گروهبندی ژنتیکی گاومیش های بومی آذری و شمالی با روش شبکۀ عصبی SVM | ||
| علوم دامی ایران | ||
| مقاله 12، دوره 47، شماره 2، 1395، صفحه 279-290 اصل مقاله (854.5 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijas.2016.59033 | ||
| نویسندگان | ||
| زهرا عزیزی1؛ حسین مرادی شهربابک* 2؛ محمد مرادی شهر بابک3؛ عباس رأفت4؛ جلیل شجاع5 | ||
| 1دانشجوی دکتری، گروه علوم دامی، دانشکدۀ کشاورزی، دانشگاه تبریز | ||
| 2استادیار، گروه علوم دامی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج | ||
| 3استاد، گروه علوم دامی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج | ||
| 4دانشیار، گروه علوم دامی، دانشکدۀ کشاورزی، دانشگاه تبریز | ||
| 5استاد، گروه علوم دامی، دانشکدۀ کشاورزی، دانشگاه تبریز | ||
| چکیده | ||
| هدف این تحقیق گروهبندی گاومیشهای استانهای آذربایجان شرقی، غربی و اردبیل از بومجور (اکوتیپ) آذری و استان گیلان از بومجور شمالی و درنهایت قابلیت جداسازی افراد مناطق مختلف با روش یادگیری ماشین بود. به شمار 258 گاومیش از مناطق مختلف دو بومجور شمالی و آذری نمونهگیری شد و با استفاده از SNPChip 90K مربوط به شرکت افی متریکس در کشور ایتالیا تعیین ژنوتیپ شد. برای پیشبینی عملکرد روش ماشین بردار پشتیبان برای گروهبندی افراد، دو روش متریک اعتبارسنجی متقابل و سطح زیر منحنی مشخصۀ عملکرد سامانۀ (AUC) اعمال شد. نتایج آزمون اعتبارسنجی متقابل و سطح زیر منحنی برای گروهبندی افراد چهار منطقه به ترتیب 92 و 96 درصد بود که گویای این است که باوجود نزدیک بودن افراد گلههای مختلف و سخت بودن جداسازی این افراد، روش ماشین بردار پشتیبان با درستی بالایی، توانایی اختصاص دادن افراد به گلههای مربوط به خود را دارد. نتایج آزمونهای اعتبارسنجی متقابل و سطح زیر منحنی مشخصه عملکرد سامانه برای دو بومجور به ترتیب برابر 96 و 98 درصد بود که نشاندهندۀ قابلیت جداسازی بهتر دو بومجور است. روش یادگیری ماشین با توجه به این موارد و با پیشبینیهایی که برای گروهبندی هر فرد انجام میدهد میتواند در کنترل کیفیت و کاربردهای ژنتیکی کارآمد باشد. | ||
| کلیدواژهها | ||
| SNPChip 90K؛ گاومیش؛ گروهبندی؛ ماشین بردار پشتیبان | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,455 تعداد دریافت فایل اصل مقاله: 1,121 |
||