Ժամանակակից գենետիկան մշակել է հզոր մեթոդ, որը կոչվում է գենոմային ընտրություն, որն օգտագործում է բույսերի և կենդանիների գենոմներում պարունակվող տվյալները՝ բուծումը բարելավելու համար:
Գենոմային ընտրությունը հնարավորություն է տալիս կանխատեսել անհատի գենետիկական ներուժը ցանկալի որակների համար, ինչպիսիք են հիվանդությունների դիմադրությունը, բերքատվությունը կամ որակը, ուսումնասիրելով ԴՆԹ-ի հաջորդականության տարբերությունները անհատների միջև:
Այս գենետիկ տվյալները օգնում են ավելի լավ տեղեկացված որոշումներ կայացնել, արագացնել ընտրության գործընթացը և ստեղծել բուծման ծրագրեր, որոնք ավելի արդյունավետ և արդյունավետ են:
Գենետիկայի այս հետաքրքիր ոլորտում, Machine Learning ստեղծել է հրաշքներ և ընդլայնել դաշտը: Եկեք խորանանք և սովորենք մեքենայական ուսուցման մասին գենոմային ընտրության մեջ:
Ի՞նչ է կոնկրետ գենոմային ընտրությունը:
Գենոմային ընտրությունը տեխնիկա է, որն օգտագործվում է կենդանիների և բույսերի բուծման մեջ՝ կանխատեսելու անհատի աշխատանքը՝ հիմնվելով նրանց գենետիկական կառուցվածքի վրա:
Այն ներառում է մարդկանց ԴՆԹ-ի ուսումնասիրություն՝ ցանկալի հատկանիշների հետ կապված որոշակի մարկերներ գտնելու համար:
Հետազոտողները կարող են որոշել մարդու գենետիկական ներուժը այնպիսի հատկանիշների համար, ինչպիսիք են հիվանդությունների դիմադրությունը, բերքատվությունը կամ որակը՝ վերլուծելով այս մարկերները ողջ գենոմում:
Սելեկցիոներները կարող են ավելի ճշգրիտ կանխատեսել սերունդների կատարումը գենոմային ընտրության շնորհիվ՝ առանց ժամանակատար և թանկ ֆենոտիպային գնահատումների անհրաժեշտության:
Սելեկցիոներներին հնարավորություն տալով ընտրել բուծման ծրագրերի համար լավագույն գենետիկ ներուժ ունեցող անհատներին՝ այս մեթոդն օգնում է արագացնել բուծման գործընթացը՝ հնարավորություն տալով ավելի արդյունավետ և կենտրոնացված կատարելագործել ցանկալի հատկանիշները բույսերի և կենդանիների պոպուլյացիաներում:
Բույսերի բուծում գենոմային սելեկցիայի միջոցով
Բուսաբուծությունը հեղափոխության է ենթարկվել գենոմային սելեկցիայի շնորհիվ, որն արագացրել է գործընթացը և մեծացրել մշակաբույսերի բերքատվությունը:
Սակայն կլիմայի փոփոխության հետևանքով առաջացած առաջիկա խնդիրները լուծելու համար անհրաժեշտ է ավելի շատ զարգացում:
Դա լուծելու համար հետազոտողները օգտագործում են պանգենոմներ և գենոմային ընտրության մեքենայական ուսուցման ժամանակակից մոտեցումներ:
Տեսակի ամբողջ գենոմային նյութը, որը նաև հայտնի է որպես պանգենոմ, թույլ է տալիս մանրակրկիտ ըմբռնել գենետիկ տատանումները:
Մենք կարող ենք ճանապարհ բացել մշակաբույսերի բարելավման համար և մեղմել կլիմայի փոփոխության վնասակար ազդեցությունը գյուղատնտեսության վրա՝ դիտարկելով բերքի բուծման օրինակները, հասկանալով մեքենայական ուսուցման սահմանափակումները և ընդգծելով այս տեխնիկայի խոստումը:
Բույսերի պանգենոմներ. գենոմային բազմազանության բացահայտում
Ավանդաբար, գենոմի միանվագ հավաքները եղել են գենոմի ընտրության առաջնային ուշադրությունը, սակայն պանգենոմներն այժմ ավելի տարածված են դառնում: Բույսերի պանգենոմները, այլ ոչ թե առանձին գենոմային հավաքույթները, արտացոլում են տեսակի կամ ընտանիքի գենետիկական նյութը:
Նրանց կողմից բացահայտվում են գեների զգալի տարբերակները, ներառյալ նրանք, որոնք ներառված չեն տեղեկատու ժողովում: Մի քանի մշակաբույսերի համար ստեղծվել են պանգենոմներ, որոնք լուսավորում են բույսերի ընտելացման և բուծման պատմությունը:
Նրանց համադրությունը գենետիկ ընտրության հետ դեռ միայն մասամբ է արդյունավետ:
Սելեկցիոներները կարող են օգտագործել գենետիկական մարկերների ավելի լայն տեսականի՝ բարելավելով կանխատեսման ճշգրտությունը և ֆիքսելով բոլոր հնարավոր կապերը՝ համակցելով պանգենոմները գենոմային ընտրության մեջ:
