Moderna genetika razvila je moćnu metodu nazvanu genomska selekcija koja koristi podatke sadržane u genomima biljaka i životinja za poboljšanje uzgoja.
Genomski odabir omogućuje predviđanje genetskog potencijala pojedinca za željene kvalitete, kao što su otpornost na bolesti, prinos ili kvaliteta, ispitivanjem razlika u sekvencama DNK među pojedincima.
Ovi genetski podaci pomažu u donošenju odluka na temelju boljih informacija, ubrzavaju proces selekcije i stvaraju programe uzgoja koji su učinkovitiji i plodonosniji.
U ovom zanimljivom području genetike, stroj za učenje stvara čuda i poboljšava polje. Zaronimo u strojno učenje u genomskoj selekciji i naučimo o njemu.
Što je točno genomska selekcija?
Genomska selekcija je tehnika koja se koristi u uzgoju životinja i biljaka za predviđanje performansi jedinke na temelju njihove genetske strukture.
Uključuje promatranje DNK ljudi kako bi se pronašli određeni markeri povezani s poželjnim karakteristikama.
Istraživači mogu odrediti genetski potencijal osobe za značajke kao što su otpornost na bolesti, prinos ili kvaliteta analizom ovih markera u cijelom genomu.
Uzgajivači mogu točnije predvidjeti učinak potomaka zahvaljujući genomskoj selekciji bez potrebe za dugotrajnim i skupim fenotipskim procjenama.
Omogućujući uzgajivačima odabir jedinki s najboljim genetskim potencijalom za programe uzgoja, ova metoda pomaže u ubrzanju procesa uzgoja omogućavajući učinkovitije i usmjerenije poboljšanje željenih svojstava u biljnim i životinjskim populacijama.
Oplemenjivanje bilja genomskom selekcijom
Oplemenjivanje bilja doživjelo je revoluciju zahvaljujući genomskoj selekciji, koja je ubrzala proces i povećala prinose.
Ali za rješavanje nadolazećih problema koje donose klimatske promjene, potreban je veći razvoj.
Kako bi to riješili, istraživači koriste pangenome i najsuvremenije pristupe strojnog učenja u genomskoj selekciji.
Cijeli genomski materijal vrste, poznat i kao pangenom, omogućuje temeljito razumijevanje genetske varijacije.
Možemo otvoriti put poboljšanju usjeva i ublažiti štetne učinke klimatskih promjena na poljoprivredu gledajući primjere iz uzgoja usjeva, shvaćajući ograničenja strojnog učenja i ističući obećanja ovih tehnika.
Pangenomi biljaka: otkrivanje genomske raznolikosti
Tradicionalno, sklopovi genoma s jednom referencom bili su primarni fokus genomske selekcije, ali pangenomi sada postaju sve rašireniji. Pangenomi biljaka, a ne pojedinačni sklopovi genoma, odražavaju genetski materijal vrste ili obitelji.
Oni otkrivaju značajne varijante gena, uključujući one koji nisu uključeni u referentni sklop. Za nekoliko usjeva stvoreni su pangenomi koji rasvjetljuju povijest pripitomljavanja i uzgoja biljaka.
Njihova kombinacija s genetskom selekcijom samo je djelomično učinkovita.
Uzgajivači mogu koristiti veći izbor genetskih markera, poboljšavajući točnost predviđanja i hvatajući sve potencijalne veze, kombiniranjem pangenoma u genomsku selekciju.
Genomski odabir temeljen na strojnom učenju
Tradicionalni pristupi genomske selekcije imaju poteškoća u rješavanju neaditivnih učinaka kao što su epistaza, genomski otisak i interakcije genotipa. Simulirajući te utjecaje, pristupi strojnog učenja daju održive odgovore.
Nedavne studije koristile su metode strojnog učenja u genomskom odabiru, s rezultatima u rasponu između skupova podataka i usjeva.
Algoritmi strojnog učenja su sposobni rukovati kompliciranim prikazima podataka, kao što su mješoviti fenotipovi i interakcije između fenotipova ili genotipova.
Na primjer, algoritmi strojnog učenja korišteni su za predviđanje proizvodnje i karakteristika kvalitete plodova u poliploidnim usjevima kao što su jagode i borovnice.
Iako ovi sustavi imaju veliki potencijal, razumijevanje njihove interpretabilnosti i podešavanje hiperparametara ključni su za učinkovitu primjenu.
Različite metode strojnog učenja
U studijama genomskog predviđanja sve je veća upotreba tehnika strojnog učenja. Te se tehnike mogu podijeliti na načine za nadzirano i nenadzirano učenje.
Metode nadziranog učenja osobito su korisne jer mogu otkriti obrasce u označeni podaci i predvidjeti ishode.
Dok su razne studije ispitivale učinkovitost predviđanja specifičnih pristupa strojnog učenja, nedostaju istraživanja koja bi uspoređivala različite skupove metoda.
Ključno je razumjeti koje grupe metoda imaju bolju izvedbu i odvagnuti njihove prednosti i nedostatke u usporedbi s konvencionalnim načinima.
