کاربرد رویکرد یادگیری ماشین و الگوریتمهای زیر مجموعۀ آن در برآورد ارزشهای اصلاحی ژنومی | ||
| علمی- ترویجی (حرفهای) دامِستیک | ||
| دوره 20، شماره 2 - شماره پیاپی 17، پاییز 1399، صفحه 19-29 اصل مقاله (1.42 M) | ||
| نوع مقاله: مقاله علمی- ترویجی | ||
| شناسه دیجیتال (DOI): 10.22059/domesticsj.2020.310252.1050 | ||
| نویسندگان | ||
| فرزاد غفوری1؛ سمیه علی پور* 2؛ صادق محمدیان جشوقانی3 | ||
| 1دانشجوی دکتری تخصصی ژنتیک و اصلاح نژاد دام و طیور، گروه علوم دامی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران ، کرج، ایران | ||
| 2گروه علوم دامی، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران | ||
| 3کارشناسی ارشد ژنتیک و اصلاحنژاد دام، گروه علوم دامی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| هدف از انتخاب ژنومی استفاده همزمان از دادههای ژنوتیپی به همراه دادههای فنوتیپی است تا بتوان در مدت زمان کوتاه، دامها را ارزیابی نموده و دامهای برتر از نظر ژنتیکی را گزارش نمود. توسعه الگوریتمهای داده کاوی مرتبط با اَبر دادهها در عصر دیجیتال در برآورد ارزشهای اصلاحی نقش قابل توجهی در اصلاحنژاد دام و طیور ایفا میکند. اخیراً روشهای یادگیری ماشین و الگوریتمهای زیرمجموعۀ آن مانند یادگیری عمیق، جنگل تصادفی، ماشین بردار پشتیبان و بوستینگ که جزء روشهای غیرپارامتریک هستند، به مباحث انتخاب ژنومی وارد شدهاند. یکی از مزایای روشهای یادگیری ماشین، پتانسیل و کارآیی بسیار بالای آنها به خصوص برای دادههای با حجم بالا یا به اصلاح اَبر دادهها و برآورد اثرات غیرافزایشی مانند غالبیت و اپیستازی و همچنین بررسی روابط پیچیده بین متغیرها (مانند اثرات متقابل بین نشانگرها) است. ایده اصلی در این الگوریتمها استفاده از دادههای آموزشی (در این جا اطلاعات ژنوتیپی و فنوتیپی حیوانات جمعیت مرجع) است تا الگوریتم براساس اطلاعات ژنوتیپی افراد جمعیت کاندید، ارزشهای اصلاحی ژنومی آنها را پیشبینی نماید. برخی از این روشها به طور موفقیتآمیزی در ارزیابیهای ژنومی مورد استفاده قرار گرفتهاند و نتایج قابل قبولی را با حداقل خطای ممکن ارائه دادهاند. در واقع هدف از این مطالعه بیانِ تعریفی از رویکرد یادگیری ماشین و الگوریتمهای زیرمجموعۀ آن و نیز نقش آنها در پیشبینی معماری ژنتیکی صفات با وراثتپذیری پیچیده است. در نتیجه، احتمالاً استفاده از رویکرد یادگیری ماشین با هدف یافتن کارآمدترین الگوریتم، همزمان با افزایش حجم دادههای فنوتیپی و ژنومی تأثیر قابل توجهی در آینده اصلاحنژاد دام و طیور، به ویژه پیشرفت ژنتیکی دامها به دنبال خواهد داشت. | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ الگوریتم ژنتیکی؛ یادگیری عمیق؛ جنگل تصادفی؛ ارزش اصلاحی؛ روشهای غیرپارامتریک | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,551 تعداد دریافت فایل اصل مقاله: 888 |
||