_register_epubstate:publishedstate:publishedveröffentlichtpublishedrosdok/id000028971744741417Oau2021-01-152023-08-05T19:16:20ZrdaConverted from PICA to MODS using Pica2Mods XSLT Transformer 2.7 [SCM: "0c0e7a3c226a4a0cbcbec39b493c3c5257339ab8" "v2.7" "2023-08-04T00:00:00+0200"] with mode 'DEFAULT'.DissertationHochschulschriftMachine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic SeaMicrobial communities react rapidly and specifically to changing environments, indicating distinct microbial fingerprints for a given environmental state. Machine learning with community data predicted the Baltic Sea-detected pollutants glyphosate and 2,4,6-trinitrotoluene, using the developed R package “phyloseq2ML”. Predictions by Random Forest and Artificial Neural Network were accurate. Relevant taxa were identified. The interpretability of machine learning models was found of particular importance. Microbial communities predicted even minor influencing factors in complex environments.Mikrobielle Gemeinschaften reagieren schnell und spezifisch auf sich ändernde Umgebungen und können somit bestimmte Umweltzustände anzeigen. Maschinelles Lernen mit Gemeinschaftsdaten sagte die Ostsee-präsenten Schadstoffe Glyphosat und 2,4,6-Trinitrotoluol voraus, wobei das entwickelte R-Paket "phyloseq2ML" verwendet wurde. Die Vorhersagen durch Random Forest und Artificial Neural Network waren genau. Relevante Taxa wurden identifiziert. Die Interpretierbarkeit der Modelle erwies sich als essentiell. Mikrobielle Gemeinschaften sagten selbst geringe Einflüsse in komplexen Umgebungen voraus.RenéJanßen1986 -VerfasserInaut12251313750000-0002-0605-6860MatthiasLabrenz1966 -AkademischeR BetreuerIndgs13682028XRudolfAmannAkademischeR BetreuerIndgsAlexanderProbstAkademischeR BetreuerIndgsStephenTechtmannAkademischeR BetreuerIndgs38329-6Universität Rostock1419 -Grad-verleihende Institutiondgg2147083-2Universität RostockMathematisch-Naturwissenschaftliche FakultätGrad-verleihende Institutiondgghttp://purl.uni-rostock.de/rosdok/id00002897urn:nbn:de:gbv:28-rosdok_id00002897-810.18453/rosdok_id00002897004 Informatik570 Biowissenschaften, BiologieMathematisch-Naturwissenschaftliche FakultätCC BY-SA 4.0Nutzungsrechte erteiltLizenz Metadaten: CC0frei zugänglich (Open Access)en2020Universität RostockRostockmonographic202020202021Universitätsbibliothek RostockRostock2021Universitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00002897Enthält ZeitschriftenartikelMatthias Labrenz (Leibniz-Institut für Ostseeforschung Warnemünde) ; Rudolf Amann (Max-Planck-Institut für Marine Mikrobiologie) ; Alexander Probst (Universität Duisburg-Essen) ; Stephen Techtmann (Michigan Technological University)vorgelegt von René JanßenWF 2000OstseeMikrobiozönoseMetagenomGenanalyseMaschinelles Lernendoctype:epubdoctype:epubDokumenttypDocument typedoctype:epub.dissertationdoctype:epub.dissertationDissertationdoctoral thesisdiniPublType:doctoralThesis diniPublType2022:PhDThesis XMetaDissPlusThesisLevel:thesis.doctoralinfo:eu-repo/semantics/doctoralThesisdocumentnatureOfContent:ppn_105825778natureOfContent:ppn_105825778HochschulschriftdiniPublType2022:DoctoralThesisdiniPublType2022:DoctoralThesisDissertation oder HabilitationDoctoral thesisDRIVERdiniPublType2022:PhDThesisdiniPublType2022:PhDThesisDissertationPhD thesisKDSF (Pu34)XMetaDissPlusThesisLevel:thesis.doctoralXMetaDissPlusThesisLevel:thesis.doctoralDoktorarbeitdoctoral thesisSDNB:004SDNB:004004 Informatik004 Data processing Computer sciencesSDNB:570SDNB:570570 Biowissenschaften, Biologie570 Life scienceinstitution:unirostockinstitution:unirostockUniversität RostockUniversity of RostockUniversität RostockUniversität RostockUni.Rostockhttp://d-nb.info/gnd/38329-6institution:unirostock.mnfinstitution:unirostock.mnfMathematisch-Naturwissenschaftliche FakultätFaculty of Mathematics and Natural SciencesUniversität Rostock. Mathematisch-Naturwissenschaftliche FakultätMathematisch-Natur-<br />wissenschaftliche