Орчин үеийн генетик нь ургамал, амьтны геномд агуулагдах өгөгдлийг ашиглан үржлийг сайжруулахын тулд геномын сонголт хэмээх хүчирхэг аргыг боловсруулсан.
Геномын сонголт нь тухайн хүний ДНХ-ийн дарааллын ялгааг судлах замаар өвчинд тэсвэртэй байдал, ургац, чанар зэрэг хүссэн чанаруудын генетикийн чадавхийг урьдчилан таамаглах боломжийг олгодог.
Энэхүү генетикийн өгөгдөл нь илүү сайн мэдээлэлтэй шийдвэр гаргах, сонгон шалгаруулах үйл явцыг хурдасгах, үржлийн хөтөлбөрийг бий болгоход тусалдаг бөгөөд үр дүнтэй, үр дүнтэй байдаг.
Генетикийн энэ сонирхолтой салбарт, машин суралцах гайхамшгийг бүтээж, талбайг сайжруулсаар ирсэн. Геномын сонголт дахь машин сургалтын талаар судалж, сурцгаая.
Геномын сонголт гэж яг юу вэ?
Геномын сонголт гэдэг нь амьтан, ургамлын үржлийн ажилд ашиглагдаж байгаа арга бөгөөд тухайн хүний генетикийн бүтцэд тулгуурлан гүйцэтгэлийг урьдчилан таамаглах арга юм.
Энэ нь хүмүүсийн ДНХ-ийг судалж, хүссэн шинж чанаруудтай холбоотой тодорхой маркеруудыг олох явдал юм.
Судлаачид эдгээр маркеруудыг геномын хэмжээнд шинжлэн судалснаар тухайн хүний өвчинд тэсвэртэй байдал, ургац, чанар зэрэг шинж чанаруудын генетикийн чадавхийг тодорхойлж чадна.
Үржүүлэгчид геномын сонгон шалгаруулалтын ачаар үр удмын гүйцэтгэлийг илүү нарийвчлалтай урьдчилан таамаглаж, цаг хугацаа шаардсан, үнэтэй фенотипийн үнэлгээ хийх шаардлагагүй болно.
Үржүүлэгч нарт үржлийн хөтөлбөрт хамгийн сайн генетикийн чадавхитай хүмүүсийг сонгох боломжийг олгосноор энэ арга нь ургамал, амьтны популяцид хүссэн шинж чанарыг илүү үр дүнтэй, төвлөрсөн байдлаар сайжруулах боломжийг олгох замаар үржлийн үйл явцыг хурдасгахад тусалдаг.
Геномын сонголтоор ургамал үржүүлэх
Ургамлын аж ахуй нь геномын сонголтын ачаар хувьсгал хийсэн бөгөөд энэ нь процессыг хурдасгаж, ургацын ургацыг нэмэгдүүлсэн.
Гэвч уур амьсгалын өөрчлөлтөөс үүдэлтэй тулгамдсан асуудлуудыг шийдвэрлэхийн тулд илүү их бүтээн байгуулалт хийх шаардлагатай байна.
Үүнийг шийдвэрлэхийн тулд судлаачид геномын сонголтод пангеном болон хамгийн сүүлийн үеийн машин сургалтын аргуудыг ашиглаж байна.
Пангеном гэж нэрлэгддэг зүйлийн геномын бүх материал нь генетикийн өөрчлөлтийг сайтар ойлгох боломжийг олгодог.
Бид газар тариалангийн үржлийн жишээг харж, машин сургалтын хязгаарлалтыг ойлгож, эдгээр техникүүдийн амлалтыг онцолж өгснөөр газар тариаланг сайжруулах замыг нээж, уур амьсгалын өөрчлөлтийн хөдөө аж ахуйд үзүүлэх хор хөнөөлийг бууруулж чадна.
