Moderne genetika het 'n kragtige metode genaamd genomiese seleksie ontwikkel wat die data vervat in die genome van plante en diere gebruik om teling te verbeter.
Genomiese seleksie maak die voorspelling van 'n individu se genetiese potensiaal vir gewenste eienskappe, soos siekteweerstand, opbrengs of kwaliteit moontlik, deur die DNA-volgorde verskille oor individue te ondersoek.
Hierdie genetiese data help om beter ingeligte besluite te neem, die seleksieproses te versnel en teelprogramme te skep wat meer effektief en vrugbaar is.
In hierdie interessante area van genetika, machine learning het wonders geskep en die veld verbeter. Kom ons delf in en leer oor masjienleer in genomiese seleksie.
Wat presies is genomiese seleksie?
Genomiese seleksie is 'n tegniek wat in diere- en plantteling gebruik word om 'n individu se prestasie op grond van hul genetiese samestelling te voorspel.
Dit behels om na mense se DNS te kyk om spesifieke merkers te vind wat verband hou met gewenste eienskappe.
Navorsers kan 'n persoon se genetiese potensiaal vir kenmerke soos siekteweerstand, opbrengs of kwaliteit bepaal deur hierdie merkers oor die hele genoom te ontleed.
Telers kan die prestasie van nageslag meer akkuraat voorspel danksy genomiese seleksie sonder dat tydrowende en duur fenotipiese assesserings nodig is.
Deur telers in staat te stel om individue met die beste genetiese potensiaal vir teelprogramme te kies, help hierdie metode met die versnelling van die teelproses deur meer effektiewe en gefokusde verbetering van gewenste eienskappe in plant- en dierpopulasies moontlik te maak.
Plantteling deur genomiese seleksie
Plantteling het ’n omwenteling ondergaan danksy genomiese seleksie, wat die proses versnel het en oesopbrengste verhoog het.
Maar om die komende probleme wat deur klimaatsverandering veroorsaak word aan te spreek, is meer ontwikkeling nodig.
Om dit op te los, gebruik navorsers pangenome en die nuutste masjienleerbenaderings in genomiese seleksie.
Die hele genomiese materiaal van 'n spesie, ook bekend as die pangenoom, maak voorsiening vir 'n deeglike begrip van genetiese variasie.
Ons kan die weg oopmaak vir gewasverbetering en die nadelige uitwerking van klimaatsverandering op die landbou versag deur na voorbeelde van gewasteling te kyk, die beperkings van masjienleer te begryp en die belofte van hierdie tegnieke te beklemtoon.
Pangenome van plante: onthulling van genomiese diversiteit
Tradisioneel was enkelverwysing genoomsamestellings die primêre fokus van genomiese seleksie, maar pangenome word nou meer algemeen. Plantpangenome, eerder as individuele genoomsamestellings, weerspieël die genetiese materiaal van 'n spesie of familie.
Beduidende geenvariante, insluitend dié wat nie by die verwysingssamestelling ingesluit is nie, word deur hulle geopenbaar. Vir verskeie gewasse is pangenome geskep, wat die geskiedenis van plantmake en teling verlig.
Hul kombinasie met genetiese seleksie is nog net gedeeltelik effektief.
Telers kan 'n groter verskeidenheid genetiese merkers gebruik, voorspelling akkuraatheid verbeter en alle potensiële verbindings vaslê, deur pangenome in genomiese seleksie te kombineer.
Genomiese seleksie gebaseer op masjienleer
Tradisionele genomiese seleksiebenaderings het probleme om nie-additiewe effekte soos epistase, genomiese inprenting en genotipe-interaksies aan te spreek. Deur hierdie impakte te simuleer, bied masjienleerbenaderings lewensvatbare antwoorde.
Onlangse studies het masjienleermetodes in genomiese seleksie gebruik, met resultate wat wissel tussen datastelle en gewasse.
Masjienleer-algoritmes is in staat om ingewikkelde datavoorstellings te hanteer, soos gemengde fenotipes en interaksies tussen fenotipes of genotipes.
Masjienleeralgoritmes is byvoorbeeld gebruik om produksie- en vruggehaltekenmerke in poliploïede gewasse soos aarbeie en bloubessies te voorspel.
Alhoewel hierdie stelsels groot potensiaal het, is die verstaan van hul interpreteerbaarheid en die aanpassing van hiperparameters van kritieke belang vir effektiewe toepassing.
Verskillende metodes van masjienleer
In genomiese voorspellingstudies groei die gebruik van masjienleertegnieke. Hierdie tegnieke kan geskei word in maniere vir leer onder toesig en sonder toesig.
Metodes van leer onder toesig is veral nuttig aangesien hulle patrone in gemerkte data en verwag uitkomste.
Terwyl verskeie studies die voorspellingseffektiwiteit van spesifieke masjienleerbenaderings ondersoek het, ontbreek navorsing wat verskillende stelle metodes vergelyk.
Dit is van kritieke belang om te verstaan watter groeperings metodes beter presteer en om hul voordele en nadele in vergelyking met konvensionele maniere op te weeg.
