Қазіргі заманғы генетика тұқымды жақсарту үшін өсімдіктер мен жануарлардың геномындағы деректерді пайдаланатын геномдық іріктеу деп аталатын қуатты әдісті жасады.
Геномдық іріктеу жеке адамдар арасындағы ДНҚ тізбегіндегі айырмашылықтарды зерттеу арқылы ауруға төзімділік, өнімділік немесе сапа сияқты қажетті қасиеттерге жеке адамның генетикалық әлеуетін болжауға мүмкіндік береді.
Бұл генетикалық деректер жақсырақ шешім қабылдауға, селекция процесін жылдамдатуға және тиімдірек және жемісті асыл тұқымды бағдарламаларды жасауға көмектеседі.
Генетиканың осы қызықты саласында машина оқыту ғажайыптар жасап, өрісті кеңейтуде. Геномдық таңдауда машиналық оқытуды зерттеп, білейік.
Геномдық іріктеу дегеніміз не?
Геномдық сұрыптау - жануарлар мен өсімдік шаруашылығында олардың генетикалық құрылымы негізінде адамның өнімділігін болжау үшін қолданылатын әдіс.
Бұл қажетті сипаттамаларға байланысты белгілі бір маркерлерді табу үшін адамдардың ДНҚ-сын қарауды қамтиды.
Зерттеушілер бүкіл геном бойынша осы маркерлерді талдау арқылы адамның ауруға төзімділік, кірістілік немесе сапа сияқты ерекшеліктері үшін генетикалық әлеуетін анықтай алады.
Селекционерлер көп уақытты және қымбат фенотиптік бағалауды қажет етпестен геномдық іріктеудің арқасында ұрпақтардың өнімділігін дәлірек болжауы мүмкін.
Селекционерлерге өсіру бағдарламалары үшін ең жақсы генетикалық әлеуеті бар адамдарды таңдауға мүмкіндік бере отырып, бұл әдіс өсімдіктер мен жануарлар популяцияларында қажетті белгілерді тиімдірек және мақсатты түрде жақсартуға мүмкіндік беру арқылы өсіру процесін жеделдетуге көмектеседі.
Өсімдіктерді геномдық селекция арқылы өсіру
Өсімдік шаруашылығы геномдық сұрыптаудың арқасында төңкеріске ұшырады, бұл процесті жылдамдатып, дақылдардың өнімділігін арттырды.
Бірақ климаттың өзгеруінен туындайтын проблемаларды шешу үшін көбірек даму қажет.
Мұны шешу үшін зерттеушілер геномдық іріктеуде пангеномдарды және машиналық оқытудың алдыңғы қатарлы тәсілдерін қолданады.
Пангеном деп те аталатын түрдің бүкіл геномдық материалы генетикалық вариацияны мұқият түсінуге мүмкіндік береді.
Өсімдік шаруашылығынан мысалдарды қарастыру, машиналық оқытудың шектеулерін түсіну және осы әдістердің уәделерін көрсету арқылы біз егін шаруашылығын жақсартуға және климаттың өзгеруінің ауыл шаруашылығына зиянды әсерін азайтуға жол аша аламыз.
Өсімдіктердің пангеномдары: геномдық әртүрлілікті ашу
Дәстүрлі түрде бір сілтемелі геномдық жинақтар геномдық іріктеудің негізгі бағыты болды, бірақ қазір пангеномдар көбірек таралуда. Жеке геномдық жинақтардан гөрі өсімдік пангеномдары түрдің немесе отбасының генетикалық материалын көрсетеді.
Гендердің маңызды нұсқалары, соның ішінде анықтамалық жинаққа кірмейтіндер, олар арқылы ашылады. Бірнеше дақылдар үшін өсімдіктерді қолға үйрету және өсіру тарихын жарықтандыратын пангеномдар жасалды.
Олардың генетикалық сұрыптаумен үйлесуі әлі ішінара ғана тиімді.
