A genetica muderna hà sviluppatu un metudu putente chjamatu selezzione genomica chì usa i dati cuntenuti in i genomi di e piante è di l'animali per migliurà a ripruduzzione.
A selezzione genomica permette a prediczione di u putenziale geneticu di un individuu per e qualità desiderate, cum'è a resistenza à e malatie, u rendiment, o a qualità, esaminendu e differenze di sequenza di DNA trà individui.
Queste dati genetichi aiutanu à piglià decisioni megliu infurmati, accelerà u prucessu di selezzione, è creanu prugrammi di ripruduzzione chì sò più efficaci è fruttu.
In questa zona interessante di a genetica, machine learning hà fattu meraviglie è rinfurzà u campu. Andemu è amparà nantu à l'apprendimentu automaticu in a selezzione genomica.
Cosa hè esattamente a Selezzione Genomica?
A selezzione genomica hè una tecnica aduprata in l'allevamentu di l'animali è di e piante per previsione u rendimentu di un individuu basatu annantu à a so cumpusizioni genetica.
Implica guardà l'ADN di e persone per truvà marcatori particulari cunnessi à e caratteristiche desiderate.
I ricercatori ponu determinà u putenziale geneticu di una persona per caratteristiche cum'è a resistenza à e malatie, u rendiment, o a qualità analizendu questi marcatori in tuttu u genoma.
L'allevatori ponu previsione a prestazione di a prole cù più precisione grazia à a selezzione genomica senza a necessità di valutazioni fenotipiche di tempu è caru.
Permettendu à l'allevatori di sceglie individui cù u megliu potenziale geneticu per i prugrammi di ripruduzzione, stu metudu aiuta à l'accelerazione di u prucessu di ripruduzzione permettendu un rinfurzà più efficace è focalizatu di e caratteristiche desiderate in e pupulazioni vegetali è animali.
A ripruduzzione di e piante per via di a selezzione genomica
A ripruduzzione di e piante hà sappiutu una rivoluzione grazia à a selezzione genomica, chì hà acceleratu u prucessu è hà aumentatu a pruduzzioni di culturi.
Ma per affruntà i prublemi chì venenu purtati da u cambiamentu climaticu, hè necessariu più sviluppu.
Per risolve questu, i circadori utilizanu pangenomi è approcci di l'apprendimentu automaticu di punta in a selezzione genomica.
Tuttu u materiale genomicu di una spezia, cunnisciutu ancu u pangenoma, permette una comprensione cumpleta di a variazione genetica.
Pudemu apre u caminu per a migliione di i culturi è mitigà l'effetti preghjudizii di u cambiamentu climaticu nantu à l'agricultura fighjendu esempi da l'allevamentu di i culturi, cumprendendu e limitazioni di l'apprendimentu machine, è mette in risaltu a prumessa di sti tecniche.
Pangenomi di e piante: Reveling Genomic Diversity
Tradizionalmente, l'assemblee di genomu di riferimentu unicu sò stati u focu primariu di a selezzione genomica, ma i pangenomi sò diventati più prevalenti. I pangenomi di a pianta, piuttostu cà l'assemblee di genoma individuale, riflettenu u materiale geneticu di una spezia o famiglia.
Varianti di genu significativu, cumpresi quelli chì ùn sò micca inclusi in l'assemblea di riferimentu, sò revelati da elli. Per parechji culturi, i pangenomi sò stati creati, illuminendu a storia di a domesticazione è a ripruduzzione di e piante.
A so cumminazzioni cù a selezzione genetica hè ancu parzialmente efficace.
L'allevatori ponu utilizà una varietà più larga di marcatori genetichi, migliurà a precisione di prediczione è catturà tutte e cunnessione potenziale, cumminendu pangenomi in a selezzione genomica.
Selezzione Genomica Basata in Machine Learning
L'approcciu di selezzione genomica tradiziunale anu difficultà à affruntà l'effetti non additivi cum'è l'epistasi, l'imprinting genomicu è l'interazzioni di genotipu. Simulendu questi impatti, l'approcciu di l'apprendimentu automaticu furnisce risposte viabili.
Studi recenti anu utilizatu metudi di machine learning in a selezzione genomica, cù risultati chì varienu trà datasets è culturi.
Algoritmi di apprendimentu machine sò capaci di trattà e rapprisentazione di dati cumplicati, cum'è fenotipi misti è interazzione trà fenotipi o genotipi.
Per esempiu, l'algoritmi d'apprendimentu di machine sò stati utilizati per predichendu e caratteristiche di produzzione è di qualità di frutti in i culturi poliploidi cum'è fragole è blueberries.
Mentre chì questi sistemi anu un grande putenziale, capiscenu a so interpretabilità è aghjustà l'iperparametri sò critichi per una applicazione efficace.
Diversi metudi di Machine Learning
In i studii di prediczione genomica, l'usu di tecniche d'apprendimentu machine hè in crescita. Sti tecnichi ponu esse separati in modi per l'apprendimentu supervisatu è senza supervisione.
I metudi di apprendimentu supervisatu sò particularmente utili postu chì ponu scopre mudelli in dati etichettati è anticipà i risultati.
Mentre chì diversi studii anu esaminatu l'efficacità di predizione di approcci specifichi di apprendimentu di macchina, a ricerca chì paraguna diversi gruppi di metudi manca.