Գենոմի ընտրություն՝ հիմնված մեքենայական ուսուցման վրա
Գենոմային ընտրության ավանդական մոտեցումները դժվարություններ ունեն ոչ հավելումային էֆեկտների լուծման հարցում, ինչպիսիք են էպիստազը, գենոմային դրոշմումը և գենոտիպային փոխազդեցությունները: Այս ազդեցությունները մոդելավորելով՝ մեքենայական ուսուցման մոտեցումները տալիս են կենսունակ պատասխաններ:
Վերջին ուսումնասիրությունները գենոմային ընտրության մեջ օգտագործել են մեքենայական ուսուցման մեթոդներ, որոնց արդյունքները տատանվում են տվյալների հավաքածուների և մշակաբույսերի միջև:
Մեքենայական ուսուցման ալգորիթմներ կարող են մշակել բարդ տվյալների ներկայացում, ինչպիսիք են խառը ֆենոտիպերը և ֆենոտիպերի կամ գենոտիպերի փոխազդեցությունները:
Օրինակ, մեքենայական ուսուցման ալգորիթմներն օգտագործվել են պոլիպլոիդ մշակաբույսերի արտադրության և մրգի որակի առանձնահատկությունները կանխատեսելու համար, ինչպիսիք են ելակը և հապալասը:
Թեև այս համակարգերը մեծ ներուժ ունեն, դրանց մեկնաբանելիությունը և հիպերպարամետրերի ճշգրտումը կարևոր են արդյունավետ կիրառման համար:
Մեքենայի ուսուցման տարբեր մեթոդներ
Գենոմային կանխատեսման ուսումնասիրություններում մեքենայական ուսուցման տեխնիկայի օգտագործումը գնալով աճում է: Այս տեխնիկան կարելի է բաժանել վերահսկվող և չվերահսկվող ուսուցման եղանակների:
Վերահսկվող ուսուցման մեթոդները հատկապես օգտակար են, քանի որ դրանք կարող են օրինաչափություններ հայտնաբերել պիտակավորված տվյալներ և կանխատեսել արդյունքները:
Թեև տարբեր ուսումնասիրություններ ուսումնասիրել են մեքենայական ուսուցման հատուկ մոտեցումների կանխատեսման արդյունավետությունը, մեթոդների բազմազան խմբերը համեմատող հետազոտությունները բացակայում են:
Կարևոր է հասկանալ, թե մեթոդների որ խմբերն են ավելի լավ գործում և կշռել դրանց առավելություններն ու թերությունները` համեմատած սովորական մեթոդների հետ:
Գենոմային կանխատեսման խոստումնալից մեթոդներ
Գծային խառը մոդելներ
Գենոմային կանխատեսման մեջ սովորական գծային խառը մոդելներն ապացուցել են, որ վստահելի և օգտակար են: Պոպուլյացիայի մեջ գենետիկական տատանումները հաշվի առնելու համար այս մոդելները ինտեգրում են ինչպես ֆիքսված, այնպես էլ պատահական ազդեցությունները:
Այս ալգորիթմները կարող են ճշգրիտ կանխատեսել գենոմային բուծման արժեքները՝ հաշվի առնելով անհատական կապը:
Իրենց մրցակցային կանխատեսման, հաշվողական արդյունավետության և պարզության պատճառով գծային խառը մոդելները լայնորեն օգտագործվում են բույսերի և կենդանիների բուծման մեջ: Նրանք պահանջում են ավելի քիչ թյունինգային պարամետրեր, քան մյուս մոտեցումները, ինչը նրանց հարմար է դարձնում գենոմային ընտրության համար:
Կանոնավորվող ռեգրեսիա
Գենոմի կանխատեսման համար կանոնավոր ռեգրեսիայի մեթոդները, ինչպիսիք են LASSO-ն (Նվազագույն բացարձակ նեղացում և ընտրության օպերատոր) և գագաթային ռեգրեսիան, արդյունավետ գործիքներ են:
Այս տեխնիկան հնարավորություն է տալիս փոփոխականների ընտրություն և կանոնակարգում` ավանդական ռեգրեսիոն մոդելին տուգանքի տերմին ավելացնելով:
Այս մեթոդները արդյունավետ կերպով մշակում են բարձրաչափ տվյալները և բարձրացնում կանխատեսման ճշգրտությունը՝ նվազեցնելով պակաս նշանակալի մարկերները դեպի զրոյի:
Կանոնավորվող ռեգրեսիայի տեխնիկան գրավիչ ընտրություն է գենոմային ընտրության համար և՛ բույսերի, և՛ կենդանիների բուծման ուսումնասիրություններում, քանի որ դրանք փոխզիջում են անում պարզության և արդյունավետության միջև:
Պատահական անտառներ
Անսամբլային ուսուցման տեխնիկան, որը կոչվում է պատահական անտառներ, կանխատեսումներ է անում՝ օգտագործելով որոշումների ծառերը: Պատահական անտառները կարող են օգտագործվել՝ գենոմային կանխատեսման համատեքստում բարձր ծավալային գենոմային տվյալները գնահատելու համար:
