Projektbeschreibung
Erweiterung unseres Wissens über die mikrobielle Vielfalt der Erde
Mikroben sind sehr kleine Lebewesen, die mit dem bloßen Auge nicht zu sehen sind. Sie sind überall um uns herum zu finden und spielen eine entscheidende Rolle bei der Aufrechterhaltung des Gleichgewichts von Nährstoffen und Abfallprodukten in der Biosphäre. Außerdem sind sie wichtig für die Erhaltung der natürlichen Umwelt, da sie die biogeochemischen Kreisläufe regulieren. Das EU-finanzierte Projekt ERMADA zielt darauf ab, die mikrobielle Vielfalt auf der Erde mit Hilfe von Bioinformatik und Algorithmen des maschinellen Lernens zu analysieren und zu beleuchten. Insbesondere wird es die Zusammensetzung und Struktur des Mikrobioms auf verschiedenen Rangstufen und Abstammungslinien nachvollziehen und eine lückenlose Aufzeichnung des gegenwärtigen mikrobiellen Diversitätsprofils des Planeten liefern.
Ziel
The estimated number of microbes on our planet outnumbers the stars of the Milky Way galaxy and their biomass exceeds that of all plants and animals. Out of the 10^12 microbial species, only around 10^4 have been cultured, less than 10^5 species are represented by classified sequences, and a staggering estimated 99% of these microorganisms remain taxonomically unknown. Metagenomic shotgun sequencing has emerged as the most prevalent way of studying and classifying microorganisms from various habitats whereas genome analysis can be used to uncover the functions of genes, enzymes and metabolic pathways in a microbial community. This painstaking effort is crucial to understanding Earth's biodiversity, as microbes play important roles in regulating the planet’s biogeochemical cycles through processes that govern nutrient circulation in both terrestrial and marine environments. In this proposal, we will employ cutting edge bioinformatics and machine learning algorithms to analyze and elucidate Earth’s microbial diversity. We will use deep neural networks trained by large volumes of metagenomic sequences as well as big data methods to process hundreds of terabytes of data and taxonomically classify all uncharacterized metagenomic samples, by identifying their origins and habitats. Going beyond the capacities of conventional sequence similarity and comparison analyses, neural network models can capture higher level, abstract defining features and patterns in metagenomic sequences. The aim of this study is twofold: i) to gain a deeper understanding of the composition and structure of the microbiome at different rank levels and lineages and ii) to provide a complete record of the planet’s present microbial diversity footprint. The latter can serve as a reference dataset for future studies pertaining to microbiome evolution due to climate change or other long-term environmental factors.
Wissenschaftliches Gebiet
- natural sciencescomputer and information sciencesdata sciencebig data
- natural sciencesphysical sciencesastronomyplanetary sciencesplanets
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
- natural sciencesbiological sciencesmicrobiology
- natural sciencescomputer and information sciencesartificial intelligencecomputational intelligence
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordinator
16672 Vari-Athens
Griechenland