ពន្ធុវិទ្យាទំនើបបានបង្កើតវិធីសាស្ត្រដ៏មានឥទ្ធិពលមួយហៅថា ការជ្រើសរើសហ្សែន ដែលប្រើប្រាស់ទិន្នន័យដែលមាននៅក្នុងហ្សែនរបស់រុក្ខជាតិ និងសត្វ ដើម្បីកែលម្អការបង្កាត់ពូជ។
ការជ្រើសរើសហ្សែនអាចឱ្យការទស្សន៍ទាយអំពីសក្ដានុពលហ្សែនរបស់បុគ្គលម្នាក់ៗសម្រាប់គុណភាពដែលចង់បាន ដូចជាភាពធន់នឹងជំងឺ ទិន្នផល ឬគុណភាព ដោយពិនិត្យមើលភាពខុសគ្នានៃលំដាប់ DNA លើបុគ្គលនីមួយៗ។
ទិន្នន័យហ្សែននេះជួយធ្វើការសម្រេចចិត្តដែលមានព័ត៌មានប្រសើរជាងមុន បង្កើនល្បឿនដំណើរការជ្រើសរើស និងបង្កើតកម្មវិធីបង្កាត់ពូជដែលមានប្រសិទ្ធភាព និងផ្លែផ្កា។
នៅក្នុងតំបន់គួរឱ្យចាប់អារម្មណ៍នៃហ្សែននេះ, ការរៀនម៉ាស៊ីន បាននិងកំពុងបង្កើតភាពអស្ចារ្យ និងពង្រឹងវិស័យនេះ។ ចូរស្វែងយល់ និងស្វែងយល់អំពីការរៀនម៉ាស៊ីននៅក្នុងការជ្រើសរើសហ្សែន។
តើអ្វីទៅជាការជ្រើសរើសហ្សែន?
ការជ្រើសរើសហ្សែនគឺជាបច្ចេកទេសមួយដែលត្រូវបានប្រើប្រាស់ក្នុងការបង្កាត់ពូជសត្វ និងរុក្ខជាតិ ដើម្បីព្យាករណ៍ពីដំណើរការរបស់បុគ្គលម្នាក់ដោយផ្អែកលើការតុបតែងហ្សែនរបស់ពួកគេ។
វាពាក់ព័ន្ធនឹងការមើល DNA របស់មនុស្សដើម្បីស្វែងរកសញ្ញាសម្គាល់ជាក់លាក់ដែលភ្ជាប់ទៅនឹងលក្ខណៈដែលចង់បាន។
អ្នកស្រាវជ្រាវអាចកំណត់ពីសក្ដានុពលហ្សែនរបស់មនុស្សសម្រាប់លក្ខណៈពិសេសដូចជាភាពធន់នឹងជំងឺ ទិន្នផល ឬគុណភាពដោយការវិភាគសញ្ញាសម្គាល់ទាំងនេះនៅទូទាំងហ្សែនទាំងមូល។
អ្នកបង្កាត់ពូជអាចព្យាករណ៍ពីដំណើរការរបស់កូនចៅបានកាន់តែត្រឹមត្រូវ ដោយសារការជ្រើសរើសហ្សែនដោយមិនចាំបាច់ត្រូវការពេលវេលា និងតម្លៃថ្លៃវាយតម្លៃ phenotypic ។
ដោយអនុញ្ញាតឱ្យអ្នកបង្កាត់ពូជជ្រើសរើសបុគ្គលដែលមានសក្ដានុពលហ្សែនល្អបំផុតសម្រាប់កម្មវិធីបង្កាត់ពូជ វិធីសាស្ត្រនេះជួយពន្លឿនដំណើរការបង្កាត់ពូជ ដោយធ្វើឱ្យមានប្រសិទ្ធភាព និងផ្តោតលើការពង្រឹងលក្ខណៈដែលចង់បាននៅក្នុងចំនួនរុក្ខជាតិ និងសត្វ។
ការបង្កាត់ពូជរុក្ខជាតិតាមរយៈការជ្រើសរើសហ្សែន
ការបង្កាត់ពូជរុក្ខជាតិបានឆ្លងកាត់បដិវត្តន៍មួយដោយសារការជ្រើសរើសហ្សែន ដែលបានពន្លឿនដំណើរការ និងបង្កើនទិន្នផលដំណាំ។
ប៉ុន្តែដើម្បីដោះស្រាយបញ្ហាដែលកើតឡើងដោយបម្រែបម្រួលអាកាសធាតុ ការអភិវឌ្ឍន៍បន្ថែមទៀតគឺចាំបាច់។
