A modern genetika kifejlesztett egy hatékony módszert, az úgynevezett genomi szelekciót, amely a növények és állatok genomjában található adatokat használja fel a tenyésztés javítására.
A genomi szelekció lehetővé teszi az egyed genetikai potenciáljának előrejelzését a kívánt tulajdonságok, például a betegségekkel szembeni rezisztencia, hozam vagy minőség tekintetében, az egyedek közötti DNS-szekvencia-különbségek vizsgálatával.
Ezek a genetikai adatok segítenek megalapozottabb döntéseket hozni, felgyorsítani a szelekciós folyamatot, hatékonyabb és eredményesebb tenyésztési programokat készíteni.
A genetika ezen az érdekes területén gépi tanulás csodákat teremtett és javította a mezőnyt. Nézzük meg, és ismerkedjünk meg a gépi tanulással a genomiális szelekcióban.
Mi is pontosan a genomi szelekció?
A genomi szelekció egy olyan technika, amelyet az állat- és növénynemesítésben használnak az egyed teljesítményének előrejelzésére genetikai felépítésük alapján.
Ez magában foglalja az emberek DNS-ét, hogy megtalálják a kívánt jellemzőkkel kapcsolatos markereket.
A kutatók meghatározhatják egy személy genetikai potenciálját olyan tulajdonságok tekintetében, mint a betegségekkel szembeni rezisztencia, a hozam vagy a minőség, ha ezeket a markereket a teljes genomban elemezték.
A tenyésztők a genomikus szelekciónak köszönhetően pontosabban előre jelezhetik az utódok teljesítményét anélkül, hogy időigényes és költséges fenotípusos felmérésekre lenne szükségük.
Azáltal, hogy lehetővé teszi a tenyésztők számára, hogy a legjobb genetikai potenciállal rendelkező egyedeket válasszák ki a tenyésztési programokba, ez a módszer elősegíti a tenyésztési folyamat felgyorsítását, lehetővé téve a kívánt tulajdonságok hatékonyabb és célzottabb fokozását a növény- és állatpopulációkban.
Növénynemesítés genomikus szelekción keresztül
A növénynemesítés forradalomon ment keresztül a genomikus szelekciónak köszönhetően, amely felgyorsította a folyamatot és növelte a terméshozamot.
Az éghajlatváltozás okozta közelgő problémák megoldásához azonban további fejlesztésre van szükség.
Ennek megoldására a kutatók pangenomokat és élvonalbeli gépi tanulási megközelítéseket alkalmaznak a genomi szelekcióban.
Egy faj teljes genomiális anyaga, más néven pangenom, lehetővé teszi a genetikai változatosság alapos megértését.
Megnyithatjuk az utat a termésjavítás előtt, és mérsékelhetjük az éghajlatváltozás mezőgazdaságra gyakorolt káros hatásait, ha a növénynemesítésből származó példákat nézünk, megértjük a gépi tanulás korlátait, és rávilágítunk e technikák ígéretére.
Növények Pangenómái: A genomi sokféleség feltárása
Hagyományosan az egy-referencia genom-szerelvények képezték a genomi szelekció elsődleges fókuszát, de manapság a pangenomok egyre elterjedtebbek. A növényi pangenomok, nem pedig az egyes genomkészletek, egy faj vagy család genetikai anyagát tükrözik.
Jelentős génváltozatokat tárnak fel, beleértve azokat is, amelyek nem szerepelnek a referencia-összeállításban. Számos növény számára hoztak létre pangenomokat, amelyek megvilágítják a növények háziasításának és nemesítésének történetét.
A genetikai szelekcióval való kombinációjuk még csak részben hatásos.
A tenyésztők a genetikai markerek szélesebb választékát használhatják, javítva az előrejelzés pontosságát és megragadhatják az összes lehetséges kapcsolatot, ha a pangenomokat genomiális szelekcióba kombinálják.
Genomikus szelekció gépi tanulás alapján
A hagyományos genomiális szelekciós megközelítések nehézségekbe ütköznek a nem additív hatások, például az episztázis, a genomi lenyomat és a genotípus kölcsönhatások kezelésében. E hatások szimulálásával a gépi tanulási megközelítések életképes válaszokat adnak.
A legújabb tanulmányok gépi tanulási módszereket alkalmaztak a genomikus szelekcióban, az eredmények az adatkészletek és a termények között mozognak.
Gépi tanulási algoritmusok képesek bonyolult adatreprezentációk kezelésére, mint például kevert fenotípusok és fenotípusok vagy genotípusok közötti kölcsönhatások.
Például gépi tanulási algoritmusokat használtak a termelés és a gyümölcs minőségi jellemzőinek előrejelzésére poliploid növényekben, például eperben és áfonyában.
Bár ezekben a rendszerekben nagy lehetőségek rejlenek, értelmezhetőségük megértése és a hiperparaméterek beállítása kritikus fontosságú a hatékony alkalmazáshoz.
A gépi tanulás különböző módszerei
A genomikai előrejelzési vizsgálatokban a gépi tanulási technikák használata növekszik. Ezek a technikák felügyelt és felügyelet nélküli tanulási módokra oszthatók.
A felügyelt tanulás módszerei különösen hasznosak, mivel képesek felfedezni a mintákat címkézett adatok és előre látja az eredményeket.
Míg különböző tanulmányok bizonyos gépi tanulási megközelítések előrejelzési hatékonyságát vizsgálták, hiányzik a különböző módszereket összehasonlító kutatás.
Nagyon fontos megérteni, hogy a módszerek mely csoportjai teljesítenek jobban, és mérlegelni kell előnyeiket és hátrányaikat a hagyományos módszerekkel összehasonlítva.
