Predicting the status of sediment ecosystems around commercial fish farms from taxonomic and functional profiles
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3147951Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
- Master's theses (KBM) [927]
Sammendrag
The sediments around commercial fish farms are regularly monitored regarding theenvironmental condition. If the environmental condition is not sufficient, a quarantine period isimposed on the fish farms. It is therefore important that the environmental state is mappedquickly and with good precision. Currently, this is determined manually from inspection ofsediment samples by expert taxonomists, who determine an environmental index based onmacrofauna. The AQUAeD project (2021-2025) – On-site monitoring of aquaculture impact onthe environment by open-source nanopore eDNA analysis – aims to replace the currentenvironmental monitoring analyses with digital DNA based solutions, as well as moving theanalyses to the facilities to achieve fast and accurate results.This thesis is a part of the AQUAeD project, and the data used was from 16S sequencing. Fromthe 16S data, taxonomic profiles can be made, and the essential aim of this thesis is to predictthe ecosystem status from this. However, the taxonomic diversity present in sediments issignificant, with numerous organisms being unidentified and lacking names within the existingtaxonomy. From the metagenome data, functional profiles can be derived. This entails codinggenes and categorizing them into functional groups such as EC functions, KO functions andMetaCyc pathways. Then functional profiles can be constructed accordingly.An indicator of the ecosystem status is the nEQR values, which is what has been predicted inthis thesis for both the taxonomic and functional profiles. The results from this shows that thepredictions are good for both taxonomic and functional profiles, but also that the functionalprofiles do not give better predictions. Rather, they are very similar to each other.In this thesis, AI (Artificial Intelligence) was used to assist with the coding, as well as findingsources for the background information in the introduction of this thesis. The AI instrumentsused in this thesis was ChatGPT and Perplexity.
Sedimentene rundt kommersielle fiskeoppdrettsanlegg blir jevnlig overvåket med tanke påmiljøtilstanden. Hvis miljøtilstanden ikke er tilstrekkelig, blir det pålagt karantenetid foroppdrettsanleggene. Det er derfor viktig at miljøtilstanden kartlegges raskt og med godpresisjon. For øyeblikket blir dette bestemt gjennom inspeksjon av sedimentprøver utført aveksperter på taksonomi, som fastsetter en miljøindeks basert på makrofauna. AQUAeDprosjektet (2021-2025) – Overvåkning av akvakulturens påvirkning på miljøet ved hjelp avopen source for nanopore eDNA analyse – har som mål å erstatte de nåværendemiljøovervåkningsanalysene med digitale DNA-baserte løsninger, samt å flytte analysene tilfiskeoppdrettsanleggene for å oppnå raske og nøyaktige resultater.Denne avhandlingen er en del av AQUAeD-prosjekter, og dataene som ble brukt var fra 16Ssekvensering. Fra 16S dataene kan det lages taksonomiske profiler, og det essensielle måletmed denne avhandlingen er å forutsi økosystemets tilstand fra dette. Den taksonomiskemangfoldigheten i sedimentene er derimot betydelig, med mange organismer som ikke eridentifisert og som mangler navn innenfor den eksisterende taksonomien. Fra metagenomdataene kan funksjonelle profiler utledes. Dette innebærer kodende gener og kategorisering avdem i funksjonelle grupper som EC funksjoner, KO funksjoner og MetaCyc pathways. Viderekan funksjonelle grupper konstrueres.En indikator på økosystemets tilstand er nEQR-verdier, som er det som har blitt predikert idenne avhandlingen for både de taksonomiske og funksjonelle profilene. Resultatene fra detteviser at prediksjonene er gode for både taksonomiske og funksjonelle profiler, men defunksjonelle profilene gir heller ikke bedre prediksjoner. Tvert imot er de veldig like hverandre.I denne avhandlingen ble KI (Kunstig Intelligens) brukt til å hjelpe med kodingen, samt å finnekilder til bakgrunnsinformasjonen i innledningen til denne avhandlingen. KI-instrumentenesom ble brukt i denne avhandlingen var ChatGPT og Perplexity.