Այս մեթոդով կառուցվում են մեծ թվով որոշման ծառեր, որոնցից յուրաքանչյուրը վերապատրաստվում է մարկերների պատահական ենթաբազմության վրա, և դրանց կանխատեսումները համակցվում են մեկ կանխատեսում ստանալու համար:
Պատահական անտառները օգտակար գործիք են գենոմային ընտրության համար, քանի որ նրանք կարող են բացահայտել բարդ փոխազդեցությունները և ոչ գծային կապերը բնութագրերի և մարկերների միջև:
Պատահական անտառները նույնպես դիմացկուն են ծայրամասերի նկատմամբ և կարող են տեղավորել բացակայող տվյալներ, ինչը մեծացնում է դրանց արժեքը գենոմի կանխատեսման համար:
ANN (արհեստական նեյրոնային ցանցեր)
Արհեստական նյարդային ցանցեր, որոնք երբեմն կոչվում են ANN կամ նեյրոնային ցանցեր, հաշվողական մոդելներ են, որոնք ոգեշնչում են մարդու ուղեղի նեյրոնային ճարտարապետությունից:
Տվյալների մեջ բարդ օրինաչափություններ և փոխհարաբերություններ ճանաչելու իրենց կարողության շնորհիվ ANN-ներն ավելի ու ավելի տարածված են դառնում գենետիկական կանխատեսման մեջ:
ANN-ները կարող են գրանցել ոչ գծային փոխազդեցություններ մարկերների և ատրիբուտների միջև՝ իրենց բազմաշերտ ճարտարապետության և փոխկապակցված հանգույցների (նեյրոնների) պատճառով: Այս ցանցերը մանրակրկիտ վերապատրաստման կարիք ունեն՝ օգտագործելով տվյալների հսկայական հավաքածուներ և խիստ հիպերպարամետրերի ճշգրտում:
Բացահայտելով բարդ գենետիկական կապերը և բացահայտելով գենոմային տվյալների թաքնված օրինաչափությունները՝ ANN-ները պոտենցիալ ունեն բարձրացնելու գենոմի կանխատեսման ճշգրտությունը:
Թիրախային հատկանիշները և տվյալների կարևորությունը
Ուսումնասիրությունները ցույց են տալիս, որ գնահատվող տվյալներն ու թիրախային ատրիբուտները ազդում են մեքենայական ուսուցման մոտեցումների կանխատեսման կատարողականի և հաշվողական ծախսերի վրա:
Ինչպես երևում է, ավանդական կանոնակարգված մոտեցումներին բարդություն ավելացնելը կարող է հանգեցնել մեծ հաշվողական ծախսերի՝ առանց կանխատեսման ճշգրտության բարձրացման:
Հաշվարկային արդյունավետության ներդրումներ
Հաշվի առնելով կանխատեսելի կատարողականի և հաշվողական ծանրաբեռնվածության նպատակային տվյալների հավաքածուների և ատրիբուտների կախվածությունը, կարևոր է ներդրումներ կատարել մեքենայական ուսուցման ալգորիթմների և հաշվողական ռեսուրսների հաշվողական արդյունավետության բարելավման համար:
Սա կօգնի բարելավել գենոմային ընտրության ճշգրտությունն ու արդյունավետությունը:
Եզրակացություն – Ի՞նչ է սպասվում ապագան:
Գենոմային ընտրության մեջ մեքենայական ուսուցումը, կարծես, պայծառ ապագա ունի: Մեքենայական ուսուցման տեխնիկան կարող է ամբողջությամբ փոխել գենետիկական կանխատեսումները, քանի որ տեխնոլոգիան զարգանում է և համակարգչային ռեսուրսները դառնում են ավելի լայնորեն հասանելի:
Այս մեթոդները թույլ են տալիս մշակել գենոմային բարձր չափերի տվյալները, հայտնաբերել բարդ օրինաչափություններ և բարձրացնել կանխատեսման ճշգրտությունը:
Հեշտացնելով ցանկալի հատկանիշներով անհատների ավելի արագ և ճշգրիտ ընտրությունը, մեքենայական ուսուցման ալգորիթմների համադրությունը գենոմային ընտրության հետ հնարավորություն է տալիս բարելավել բուծման ծրագրերը:
Այս տեխնիկան բարելավելու, հաշվողական խնդիրներով զբաղվելու և բույսերի և կենդանիների տարբեր տեսակների նկատմամբ դրանց կիրառումը ուսումնասիրելու համար ավելի շատ ուսումնասիրություն է պահանջվում:
Մենք ակնկալում ենք, որ մեքենայական ուսուցումը գնալով ավելի կարևոր կդառնա գենոմի ընտրության հարցում, քանի որ տեխնոլոգիան զարգանում է, արագացնելով գենետիկական առաջընթացի տեմպերը և աջակցելով գյուղատնտեսության ոլորտին:
Թողնել գրառում