Исследование посвящено решению проблемы точной идентификации видов грибов, что критически важно для экологии, пищевой безопасности и патологии растений. Авторы сравнивают два биоинформатических подхода для обработки данных секвенирования Oxford Nanopore (ITS-регион): традиционный CPU-конвейер с использованием байесовского движка машинного обучения и ускоренный GPU-конвейер, применяющий нейронные сети и модели сверхвысокой точности (SUP). Результаты показывают, что использование графических процессоров (GPU) значительно повышает точность на уровне видов за счет эффективной коррекции систематических ошибок в гомополимерных регионах. В то же время, внедрение автоматизированной оптимизации гиперпараметров в CPU-средах позволяет достичь стабильной кластеризации последовательностей и высокой таксономической согласованности на уровне рода. Данная работа предлагает масштабируемый протокол, позволяющий исследователям выбирать между максимальной точностью (GPU) и доступностью инфраструктуры (CPU) без существенной потери научной ценности данных.