Belowende genomiese voorspellingsmetodes
Lineêre gemengde modelle
In genomiese voorspelling het konvensionele lineêre gemengde modelle bewys dat dit betroubaar en bruikbaar is. Om rekening te hou met genetiese variasie in die bevolking, integreer hierdie modelle beide vaste en ewekansige effekte.
Hierdie algoritmes kan genomiese teelwaardes akkuraat voorspel deur individuele verwantskap in ag te neem.
As gevolg van hul mededingende voorspellende prestasie, berekeningsdoeltreffendheid en eenvoud, word lineêre gemengde modelle wyd in plant- en diereteling gebruik. Hulle benodig minder instelparameters as ander benaderings, wat hulle geskik maak vir genomiese seleksie.
Gereguleerde regressie
Vir genoomvoorspelling is gereguleerde regressiemetodes soos LASSO (Least Absolute Shrinkage and Selection Operator) en rifregressie effektiewe hulpmiddels.
Hierdie tegnieke maak veranderlike seleksie en regularisering moontlik deur 'n strafterm by die konvensionele regressiemodel te voeg.
Hierdie metodes hanteer hoë-dimensionele data doeltreffend en verbeter voorspelling akkuraatheid deur minder beduidende merkers na nul te verminder.
Gereguleerde regressietegnieke is aantreklike keuses vir genomiese seleksie in beide plant- en diereteelstudies omdat dit 'n kompromie tussen eenvoud en doeltreffendheid tref.
Willekeurige woude
'n Ensemble-leertegniek genaamd ewekansige woude maak voorspellings deur besluitnemingsbome te gebruik. Ewekansige woude kan gebruik word om hoë-dimensionele genomiese data in die konteks van genomiese voorspelling te assesseer.
Met hierdie metode word 'n groot aantal besluitebome gebou, elkeen opgelei op 'n ewekansige subset van merkers, en hul voorspellings word gekombineer om 'n enkele voorspelling te produseer.
Willekeurige woude is 'n nuttige hulpmiddel vir genomiese seleksie omdat hulle ingewikkelde interaksies en nie-lineêre korrelasies tussen eienskappe en merkers kan identifiseer.
Willekeurige woude is ook bestand teen uitskieters en kan ontbrekende data akkommodeer, wat hul waarde vir genomiese voorspelling verhoog.
ANN'e (kunsmatige neurale netwerke)
Kunsmatige neurale netwerke, wat soms na verwys word as ANN'e of neurale netwerke, is berekeningsmodelle wat inspirasie put uit die neurale argitektuur van die menslike brein.
As gevolg van hul vermoë om ingewikkelde patrone en verwantskappe in data te herken, het ANN's al hoe meer algemeen geword in genetiese voorspelling.
ANN'e kan nie-lineêre interaksies tussen merkers en kenmerke opneem as gevolg van hul multilaagargitektuur en onderling gekoppelde nodusse (neurone). Hierdie netwerke benodig deeglike opleiding met behulp van groot datastelle en streng hiperparameter aanpassing.
Deur komplekse genetiese skakels te openbaar en verborge patrone in genomiese data te identifiseer, het ANN's die potensiaal om die akkuraatheid van genomiese voorspelling te verhoog.
Teiken eienskappe en belangrikheid van data
Studies toon dat die spesifieke data en teikenkenmerke wat geëvalueer word 'n impak het op die voorspellingsprestasie en berekeningskoste van masjienleerbenaderings.
Soos waargeneem kan word, kan die toevoeging van kompleksiteit tot tradisionele gereguleerde benaderings lei tot groot rekenaarkoste sonder om noodwendig voorspelling akkuraatheid te verhoog.
Berekeningsdoeltreffendheidsbeleggings
Gegewe die afhanklikheid van teikendatastelle en kenmerke vir voorspellende werkverrigting en berekeningslas, is dit van kritieke belang om te belê in die verbetering van die berekeningsdoeltreffendheid van masjienleeralgoritmes en rekenaarhulpbronne.
Dit sal help om die akkuraatheid en doeltreffendheid van genomiese seleksie te verbeter.
Gevolgtrekking – Wat hou die toekoms in?
Masjienleer in genomiese seleksie blyk 'n blink toekoms te hê. Masjienleertegnieke het die potensiaal om genetiese voorspelling heeltemal te verander namate tegnologie ontwikkel en rekenaarhulpbronne meer algemeen beskikbaar word.
Hierdie metodes maak voorsiening vir die hantering van hoë-dimensionele genomiese data, die ontdekking van ingewikkelde patrone en 'n toename in voorspelling akkuraatheid.
Deur 'n vinniger en meer akkurate seleksie van individue met gewenste kenmerke te fasiliteer, hou die kombinasie van masjienleeralgoritmes met genomiese seleksie die moontlikheid in om teelprogramme te verbeter.
Om hierdie tegnieke te verbeter, rekenaarkwessies te hanteer en die toepassing daarvan op verskillende plant- en dierspesies te ondersoek, is meer studie nodig.
Ons verwag dat masjienleer al hoe belangriker sal word in genomiese seleksie soos tegnologie ontwikkel, die tempo van genetiese vordering versnel en die landbousektor bystaan.
Lewer Kommentaar