Селекционерлер пангеномдарды геномдық іріктеуге біріктіру арқылы болжау дәлдігін арттырып, барлық әлеуетті байланыстарды түсіре отырып, генетикалық маркерлердің кең ауқымын пайдалана алады.
Машиналық оқыту негізіндегі геномдық таңдау
Дәстүрлі геномдық іріктеу тәсілдері эпистаз, геномдық импринтинг және генотиптің өзара әрекеттесуі сияқты аддитивті емес әсерлерді шешуде қиындықтар тудырады. Осы әсерлерді модельдеу арқылы машиналық оқыту тәсілдері өміршең жауаптар береді.
Жақында жүргізілген зерттеулер геномдық таңдауда машиналық оқыту әдістерін қолданды, нәтиже деректер жиынтығы мен дақылдар арасында өзгерді.
Машиналық оқыту алгоритмдері аралас фенотиптер және фенотиптер немесе генотиптер арасындағы өзара әрекеттесулер сияқты күрделі деректер көріністерін өңдеуге қабілетті.
Мысалы, құлпынай мен көкжидек сияқты полиплоидты дақылдардағы өнімділік пен жеміс сапасының ерекшеліктерін болжау үшін машиналық оқыту алгоритмдері пайдаланылды.
Бұл жүйелердің әлеуеті зор болғанымен, олардың интерпретациялануын түсіну және гиперпараметрлерді реттеу тиімді қолдану үшін өте маңызды.
Машиналық оқытудың әртүрлі әдістері
Геномдық болжау зерттеулерінде машиналық оқыту әдістерін қолдану өсуде. Бұл әдістерді бақылаудағы және бақылаусыз оқыту әдістеріне бөлуге болады.
Бақыланатын оқыту әдістері әсіресе пайдалы, өйткені олар үлгілерді таба алады таңбаланған деректер және нәтижелерді болжау.
Әртүрлі зерттеулер машиналық оқытудың нақты тәсілдерін болжау тиімділігін зерттегенімен, әртүрлі әдістер жиынтығын салыстыратын зерттеулер жетіспейді.
Әдістердің қай топтары жақсырақ жұмыс істейтінін түсіну және кәдімгі әдістермен салыстырғанда олардың артықшылықтары мен кемшіліктерін өлшеу өте маңызды.
Перспективті геномдық болжау әдістері
Сызықтық аралас модельдер
Геномдық болжауда кәдімгі сызықтық аралас модельдер сенімді және пайдалы болып шықты. Популяциядағы генетикалық вариацияны есепке алу үшін бұл модельдер тіркелген және кездейсоқ әсерлерді біріктіреді.
Бұл алгоритмдер жеке байланыстылықты ескере отырып, геномдық асыл тұқымды мәндерді дәл болжай алады.
Бәсекеге қабілетті болжамдық өнімділігі, есептеу тиімділігі және қарапайымдылығының арқасында сызықтық аралас модельдер өсімдіктер мен жануарларды өсіруде кеңінен қолданылады. Олар басқа тәсілдерге қарағанда аз баптау параметрлерін қажет етеді, бұл оларды геномдық таңдау үшін қолайлы етеді.
Регулярланған регрессия
Геномды болжау үшін LASSO (ең аз абсолютті қысқару және таңдау операторы) және жотаның регрессиясы сияқты реттелген регрессия әдістері тиімді құрал болып табылады.
Бұл әдістер кәдімгі регрессия үлгісіне айыппұл мерзімін қосу арқылы айнымалыларды таңдауға және реттеуге мүмкіндік береді.
Бұл әдістер жоғары өлшемді деректерді тиімді өңдейді және маңыздылығы аз белгілерді нөлге дейін азайту арқылы болжау дәлдігін арттырады.
Тұрақты регрессия әдістері өсімдіктер мен жануарлардың селекциялық зерттеулерінде геномдық іріктеу үшін тартымды таңдау болып табылады, өйткені олар қарапайымдылық пен тиімділік арасында ымыраға келеді.
