در هنگام جستجو کلمه در قسمت عنوان میتوانید کلمات مورد جستجو را با کاراکتر (-) جدا کنید.
کاربرد نوع شرط:
- جایگاه : پژوهشی
- مجله: علمی- ترویجی (حرفهای) دامستیک
- نوع مقاله: Journal Article
- کلمات کلیدی: یادگیری ماشین,جنگل تصادفی,یادگیری عمیق,ارزش اصلاحی,الگوریتم ژنتیکی,روشهای غیرپارامتریک
- 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.
- چکیده انگلیسی: Genomic selection strives to make use of genotypic and phenotypic data, simultaneously, in order to evaluate animals genetically in a short period of time to opt superior ones. The development of data mining algorithms related to big data analysis in the digital era makes a great contribution to estimating breeding values in livestock and poultry breeding. Recently, machine learning procedures and their sub-algorithms such as Deep Learning (DL), Random Forest (RF), Support Vector Machine (SVM), and boosting, which are categorized as non-parametric animal evaluation methods, have been introduced to the realm of genomic selection. Machine learning algorithms not only provide breeders with much more potential and efficiency but also they are more adapted with big data. These algorithms enable breeders to estimate non-additive effects such as dominance and epistasis, as well as studying of complex relationships between variables (such as marker interactions). The punch line of these algorithms is to use training data (here the genotypic and phenotypic information of the animals in reference population) to predict their genomic breeding values based on the genotypic information of the candidate population. Some of these methods have been used successfully in animal genomic evaluations and they have provided acceptable results with low error. In fact, the purpose of this study is to define machine learning approaches and their sub-algorithms besides their role in predicting the genetic architecture of traits with complex heritability. As a result, it is likely that using machine learning approach to find the most efficient algorithm, along with increasing the volume of phenotypic and genomic data, will have a significant impact on the future of livestock and poultry breeding.
- انتشار مقاله: 27-06-1399
- نویسندگان: فرزاد غفوری,سمیه علی پور,صادق محمدیان جشوقانی
- مشاهده
- جایگاه : پژوهشی
- مجله: علمی- ترویجی (حرفهای) دامستیک
- نوع مقاله: Journal Article
- کلمات کلیدی: تکنولوژی,یادگیری ماشین,هوش مصنوعی,یادگیری عمیق,اَبرداده,اصلاحنژاد
- چکیده: دیدگاه کلی ژنتیک و اصلاحنژاد دام و طیور در حال انتقال به عصر دیجیتال با توان عملیاتی بالا است که در آن با استفاده از فناوریهای جدید سعی میشود دقت ثبت اطلاعات و برآورد ارزشهای اصلاحی افزایش یابد. در ادامه با استفاده از نرمافزارهای پیشرفته و کامپیوترهای بزرگ، پردازش حجم بزرگی از دادهها انجام میشود. ظهور فناوری تعیین ژنوتایپ و شناسایی SNPها همراه با روشهای آماری جدید برای استفاده از این دادهها برای برآورد ارزش اصلاحی، منجر به کاربرد گسترده انتخاب ژنومی در گاوهای شیری و طیور برای انجام انتخاب ژنومیک در دیگر موارد شده است. توسعه الگوریتمهای داده کاوی مرتبط با اَبر دادهها در برآورد ارزشهای اصلاحی نقش قابل توجهی ایفا میکنند. مجموعهای از تکنولوژیها همچون هوش مصنوعی، یادگیری ماشین و یادگیری عمیق در عصر جدید فرصتهای مناسبی را در مقایسه با روشهای سنتی برای بررسی صفات اقتصادی با معماری پیچیده فراهم ساختهاند. این رویکردها تجزیه و تحلیل مجموعههای بزرگ دادهها و اطلاعات بزرگ ژنومی را در جهت رسیدن به اهداف امکان پذیر کرده است. هدف از این مطالعه بیانِ توضیحی اجمالی از روشها و فناوریهای جدید در علوم دامی است که به طور گسترده در رکوردبرداری و ثبت اطلاعات تا برآورد ارزشهای اصلاحی مورد استفاده قرار میگیرند، به گونهای که دیدگاه اصلاحنژادی را در آیندۀ دیجیتال تغییر دهند. بنابراین، افزایش پتانسیل در تجزیه و تحلیل اَبردادهها همراه با روشهای نوین در رکوردبرداری از صفات فنوتیپی و برآورد ارزشهای اصلاحی، مقدار پیشرفت ژنتیکی دامها را به طور چشمگیری افزایش خواهد داد.
- چکیده انگلیسی: The general perspective of livestock and poultry breeding is being transferred to the digital era with high operational capacity, in which high-throughput technologies are utilized to boost the accuracy of phenotypic records collection and estimation of breeding values. Then, using advanced software and large computers, high amount of data is processed. The advent of NGS and the identification of SNPs along with new statistical methods for using this data to estimate the breeding value has led to the widespread use of genomic selection in dairy cattles and poultry. The development of data mining algorithms related to big data plays a significant role in estimating breeding values. A range of novel technologies, such as artificial intelligence, machine learning and deep learning, provide proper opportunities compared to traditional methods for examining economic traits with complex architecture. These approaches have made it possible to analyze large data sets and large genomic information in order to achieve desirable results. The purpose of this study is to provide a brief explanation of the new methods and novel technologies in animal sciences which are widely used in phenotype data collection and data registration in order to estimate accurate breeding values, in such a way as to lead to a digital future. Therefore, increasing the potential of big data analysis, along with new methods for recording phenotypic traits and estimating the breeding values, will dramatically augment genetic improvement.
- انتشار مقاله: 18-03-1399
- نویسندگان: فرزاد غفوری,حسن مهربانی یگانه,صادق محمدیان جشوقانی
- مشاهده