FakultätUni.Rostock.Fakultaet.MNFhttp://d-nb.info/gnd/2147083-2licenseinfo:worklicenseinfo:workWerkworklicenseinfo:work.cclicenselicenseinfo:work.cclicenseCC-LizenzCC-licenselicenseinfo:work.cclicense.cc-by-salicenseinfo:work.cclicense.cc-by-saCC BY-SACC BY-SAlicenseinfo:work.cclicense.cc-by-sa.v40licenseinfo:work.cclicense.cc-by-sa.v40CC BY-SA 4.0CC BY-SA 4.0/creativecommons/l/by-sa/4.0/88x31.png[DE-28]Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International$cCC BY-SA 4.0$gCreative Commons$uhttps://creativecommons.org/licenses/by-sa/4.0/https://creativecommons.org/licenses/by-sa/4.0/https://creativecommons.org/licenses/by-sa/4.0/licenseinfo:depositlicenseinfo:depositVeröffentlichungsgenehmigungpermission to storelicenseinfo:deposit.rightsgrantedlicenseinfo:deposit.rightsgrantedNutzungsrechte erteiltrights grantedlicenseinfo:metadatalicenseinfo:metadataLizenzen für Metadatenlicenseinfo:metadata.cc0licenseinfo:metadata.cc0Lizenz Metadaten: CC0license metadata: CC0/creativecommons/p/zero/1.0/88x31.pnghttps://creativecommons.org/publicdomain/zero/1.0/accesscondition:openaccessaccesscondition:openaccessfrei zugänglich (Open Access)open accesshttp://purl.org/coar/access_right/c_abf2OAfreeinfo:eu-repo/semantics/openAccess[DE-28]Open Access$gControlled Vocabulary for Access Rights$uhttp://purl.org/coar/access_right/c_abf2rfc5646:enrfc5646:enEnglischEnglishengengMachine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic SeaMachine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic Seagnd:1225131375orcid:0000-0002-0605-6860gnd:13682028Xgnd:38329-6gnd:2147083-2gnd:1225131375orcid:0000-0002-0605-6860gnd:13682028Xgnd:38329-6gnd:2147083-2rosdok_disshab_0000002432-d303751e54gnd:1225131375orcid:0000-0002-0605-6860René JanßenRené Janßenrosdok_disshab_0000002432-d303751e70gnd:13682028XMatthias LabrenzMatthias Labrenzrosdok_disshab_0000002432-d303751e84Rudolf AmannRudolf Amannrosdok_disshab_0000002432-d303751e95Alexander ProbstAlexander Probstrosdok_disshab_0000002432-d303751e105Stephen TechtmannStephen Techtmannrosdok_disshab_0000002432-d303751e115gnd:38329-6Universität RostockUniversität Rostockrosdok_disshab_0000002432-d303751e126gnd:2147083-2Universität Rostock Mathematisch-Naturwissenschaftliche FakultätUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätRené JanßenMatthias LabrenzRudolf AmannAlexander ProbstStephen TechtmannUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätRené JanßenMatthias LabrenzRudolf AmannAlexander ProbstStephen TechtmannUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätRené JanßenRostockUniversität Rostockepub.dissertationhttp://purl.uni-rostock.de/rosdok/id00002897urn:nbn:de:gbv:28-rosdok_id00002897-810.18453/rosdok_id00002897WF 2000MikrobiozönoseMetagenomGenanalyseMaschinelles LernenMicrobial communities react rapidly and specifically to changing environments, indicating distinct microbial fingerprints for a given environmental state. Machine learning with community data predicted the Baltic Sea-detected pollutants glyphosate and 2,4,6-trinitrotoluene, using the developed R package “phyloseq2ML”. Predictions by Random Forest and Artificial Neural Network were accurate. Relevant taxa were identified. The interpretability of machine learning models was found of particular importance. Microbial communities predicted even minor influencing factors in complex environments.Mikrobielle Gemeinschaften reagieren schnell und spezifisch auf sich ändernde Umgebungen und können somit bestimmte Umweltzustände anzeigen. Maschinelles Lernen mit Gemeinschaftsdaten sagte die Ostsee-präsenten Schadstoffe Glyphosat und 2,4,6-Trinitrotoluol voraus, wobei das entwickelte R-Paket "phyloseq2ML" verwendet wurde. Die Vorhersagen durch Random Forest und Artificial Neural Network waren genau. Relevante Taxa wurden identifiziert. Die Interpretierbarkeit der Modelle erwies sich als essentiell. Mikrobielle Gemeinschaften sagten selbst geringe Einflüsse in komplexen Umgebungen voraus.20202020Enthält ZeitschriftenartikelMatthias Labrenz (Leibniz-Institut für Ostseeforschung Warnemünde) ; Rudolf Amann (Max-Planck-Institut für Marine Mikrobiologie) ; Alexander Probst (Universität Duisburg-Essen) ; Stephen Techtmann (Michigan Technological University)vorgelegt von René Janßenepub.dissertation1 Janssen_Dissertation_2021.pdf 7342760 24d16621b054d5e972dcc0d09e387e8b rosdok/id000028971744741417Oau2021-01-152023-08-05T19:16:20ZrdaConverted from PICA to MODS using Pica2Mods XSLT Transformer 2.7 [SCM: "0c0e7a3c226a4a0cbcbec39b493c3c5257339ab8" "v2.7" "2023-08-04T00:00:00+0200"] with mode 'DEFAULT'.DissertationHochschulschriftMachine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic SeaMicrobial communities react rapidly and specifically to changing environments, indicating distinct microbial fingerprints for a given environmental state. Machine learning with community data predicted the Baltic Sea-detected pollutants glyphosate and 2,4,6-trinitrotoluene, using the developed R package “phyloseq2ML”. Predictions by Random Forest and Artificial Neural Network were accurate. Relevant taxa were identified. The interpretability of machine learning models was found of particular importance. Microbial communities predicted even minor influencing factors in complex environments.Mikrobielle Gemeinschaften reagieren schnell und spezifisch auf sich ändernde Umgebungen und können somit bestimmte Umweltzustände anzeigen. Maschinelles Lernen mit Gemeinschaftsdaten sagte die Ostsee-präsenten Schadstoffe Glyphosat und 2,4,6-Trinitrotoluol voraus, wobei das entwickelte R-Paket "phyloseq2ML" verwendet wurde. Die Vorhersagen durch Random Forest und Artificial Neural Network waren genau. Relevante Taxa wurden identifiziert. Die Interpretierbarkeit der Modelle erwies sich als essentiell. Mikrobielle Gemeinschaften sagten selbst geringe Einflüsse in komplexen Umgebungen voraus.RenéJanßen1986 -VerfasserInaut12251313750000-0002-0605-6860MatthiasLabrenz1966 -AkademischeR BetreuerIndgs13682028XRudolfAmannAkademischeR BetreuerIndgsAlexanderProbstAkademischeR BetreuerIndgsStephenTechtmannAkademischeR BetreuerIndgs38329-6Universität Rostock1419 -Grad-verleihende Institutiondgg2147083-2Universität RostockMathematisch-Naturwissenschaftliche FakultätGrad-verleihende Institutiondgghttp://purl.uni-rostock.de/rosdok/id00002897urn:nbn:de:gbv:28-rosdok_id00002897-810.18453/rosdok_id00002897004 Informatik570 Biowissenschaften, BiologieMathematisch-Naturwissenschaftliche FakultätCC BY-SA 4.0Nutzungsrechte erteiltLizenz Metadaten: CC0frei zugänglich (Open Access)en2020Universität RostockRostockmonographic202020202021Universitätsbibliothek RostockRostock2021Universitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00002897Enthält ZeitschriftenartikelMatthias Labrenz (Leibniz-Institut für Ostseeforschung Warnemünde) ; Rudolf Amann (Max-Planck-Institut für Marine Mikrobiologie) ; Alexander Probst (Universität Duisburg-Essen) ; Stephen Techtmann (Michigan Technological University)vorgelegt von René JanßenWF 2000OstseeMikrobiozönoseMetagenomGenanalyseMaschinelles Lernen 2021-01-15T09:33:24.127Z 2023-08-08T10:12:20.740Z 2023-08-18T10:12:20.745Z {"identifier":"rosdok/id00002897","type":"local_id","additional":"","service":"MCRLocalID","created":"2021-01-15T09:33:24.524Z"} editorD {"identifier":"http://purl.uni-rostock.de/rosdok/id00002897","type":"purl","additional":"","service":"RosDokPURL","created":"2021-01-15T09:55:44.688Z","registered":"2021-01-15T09:55:44.688Z"} {"identifier":"10.18453/rosdok_id00002897","type":"doi","additional":"","service":"RosDokDOI","created":"2021-01-15T09:55:47.381Z","registered":"2021-01-15T09:55:47.381Z"} {"identifier":"urn:nbn:de:gbv:28-rosdok_id00002897-8","type":"dnbUrn","additional":"","service":"RosDokURN","created":"2021-01-15T09:33:24.768Z","registered":"2021-01-16T03:17:13.300Z"} administratorfulltextfile/rosdok_disshab_0000002432/rosdok_derivate_0000096614/Janssen_Dissertation_2021.pdfMachine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic SeaMachine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic Seagnd:1225131375orcid:0000-0002-0605-6860gnd:13682028Xgnd:38329-6gnd:2147083-2gnd:1225131375orcid:0000-0002-0605-6860gnd:13682028Xgnd:38329-6gnd:2147083-2rosdok_disshab_0000002432-d303751e54gnd:1225131375orcid:0000-0002-0605-6860René