Кездейсоқ ормандар
Кездейсоқ ормандар деп аталатын ансамбльді оқыту әдісі шешім ағаштарын пайдаланып болжам жасайды. Кездейсоқ ормандарды геномдық болжау контекстінде жоғары өлшемді геномдық деректерді бағалау үшін пайдалануға болады.
Бұл әдіспен шешім ағаштарының үлкен саны жасалады, олардың әрқайсысы маркерлердің кездейсоқ жиынында оқытылады және олардың болжамдары бір болжам жасау үшін біріктіріледі.
Кездейсоқ ормандар геномдық іріктеудің пайдалы құралы болып табылады, өйткені олар сипаттамалар мен маркерлер арасындағы күрделі өзара әрекеттесулерді және сызықтық емес корреляцияларды анықтай алады.
Кездейсоқ ормандар да шектен тыс көрсеткіштерге төзімді және жетіспейтін деректерді орналастыра алады, бұл олардың геномдық болжау үшін мәнін арттырады.
ANN (жасанды нейрондық желілер)
Жасанды нейрондық желілер, кейде ANN немесе нейрондық желілер деп аталады, бұл адам миының нейрондық архитектурасынан шабыт алатын есептеу модельдері.
Деректердегі күрделі үлгілер мен қарым-қатынастарды тану қабілетіне байланысты ANN генетикалық болжауда көбірек таралған.
ANN көп қабатты архитектурасы мен өзара байланысқан түйіндері (нейрондар) болғандықтан, маркерлер мен атрибуттар арасындағы сызықтық емес әрекеттесулерді жаза алады. Бұл желілер үлкен деректер жиынын және қатаң гиперпараметрлерді реттеуді пайдалана отырып, мұқият оқытуды қажет етеді.
Күрделі генетикалық байланыстарды ашу және геномдық деректердегі жасырын үлгілерді анықтау арқылы ANN геномдық болжамның дәлдігін арттыру мүмкіндігіне ие.
Мәліметтердің мақсатты белгілері және маңыздылығы
Зерттеулер бағаланатын нақты деректер мен мақсатты атрибуттардың болжау өнімділігі мен машиналық оқыту тәсілдерінің есептеу шығындарына әсер ететінін көрсетеді.
Көріп отырғанымыздай, дәстүрлі реттелген тәсілдерге күрделілік қосу болжау дәлдігін міндетті түрде арттырмай-ақ үлкен есептеу шығындарына әкелуі мүмкін.
Есептеу тиімділігі инвестициялары
Болжамдық өнімділік пен есептеу ауыртпалығы үшін мақсатты деректер жиыны мен атрибуттарына тәуелділікті ескере отырып, машиналық оқыту алгоритмдері мен есептеу ресурстарының есептеу тиімділігін арттыруға инвестиция салу өте маңызды.
Бұл геномдық таңдаудың дәлдігі мен тиімділігін арттыруға көмектеседі.
Қорытынды - Болашақта не болады?
Геномдық таңдаудағы машиналық оқытудың болашағы жарқын сияқты. Технология дамып, компьютерлік ресурстар кеңірек қолжетімді болған сайын машиналық оқыту әдістері генетикалық болжамды толығымен өзгерту мүмкіндігіне ие.
Бұл әдістер жоғары өлшемді геномдық мәліметтерді өңдеуге, күрделі үлгілерді ашуға және болжау дәлдігін арттыруға мүмкіндік береді.
Қажетті мүмкіндіктері бар адамдарды тезірек және дәлірек таңдауды жеңілдету арқылы машиналық оқыту алгоритмдерін геномдық іріктеумен біріктіру асыл тұқымды бағдарламаларды жақсарту мүмкіндігін береді.
Бұл әдістерді жетілдіру, есептеу мәселелерімен айналысу және олардың әртүрлі өсімдіктер мен жануарлар түрлеріне қолданылуын зерттеу үшін көбірек зерттеу қажет.
Технология дамыған сайын, генетикалық прогрестің қарқынын арттырып, ауыл шаруашылығы саласына көмектескен сайын машиналық оқытудың геномдық селекцияда маңыздылығы арта түседі деп күтеміз.
пікір қалдыру