Obećavajuće metode genomskog predviđanja
Linearni mješoviti modeli
U genomskom predviđanju, konvencionalni linearni mješoviti modeli pokazali su se pouzdanima i korisnima. Kako bi se objasnile genetske varijacije u populaciji, ovi modeli integriraju i fiksne i nasumične učinke.
Ovi algoritmi mogu točno predvidjeti genomske uzgojne vrijednosti uzimajući u obzir individualnu povezanost.
Zbog svoje konkurentne prediktivne izvedbe, računalne učinkovitosti i jednostavnosti, linearni mješoviti modeli naširoko se koriste u uzgoju biljaka i životinja. Zahtijevaju manje parametara ugađanja nego drugi pristupi, što ih čini prikladnima za genomsku selekciju.
Regularizirana regresija
Za predviđanje genoma učinkoviti su alati regularizirane regresijske metode poput LASSO (operator najmanjeg apsolutnog skupljanja i odabira) i grebenske regresije.
Ove tehnike omogućuju odabir varijabli i regularizaciju dodavanjem kaznenog izraza konvencionalnom regresijskom modelu.
Ove metode učinkovito obrađuju visokodimenzionalne podatke i povećavaju točnost predviđanja smanjenjem manje značajnih oznaka prema nuli.
Tehnike regularizirane regresije privlačan su izbor za genomsku selekciju u studijama uzgoja biljaka i životinja jer postižu kompromis između jednostavnosti i učinkovitosti.
Slučajne šume
Tehnika skupnog učenja pod nazivom nasumične šume daje predviđanja pomoću stabala odlučivanja. Nasumične šume mogu se koristiti za procjenu visokodimenzionalnih genomskih podataka u kontekstu genomskog predviđanja.
Ovom se metodom gradi veliki broj stabala odlučivanja, od kojih je svako trenirano na nasumičnim podskupinama markera, a njihova se predviđanja kombiniraju kako bi se proizvela jedna prognoza.
Nasumične šume su koristan alat za genomsku selekciju jer mogu identificirati zamršene interakcije i nelinearne korelacije između karakteristika i markera.
Nasumične šume također su otporne na ekstremne vrijednosti i mogu prihvatiti podatke koji nedostaju, što povećava njihovu vrijednost za genomsko predviđanje.
ANN (umjetne neuronske mreže)
Umjetno neuronske mreže, koji se ponekad nazivaju ANN ili neuronske mreže, računalni su modeli koji crpe inspiraciju iz neuronske arhitekture ljudskog mozga.
Zbog svoje sposobnosti da prepoznaju zamršene obrasce i odnose u podacima, ANN-ovi postaju sve češći u genetskom predviđanju.
ANN-ovi mogu bilježiti nelinearne interakcije između markera i atributa zbog svoje višeslojne arhitekture i međusobno povezanih čvorova (neurona). Ove mreže trebaju temeljitu obuku koristeći goleme skupove podataka i rigoroznu prilagodbu hiperparametara.
Otkrivanjem složenih genetskih veza i identificiranjem skrivenih uzoraka u genomskim podacima, ANN-ovi imaju potencijal povećati točnost genomskog predviđanja.
Ciljane osobine i važnost podataka
Studije pokazuju da određeni podaci i ciljni atributi koji se procjenjuju imaju utjecaj na izvedbu predviđanja i računalne troškove pristupa strojnom učenju.
Kao što se može primijetiti, dodavanje složenosti tradicionalnim regulariziranim pristupima može rezultirati velikim računalnim troškovima bez nužnog povećanja preciznosti predviđanja.
Ulaganja u računalnu učinkovitost
S obzirom na oslanjanje na ciljne skupove podataka i atribute za prediktivnu izvedbu i računsko opterećenje, ključno je ulagati u poboljšanje računalne učinkovitosti algoritama strojnog učenja i računalnih resursa.
To bi pomoglo u poboljšanju preciznosti i učinkovitosti genomske selekcije.
Zaključak – Što nosi budućnost?
Čini se da strojno učenje u genomskoj selekciji ima svijetlu budućnost. Tehnike strojnog učenja imaju potencijal potpuno promijeniti genetsko predviđanje kako se tehnologija razvija i računalni resursi postaju dostupniji.
Ove metode omogućuju rukovanje visokodimenzionalnim genomskim podacima, otkrivanje zamršenih uzoraka i povećanje točnosti predviđanja.
Olakšavanjem bržeg i preciznijeg odabira jedinki sa željenim značajkama, kombinacija algoritama strojnog učenja s genomskom selekcijom pruža mogućnost poboljšanja programa uzgoja.
Za poboljšanje ovih tehnika, rješavanje računalnih problema i istraživanje njihove primjene na različite biljne i životinjske vrste potrebno je više studija.
Očekujemo da će strojno učenje postati sve važnije u genomskom odabiru kako se tehnologija razvija, ubrzavajući stopu genetskog napretka i pomažući poljoprivrednom sektoru.
Ostavi odgovor