JanßenRené Janßenrosdok_disshab_0000002432-d303751e70gnd:13682028XMatthias LabrenzMatthias Labrenzrosdok_disshab_0000002432-d303751e84Rudolf AmannRudolf Amannrosdok_disshab_0000002432-d303751e95Alexander ProbstAlexander Probstrosdok_disshab_0000002432-d303751e105Stephen TechtmannStephen Techtmannrosdok_disshab_0000002432-d303751e115gnd:38329-6Universität RostockUniversität Rostockrosdok_disshab_0000002432-d303751e126gnd:2147083-2Universität Rostock Mathematisch-Naturwissenschaftliche FakultätUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätRené JanßenMatthias LabrenzRudolf AmannAlexander ProbstStephen TechtmannUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätRené JanßenMatthias LabrenzRudolf AmannAlexander ProbstStephen TechtmannUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätRené JanßenRostockUniversität Rostockepub.dissertationhttp://purl.uni-rostock.de/rosdok/id00002897urn:nbn:de:gbv:28-rosdok_id00002897-810.18453/rosdok_id00002897WF 2000MikrobiozönoseMetagenomGenanalyseMaschinelles LernenMicrobial communities react rapidly and specifically to changing environments, indicating distinct microbial fingerprints for a given environmental state. Machine learning with community data predicted the Baltic Sea-detected pollutants glyphosate and 2,4,6-trinitrotoluene, using the developed R package “phyloseq2ML”. Predictions by Random Forest and Artificial Neural Network were accurate. Relevant taxa were identified. The interpretability of machine learning models was found of particular importance. Microbial communities predicted even minor influencing factors in complex environments.Mikrobielle Gemeinschaften reagieren schnell und spezifisch auf sich ändernde Umgebungen und können somit bestimmte Umweltzustände anzeigen. Maschinelles Lernen mit Gemeinschaftsdaten sagte die Ostsee-präsenten Schadstoffe Glyphosat und 2,4,6-Trinitrotoluol voraus, wobei das entwickelte R-Paket "phyloseq2ML" verwendet wurde. Die Vorhersagen durch Random Forest und Artificial Neural Network waren genau. Relevante Taxa wurden identifiziert. Die Interpretierbarkeit der Modelle erwies sich als essentiell. Mikrobielle Gemeinschaften sagten selbst geringe Einflüsse in komplexen Umgebungen voraus.20202020Enthält ZeitschriftenartikelMatthias Labrenz (Leibniz-Institut für Ostseeforschung Warnemünde) ; Rudolf Amann (Max-Planck-Institut für Marine Mikrobiologie) ; Alexander Probst (Universität Duisburg-Essen) ; Stephen Techtmann (Michigan Technological University)vorgelegt von René Janßen[xslt]Saxonrosdok/id00002897https://purl.uni-rostock.de/rosdok/id00002897174474141710.18453/rosdok_id00002897urn:nbn:de:gbv:28-rosdok_id00002897-8René JanßenJanßen RenéMachine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic SeaDissertationdoctoral thesisUniversität Rostock, 2020Microbial communities react rapidly and specifically to changing environments, indicating distinct microbial fingerprints for a given environmental state. Machine learning with community data predicted the Baltic Sea-detected pollutants glyphosate and 2,4,6-trinitrotoluene, using the developed R…René JanßenMachine learning classification of microbial community compositions to predict anthropogenic pollutants in the Baltic SeaUniversitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00002897RenéJanßen1986 -VerfasserInaut12251313750000-0002-0605-6860MatthiasLabrenz1966 -AkademischeR BetreuerIndgs13682028XRudolfAmannAkademischeR BetreuerIndgsAlexanderProbstAkademischeR BetreuerIndgsStephenTechtmannAkademischeR BetreuerIndgs38329-6Universität Rostock1419 -Grad-verleihende Institutiondgg2147083-2Universität RostockMathematisch-Naturwissenschaftliche FakultätGrad-verleihende Institutiondgg[purl]http://purl.uni-rostock.de/rosdok/id00002897[urn]urn:nbn:de:gbv:28-rosdok_id00002897-8[doi]10.18453/rosdok_id00002897open_access20202020epoch:21th_centuryrfc5646:endoctype:epub.dissertationaccesscondition:openaccessSDNB:004SDNB:570institution:unirostock.mnfstate:published