ដើម្បីដោះស្រាយបញ្ហានេះ អ្នកស្រាវជ្រាវកំពុងប្រើប្រាស់ pangenomes និងវិធីសាស្រ្តរៀនម៉ាស៊ីនទំនើបក្នុងការជ្រើសរើសហ្សែន។
សម្ភារៈហ្សែនទាំងមូលនៃប្រភេទសត្វដែលត្រូវបានគេស្គាល់ផងដែរថាជា pangenome អនុញ្ញាតឱ្យមានការយល់ច្បាស់អំពីការប្រែប្រួលហ្សែន។
យើងអាចបើកផ្លូវសម្រាប់ការកែលម្អដំណាំ និងកាត់បន្ថយផលប៉ះពាល់ដ៏អាក្រក់នៃការប្រែប្រួលអាកាសធាតុមកលើវិស័យកសិកម្ម ដោយមើលឧទាហរណ៍ពីការបង្កាត់ពូជដំណាំ ស្វែងយល់ពីឧបសគ្គនៃការរៀនម៉ាស៊ីន និងគូសបញ្ជាក់ពីការសន្យានៃបច្ចេកទេសទាំងនេះ។
Pangenomes នៃរុក្ខជាតិ៖ បង្ហាញពីភាពចម្រុះហ្សែន
ជាប្រពៃណី ការប្រមូលផ្តុំហ្សែនយោងតែមួយគឺជាការផ្តោតសំខាន់នៃការជ្រើសរើសហ្សែន ប៉ុន្តែឥឡូវនេះ pangenomes កាន់តែរីករាលដាល។ រុក្ខជាតិ pangenomes ជាជាងការជួបប្រជុំគ្នានៃហ្សែននីមួយៗ ឆ្លុះបញ្ចាំងពីសម្ភារៈហ្សែននៃប្រភេទសត្វ ឬគ្រួសារ។
វ៉ារ្យ៉ង់ហ្សែនសំខាន់ៗ រួមទាំងអ្វីដែលមិនត្រូវបានរួមបញ្ចូលនៅក្នុងការប្រជុំយោងត្រូវបានបង្ហាញដោយពួកគេ។ សម្រាប់ដំណាំជាច្រើន Pangenomes ត្រូវបានបង្កើតឡើងដោយបំភ្លឺប្រវត្តិនៃការធ្វើចំណាកស្រុករបស់រុក្ខជាតិនិងការបង្កាត់ពូជ។
ការរួមបញ្ចូលគ្នារបស់ពួកគេជាមួយនឹងការជ្រើសរើសហ្សែននៅតែមានប្រសិទ្ធភាពមួយផ្នែកប៉ុណ្ណោះ។
អ្នកបង្កាត់ពូជអាចប្រើសញ្ញាសម្គាល់ហ្សែនជាច្រើនប្រភេទ ធ្វើអោយប្រសើរឡើងនូវភាពត្រឹមត្រូវនៃការទស្សន៍ទាយ និងការចាប់យកទំនាក់ទំនងដែលមានសក្តានុពលទាំងអស់ ដោយរួមបញ្ចូលគ្នានូវ pangenomes ចូលទៅក្នុងការជ្រើសរើសហ្សែន។
ការជ្រើសរើសហ្សែនដោយផ្អែកលើការរៀនម៉ាស៊ីន
វិធីសាស្រ្តជ្រើសរើសហ្សែនបែបប្រពៃណីមានការលំបាកក្នុងការដោះស្រាយផលប៉ះពាល់ដែលមិនមែនជាសារធាតុបន្ថែមដូចជា epistasis ការបោះពុម្ពហ្សែន និងអន្តរកម្មហ្សែន។ តាមរយៈការក្លែងធ្វើផលប៉ះពាល់ទាំងនេះ វិធីសាស្រ្តរៀនម៉ាស៊ីនផ្តល់ចម្លើយដែលអាចសម្រេចបាន។
ការសិក្សាថ្មីៗបានប្រើវិធីសាស្រ្តរៀនម៉ាស៊ីនក្នុងការជ្រើសរើសហ្សែន ដោយលទ្ធផលមានចន្លោះរវាងសំណុំទិន្នន័យ និងដំណាំ។
ក្បួនដោះស្រាយការរៀនម៉ាស៊ីន មានសមត្ថភាពក្នុងការដោះស្រាយតំណាងទិន្នន័យស្មុគស្មាញ ដូចជា phenotypes ចម្រុះ និងអន្តរកម្មរវាង phenotypes ឬ genotypes ។