Ígéretes genomikus előrejelzési módszerek
Lineáris vegyes modellek
A genomikai előrejelzésben a hagyományos lineáris vegyes modellek megbízhatónak és hasznosnak bizonyultak. A populáció genetikai variációinak figyelembevétele érdekében ezek a modellek mind rögzített, mind véletlenszerű hatásokat integrálnak.
Ezek az algoritmusok pontosan megjósolhatják a genomi tenyésztési értékeket az egyéni rokonság figyelembevételével.
Versenyképes prediktív teljesítményük, számítási hatékonyságuk és egyszerűségük miatt a lineáris vegyes modelleket széles körben alkalmazzák a növény- és állattenyésztésben. Kevesebb hangolási paramétert igényelnek, mint más megközelítések, így alkalmasak genomi szelekcióra.
Regularizált regresszió
A genom előrejelzéséhez a szabályos regressziós módszerek, mint például a LASSO (Least Absolute Shrinkage and Selection Operator) és a gerincregresszió hatékony eszközök.
Ezek a technikák lehetővé teszik a változók kiválasztását és szabályozását azáltal, hogy büntetőtagot adnak a hagyományos regressziós modellhez.
Ezek a módszerek hatékonyan kezelik a nagy dimenziós adatokat, és javítják az előrejelzési pontosságot azáltal, hogy a kevésbé jelentős markereket nullára csökkentik.
A szabályos regressziós technikák vonzó választások a genomi szelekcióhoz mind a növény-, mind az állattenyésztési vizsgálatokban, mivel kompromisszumot kötnek az egyszerűség és a hatékonyság között.
Véletlen erdők
A véletlenszerű erdőknek nevezett együttes tanulási technika döntési fák segítségével készít előrejelzéseket. A véletlenszerű erdők felhasználhatók nagydimenziós genomi adatok értékelésére a genomi előrejelzés összefüggésében.
Ezzel a módszerrel nagyszámú döntési fát építenek fel, amelyek mindegyike a markerek véletlenszerű részhalmazára van kiképezve, és előrejelzéseiket kombinálják, hogy egyetlen előrejelzést készítsenek.
A véletlenszerű erdők hasznos eszközei a genomi szelekciónak, mivel képesek azonosítani a bonyolult kölcsönhatásokat és nemlineáris korrelációkat a jellemzők és a markerek között.
A véletlenszerű erdők a kiugró értékekkel szemben is ellenállóak, és képesek befogadni a hiányzó adatokat, ami növeli értéküket a genomi előrejelzésben.
ANN-ok (mesterséges neurális hálózatok)
Mesterséges neurális hálózatokANN-okként vagy neurális hálózatokként emlegetett olyan számítási modellek, amelyek az emberi agy neurális architektúrájából merítenek ihletet.
Az adatok bonyolult mintázatainak és összefüggéseinek felismerésére való képességük miatt az ANN-ok egyre gyakoribbak a genetikai előrejelzésben.
Az ANN-ok nemlineáris kölcsönhatásokat rögzíthetnek a markerek és az attribútumok között a többrétegű architektúra és az összekapcsolt csomópontok (neuronok) miatt. Ezeknek a hálózatoknak alapos képzésre van szükségük hatalmas adatkészletek és szigorú hiperparaméter-beállítások használatával.
A komplex genetikai kapcsolatok feltárásával és a genomikai adatok rejtett mintáinak azonosításával az ANN-ok növelhetik a genomi előrejelzés pontosságát.
Az adatok céljellemzői és fontossága
A tanulmányok azt mutatják, hogy az értékelt konkrét adatok és célattribútumok hatással vannak a gépi tanulási megközelítések előrejelzési teljesítményére és számítási költségeire.
Amint megfigyelhető, a hagyományos szabályos megközelítések összetettebbé tétele nagy számítási költségeket eredményezhet anélkül, hogy szükségszerűen növelné az előrejelzési pontosságot.
Számítási hatékonyságot növelő beruházások
Tekintettel arra, hogy a prediktív teljesítmény és számítási terhelés a céladatkészletekre és -attribútumokra támaszkodik, kulcsfontosságú a gépi tanulási algoritmusok és a számítási erőforrások számítási hatékonyságának javításába való befektetés.
Ez javítaná a genomiális szelekció pontosságát és hatékonyságát.
Következtetés – mit hoz a jövő?
Úgy tűnik, hogy a genomi szelekcióban a gépi tanulás fényes jövő előtt áll. A gépi tanulási technikák képesek teljesen megváltoztatni a genetikai előrejelzést, ahogy a technológia fejlődik és a számítógépes erőforrások szélesebb körben elérhetővé válnak.
Ezek a módszerek lehetővé teszik a nagy dimenziójú genomikai adatok kezelését, bonyolult minták felfedezését és az előrejelzési pontosság növelését.
A kívánt tulajdonságokkal rendelkező egyedek gyorsabb és pontosabb szelekciójának elősegítésével a gépi tanulási algoritmusok genomikus szelekcióval való kombinációja lehetőséget ad a tenyésztési programok javítására.
Ezeknek a technikáknak a javításához, a számítási problémák kezeléséhez és a különböző növény- és állatfajokra való alkalmazásuk vizsgálatához további tanulmányokra van szükség.
Arra számítunk, hogy a technológia fejlődésével a gépi tanulás egyre fontosabbá válik a genomi szelekcióban, felgyorsítva a genetikai fejlődés ütemét és segítve a mezőgazdasági ágazatot.
Hagy egy Válaszol