Hè criticu per capiscenu chì gruppi di metudi facenu megliu è ponderà i so benefici è i svantaghji in paragunà cù i modi cunvinziunali.
Metudi di Predizzione Genomica Promessa
Modelli lineari misti
In a prediczione genomica, i mudelli misti lineari cunvinziunali anu dimustratu chì sò affidabili è utili. Per cuntà a variazione genetica in a pupulazione, sti mudelli integranu effetti fissi è aleatorii.
Questi algoritmi ponu predice accuratamente i valori di ripruduzzione genomica tenendu in contu a relazione individuale.
A causa di a so prestazione predictiva competitiva, l'efficienza computazionale è a simplicità, i mudelli lineari misti sò largamente utilizati in a crescita di piante è animali. Hanu bisognu di menu parametri di sintonizazione cà l'altri approcci, facendu adattati per a selezzione genomica.
Regressione Regularized
Per a prediczione di u genoma, i metudi di regressione regularizati cum'è LASSO (Operatore di Scelta è Scelta Assoluta minima) è a regressione di ridge sò strumenti efficaci.
Queste tecniche permettenu a selezzione variabile è a regularizazione aghjunghjendu un termini di penalità à u mudellu di regressione convenzionale.
Questi metudi gestiscenu in modu efficiente e dati di alta dimensione è aumentanu a precisione di a previsione riducendu i marcatori menu significativi versu u zero.
I tecnichi di regressione regularizati sò scelte attrattivi per a selezzione genomica in i studii di ripruduzzione di piante è animali perchè facenu un cumprumissu trà simplicità è efficacità.
Foreste casuali
Una tecnica d'apprendimentu d'inseme chjamata fureste aleatorii face predizioni cù l'arburi di decisione. E fureste aleatorii ponu esse aduprate per valutà e dati genomici di grande dimensione in u cuntestu di a prediczione genomica.
Cù stu metudu, un gran numaru d'arburi di decisione sò custruiti, ognunu furmatu nantu à un subset aleatoriu di marcatori, è e so previsioni sò cumminati per pruduce una sola previsione.
I fureste casuali sò un strumentu utile per a selezzione genomica perchè ponu identificà interazzioni intricate è correlazioni non lineari trà e caratteristiche è i marcatori.
E fureste aleatorii sò ancu resistenti à i valori eccessivi è ponu accoglie dati mancanti, chì aumentanu u so valore per a prediczione genomica.
ANN (reti neurali artificiali)
Artificial Redes neuronali, qualchì volta chjamati ANNs o reti neurali, sò mudelli di computazione chì s'inspiranu da l'architettura neurale di u cervellu umanu.
A causa di a so capacità di ricunnosce mudelli intricati è relazioni in dati, l'ANN sò diventati più è più cumuni in a prediczione genetica.
L'ANN ponu registrà interazzioni non lineari trà marcatori è attributi per via di a so architettura multilayer è i nodi interconnessi (neuroni). Queste rete necessitanu una furmazione approfondita utilizendu vasti datasets è rigurosu aghjustamentu di iperparametri.
Revelendu ligami genetichi cumplessi è identificendu mudelli nascosti in dati genomici, l'ANN anu u putenziale di aumentà a precisione di a prediczione genomica.
Target Traits è Importanza di Dati
I studii mostranu chì i dati particulari è l'attributi di destinazione chì sò valutati anu un impattu nantu à u rendiment di previsione è i costi di computazione di l'approcciu di l'apprendimentu machine.
Comu pò esse osservatu, l'aghjunzione di cumplessità à l'approcci regularizzati tradiziunali pò risultà in grandi costi di l'informatica senza necessariamente aumentà a precisione di prediczione.
Investimenti in efficienza computazionale
Data a fiducia in i datasets di destinazione è l'attributi per a prestazione predittiva è a carica computazionale, hè criticu d'investisce in a migliurà l'efficienza computazionale di l'algoritmi di apprendimentu automaticu è e risorse di calculu.
Questu averebbe aiutà à migliurà a precisione è l'efficienza di a selezzione genomica.
Cunclusione - Chì riserva u futuru?
L'apprendimentu automaticu in a selezzione genomica pare avè un futuru brillanti. I tecnichi di l'apprendimentu di a macchina anu u putenziale di cambià cumplettamente a predizione genetica cum'è a tecnulugia si sviluppa è e risorse informatiche diventanu più largamente dispunibili.
Questi metudi permettenu a manipulazione di dati genomici d'alta dimensione, a scuperta di mudelli intricati, è un aumentu di a precisione di prediczione.
Facilitendu una selezzione più veloce è più precisa di l'individui cù e caratteristiche desiderate, a cumminazione di algoritmi di apprendimentu di machine cù a selezzione genomica tene a pussibilità di migliurà i prugrammi di ripruduzzione.
Per migliurà sti tecnichi, trattà cù prublemi di computazione, è investigà a so applicazione à e diverse spezie vegetali è animali, hè necessariu più studiu.
Aspittemu chì l'apprendimentu di a macchina diventerà sempre più impurtante in a selezzione genomica cum'è a tecnulugia si sviluppa, accelerà u ritmu di u prugressu geneticu è assiste à l'agricultura.
Lascia un Audiolibro