ជាឧទាហរណ៍ ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនត្រូវបានប្រើដើម្បីទស្សន៍ទាយពីលក្ខណៈផលិតកម្ម និងគុណភាពផ្លែឈើនៅក្នុងដំណាំប៉ូលីឡូដ ដូចជាផ្លែស្ត្របឺរី និងប៊្លូបឺរីជាដើម។
ខណៈពេលដែលប្រព័ន្ធទាំងនេះមានសក្ដានុពលខ្លាំង ការយល់ដឹងអំពីការបកស្រាយ និងការកែតម្រូវប៉ារ៉ាម៉ែត្រខ្ពស់របស់ពួកគេគឺមានសារៈសំខាន់សម្រាប់ការអនុវត្តប្រកបដោយប្រសិទ្ធភាព។
វិធីសាស្រ្តផ្សេងគ្នានៃការរៀនម៉ាស៊ីន
នៅក្នុងការសិក្សាទស្សន៍ទាយហ្សែន ការប្រើប្រាស់បច្ចេកទេសរៀនម៉ាស៊ីនកំពុងកើនឡើង។ បច្ចេកទេសទាំងនេះអាចត្រូវបានបំបែកទៅជាមធ្យោបាយសម្រាប់ការសិក្សាដែលស្ថិតក្រោមការគ្រប់គ្រង និងគ្មានការត្រួតពិនិត្យ។
វិធីសាស្រ្តនៃការសិក្សាដែលមានការត្រួតពិនិត្យគឺមានប្រយោជន៍ជាពិសេសចាប់តាំងពីពួកគេអាចរកឃើញលំនាំនៅក្នុង ទិន្នន័យដែលមានស្លាក និងរំពឹងទុកលទ្ធផល។
ខណៈពេលដែលការសិក្សាផ្សេងៗបានពិនិត្យមើលប្រសិទ្ធភាពនៃការទស្សន៍ទាយនៃវិធីសាស្រ្តរៀនម៉ាស៊ីនជាក់លាក់ ការស្រាវជ្រាវដែលប្រៀបធៀបវិធីសាស្រ្តចម្រុះគឺខ្វះខាត។
វាមានសារៈសំខាន់ណាស់ក្នុងការយល់ដឹងថាក្រុមនៃវិធីសាស្ត្រណាដែលដំណើរការបានប្រសើរជាងមុន និងថ្លឹងថ្លែងពីអត្ថប្រយោជន៍ និងគុណវិបត្តិរបស់ពួកគេ ក្នុងការប្រៀបធៀបជាមួយនឹងវិធីសាមញ្ញ។
វិធីសាស្រ្តទស្សន៍ទាយហ្សែនដែលសន្យា
ម៉ូដែលចម្រុះលីនេអ៊ែរ
នៅក្នុងការទស្សន៍ទាយហ្សែន គំរូចម្រុះលីនេអ៊ែរធម្មតាបានបង្ហាញថាគួរឱ្យទុកចិត្ត និងមានប្រយោជន៍។ ដើម្បីគណនាការប្រែប្រួលហ្សែននៅក្នុងចំនួនប្រជាជន គំរូទាំងនេះរួមបញ្ចូលទាំងផលប៉ះពាល់ថេរ និងចៃដន្យ។
ក្បួនដោះស្រាយទាំងនេះអាចទស្សន៍ទាយបានយ៉ាងត្រឹមត្រូវនូវតម្លៃនៃការបង្កាត់ពូជហ្សែនដោយគិតគូរពីភាពពាក់ព័ន្ធនីមួយៗទៅក្នុងគណនី។
ដោយសារតែការអនុវត្តការព្យាករណ៍ប្រកួតប្រជែង ប្រសិទ្ធភាពនៃការគណនា និងភាពសាមញ្ញ ម៉ូដែលចម្រុះលីនេអ៊ែរត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយក្នុងការបង្កាត់ពូជរុក្ខជាតិ និងសត្វ។ ពួកគេត្រូវការប៉ារ៉ាម៉ែត្រលៃតម្រូវតិចជាងវិធីសាស្រ្តផ្សេងទៀតដែលធ្វើឱ្យពួកវាសមរម្យសម្រាប់ការជ្រើសរើសហ្សែន។
ការតំរែតំរង់ទៀងទាត់
សម្រាប់ការទស្សន៍ទាយហ្សែន វិធីសាស្ត្រតំរែតំរង់ទៀងទាត់ដូចជា LASSO (Least Absolute Shrinkage and Selection Operator) និងការតំរែតំរង់ជួរគឺជាឧបករណ៍ដ៏មានប្រសិទ្ធភាព។
