Исследование оценивает два предобученных классификатора на основе глубокого обучения (свёрточная нейросеть и трансформер), обученных на 5,23 млн последовательностей, для таксономической классификации грибов по региону ITS. Авторы провели бенчмаркинг на 5 222 запросах (по одному на род), сравнивая модели с классическими k-mer методами (SINTAX и best-hit alignment). На полноразмерных ITS классификаторы показали результаты 77,9% и 76,5% для известных родов против 92,0% у SINTAX. Однако при переходе на ITS2-ампликон, используемый в экологических исследованиях, точность глубокого обучения катастрофически упала до 28,3% и 18,5% (потеря 49,6 и 58,0 процентных пунктов), тогда как k-mer методы потеряли лишь 3,5-3,7 пункта. Аблационное исследование выявило причину: модели считывают таксономическую информацию преимущественно из фланкирующих областей, а не из самого штрих-кода ITS2. При подмене ITS2 между последовательностями разных типов модели возвращали таксонию донора в 34,4% (свёрточная) и 63,7% (трансформер) случаев. Кроме того, на ITS2 вероятностные выходы моделей перестают различать известные и новые роды (AUROC 0,541 и 0,503 против 0,866 у выравнивания). Работа демонстрирует критическое ограничение глубокого обучения для метабаркодинга и рекомендует указывать регион ампликона при оценке точности таких моделей.