បច្ចេកទេសទាំងនេះអនុញ្ញាតឱ្យជ្រើសរើសអថេរ និងធ្វើឱ្យទៀងទាត់ដោយបន្ថែមពាក្យពិន័យទៅគំរូតំរែតំរង់ធម្មតា។
វិធីសាស្រ្តទាំងនេះមានប្រសិទ្ធភាពគ្រប់គ្រងទិន្នន័យវិមាត្រខ្ពស់ និងបង្កើនភាពត្រឹមត្រូវនៃការទស្សន៍ទាយដោយកាត់បន្ថយសញ្ញាសម្គាល់ដែលមិនសូវសំខាន់ឆ្ពោះទៅរកសូន្យ។
បច្ចេកទេសតំរែតំរង់ទៀងទាត់គឺជាជម្រើសដ៏គួរឱ្យទាក់ទាញសម្រាប់ការជ្រើសរើសហ្សែននៅក្នុងការសិក្សាទាំងការបង្កាត់ពូជរុក្ខជាតិ និងសត្វ ព្រោះវាធ្វើឱ្យមានការសម្របសម្រួលរវាងភាពសាមញ្ញ និងប្រសិទ្ធភាព។
ព្រៃចៃដន្យ
បច្ចេកទេសសិក្សាជាក្រុមដែលហៅថា ព្រៃចៃដន្យ ធ្វើការទស្សន៍ទាយដោយប្រើដើមឈើសម្រេចចិត្ត។ ព្រៃឈើចៃដន្យអាចត្រូវបានប្រើដើម្បីវាយតម្លៃទិន្នន័យហ្សែនវិមាត្រខ្ពស់នៅក្នុងបរិបទនៃការទស្សន៍ទាយហ្សែន។
ជាមួយនឹងវិធីសាស្រ្តនេះ ដើមឈើការសម្រេចចិត្តមួយចំនួនធំត្រូវបានសាងសង់ ដែលនីមួយៗត្រូវបានបណ្តុះបណ្តាលលើសំណុំរងចៃដន្យនៃសញ្ញាសម្គាល់ ហើយការព្យាករណ៍របស់ពួកគេត្រូវបានបញ្ចូលគ្នាដើម្បីបង្កើតការព្យាករណ៍តែមួយ។
ព្រៃឈើចៃដន្យគឺជាឧបករណ៍ដ៏មានប្រយោជន៍សម្រាប់ការជ្រើសរើសហ្សែន ពីព្រោះពួកវាអាចកំណត់អត្តសញ្ញាណអន្តរកម្មដ៏ស្មុគស្មាញ និងការជាប់ទាក់ទងគ្នាដែលមិនមែនជាលីនេអ៊ែររវាងលក្ខណៈ និងសញ្ញាសម្គាល់។
ព្រៃឈើចៃដន្យក៏ធន់នឹងធាតុខាងក្រៅ និងអាចផ្ទុកទិន្នន័យដែលបាត់ ដែលបង្កើនតម្លៃរបស់វាសម្រាប់ការទស្សន៍ទាយហ្សែន។
ANNs (បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត)
សិប្បនិម្មិត បណ្តាញសរសៃប្រសាទជួនកាលគេហៅថា ANNs ឬបណ្តាញសរសៃប្រសាទ គឺជាគំរូគណនាដែលទាក់ទាញការបំផុសគំនិតពីស្ថាបត្យកម្មសរសៃប្រសាទនៃខួរក្បាលមនុស្ស។
ដោយសារសមត្ថភាពរបស់ពួកគេក្នុងការទទួលស្គាល់គំរូ និងទំនាក់ទំនងដ៏ស្មុគស្មាញនៅក្នុងទិន្នន័យ ANNs បានក្លាយជារឿងទូទៅកាន់តែច្រើនឡើងក្នុងការទស្សន៍ទាយហ្សែន។
ANNs អាចកត់ត្រាអន្តរកម្មមិនលីនេអ៊ែររវាងសញ្ញាសម្គាល់ និងគុណលក្ខណៈ ដោយសារស្ថាបត្យកម្មពហុស្រទាប់ និងថ្នាំងដែលទាក់ទងគ្នា (ណឺរ៉ុន)។ បណ្តាញទាំងនេះត្រូវការការបណ្តុះបណ្តាលហ្មត់ចត់ដោយប្រើសំណុំទិន្នន័យដ៏ធំ និងការលៃតម្រូវប៉ារ៉ាម៉ែត្រខ្ពស់យ៉ាងម៉ត់ចត់។
តាមរយៈការបង្ហាញពីតំណហ្សែនដ៏ស្មុគស្មាញ និងកំណត់អត្តសញ្ញាណគំរូដែលលាក់នៅក្នុងទិន្នន័យហ្សែន ANNs មានសក្តានុពលក្នុងការបង្កើនភាពត្រឹមត្រូវនៃការទស្សន៍ទាយហ្សែន។
លក្ខណៈគោលដៅ និងសារៈសំខាន់នៃទិន្នន័យ
ការសិក្សាបង្ហាញថាទិន្នន័យជាក់លាក់ និងគុណលក្ខណៈគោលដៅដែលកំពុងត្រូវបានវាយតម្លៃមានឥទ្ធិពលលើការអនុវត្តការព្យាករណ៍ និងការចំណាយលើការគណនានៃវិធីសាស្រ្តរៀនម៉ាស៊ីន។
ដូចដែលអាចត្រូវបានគេសង្កេតឃើញ ការបន្ថែមភាពស្មុគ្រស្មាញទៅនឹងវិធីសាស្រ្តទៀងទាត់បែបប្រពៃណីអាចបណ្តាលឱ្យមានការចំណាយលើការគណនាដ៏ធំដោយមិនចាំបាច់បង្កើនភាពជាក់លាក់នៃការទស្សន៍ទាយ។
ការវិនិយោគប្រកបដោយប្រសិទ្ធភាពគណនា
ដោយសារការពឹងផ្អែកលើសំណុំទិន្នន័យគោលដៅ និងគុណលក្ខណៈសម្រាប់ការអនុវត្តការទស្សន៍ទាយ និងបន្ទុកក្នុងការគណនា វាជារឿងសំខាន់ក្នុងការវិនិយោគលើការកែលម្អប្រសិទ្ធភាពនៃការគណនានៃក្បួនដោះស្រាយការរៀនម៉ាស៊ីន និងធនធានកុំព្យូទ័រ។
នេះនឹងជួយកែលម្អភាពជាក់លាក់ និងប្រសិទ្ធភាពនៃការជ្រើសរើសហ្សែន។
សេចក្តីសន្និដ្ឋាន - តើអនាគតជាអ្វី?
ការរៀនម៉ាស៊ីននៅក្នុងការជ្រើសរើសហ្សែនហាក់ដូចជាមានអនាគតភ្លឺស្វាង។ បច្ចេកទេសរៀនរបស់ម៉ាស៊ីនមានសក្តានុពលក្នុងការផ្លាស់ប្តូរទាំងស្រុងនូវការទស្សន៍ទាយហ្សែននៅពេលដែលបច្ចេកវិទ្យារីកចម្រើន ហើយធនធានកុំព្យូទ័រកាន់តែមានកាន់តែទូលំទូលាយ។
វិធីសាស្រ្តទាំងនេះអនុញ្ញាតឱ្យមានការគ្រប់គ្រងទិន្នន័យហ្សែនដែលមានវិមាត្រខ្ពស់ ការរកឃើញគំរូដ៏ស្មុគស្មាញ និងបង្កើនភាពត្រឹមត្រូវនៃការទស្សន៍ទាយ។
តាមរយៈការសម្របសម្រួលការជ្រើសរើសបុគ្គលដែលលឿន និងត្រឹមត្រូវជាងមុនជាមួយនឹងលក្ខណៈពិសេសដែលចង់បាន ការរួមបញ្ចូលគ្នានៃក្បួនដោះស្រាយការរៀនម៉ាស៊ីនជាមួយនឹងការជ្រើសរើសហ្សែនទទួលបានលទ្ធភាពនៃការកែលម្អកម្មវិធីបង្កាត់ពូជ។
ដើម្បីកែលម្អបច្ចេកទេសទាំងនេះ ដោះស្រាយបញ្ហាកុំព្យូទ័រ និងស៊ើបអង្កេតការអនុវត្តន៍របស់ពួកគេចំពោះប្រភេទរុក្ខជាតិ និងសត្វផ្សេងៗគ្នា ការសិក្សាបន្ថែមទៀតគឺត្រូវបានទាមទារ។
យើងរំពឹងថាការរៀនម៉ាស៊ីននឹងកាន់តែមានសារៈសំខាន់ក្នុងការជ្រើសរើសហ្សែន នៅពេលដែលបច្ចេកវិទ្យារីកចម្រើន បង្កើនល្បឿននៃដំណើរការហ្សែន និងជួយដល់វិស័យកសិកម្ម។
សូមផ្ដល់យោបល់