Ургамлын пангеномууд: Геномын олон янз байдлыг илрүүлэх
Уламжлал ёсоор нэг лавлагаатай геномын угсралт нь геномын сонгон шалгаруулалтын гол чиглэл байсаар ирсэн боловч одоо пангеномууд илүү түгээмэл болж байна. Ургамлын пангеномууд нь бие даасан геномын цугларалтаас илүүтэй зүйл, гэр бүлийн генетикийн материалыг тусгадаг.
Тэдгээрийн тусламжтайгаар генийн чухал хувилбарууд, тэр дундаа лавлагааны цуглуулгад ороогүй хувилбаруудыг илрүүлдэг. Хэд хэдэн үр тарианы хувьд пангеномууд бий болсон бөгөөд энэ нь ургамлын гаршуулж, үржүүлгийн түүхийг гэрэлтүүлсэн.
Тэдний генетик сонголттой хослуулах нь зөвхөн хэсэгчлэн үр дүнтэй байдаг.
Үржүүлэгчид илүү олон төрлийн генетикийн тэмдэглэгээг ашиглаж, урьдчилан таамаглах нарийвчлалыг сайжруулж, бүх боломжит холболтыг олж авч, пангеномуудыг геномын сонголтод нэгтгэж чаддаг.
Машины сургалтанд суурилсан геномын сонголт
Уламжлалт геномын сонголтын аргууд нь эпистаз, геномын дардас, генотипийн харилцан үйлчлэл зэрэг нэмэлт бус нөлөөллийг шийдвэрлэхэд бэрхшээлтэй байдаг. Эдгээр нөлөөллийг загварчлах замаар машин сургалтын аргууд нь бодит хариултуудыг өгдөг.
Сүүлийн үеийн судалгаагаар геномын сонголтод машин сургалтын аргыг ашигласан бөгөөд үр дүн нь өгөгдлийн багц болон үр тарианы хооронд хэлбэлздэг.
Машинаар сурах алгоритмууд холимог фенотип, фенотип эсвэл генотип хоорондын харилцан үйлчлэл гэх мэт нарийн төвөгтэй өгөгдлийн төлөөлөлтэй ажиллах чадвартай.
Жишээлбэл, гүзээлзгэнэ, нэрс зэрэг полиплоид үр тарианы үйлдвэрлэл, жимсний чанарын онцлогийг урьдчилан таамаглахад машин сургалтын алгоритмуудыг ашигласан.
Эдгээр системүүд асар их боломжуудтай хэдий ч тэдгээрийн тайлбарлах чадварыг ойлгох, гиперпараметрийг тохируулах нь үр дүнтэй ашиглахад маш чухал юм.
Машины сургалтын янз бүрийн аргууд
Геномын таамаглалын судалгаанд машин сургалтын техникийг ашиглах нь улам бүр нэмэгдэж байна. Эдгээр арга техникийг хяналттай болон хяналтгүй суралцах арга хэлбэрт хувааж болно.
Хяналттай сургалтын аргууд нь хэв маягийг олж илрүүлдэг тул ялангуяа ашигтай байдаг хаяглагдсан өгөгдөл мөн үр дүнг урьдчилан таамаглах.
Төрөл бүрийн судалгаанууд машин сургалтын тодорхой аргуудын таамаглах үр нөлөөг судалж үзсэн боловч олон төрлийн аргуудыг харьцуулах судалгаа дутмаг байна.
Аль бүлэг аргууд нь илүү үр дүнтэй болохыг ойлгох, уламжлалт аргуудтай харьцуулахад давуу болон сул талуудыг үнэлэх нь чухал юм.
Геномын таамаглах ирээдүйтэй аргууд
Шугаман холимог загварууд
Геномын таамаглалд уламжлалт шугаман холимог загварууд найдвартай, ашигтай болох нь батлагдсан. Популяцийн генетикийн өөрчлөлтийг тооцохын тулд эдгээр загварууд нь тогтмол болон санамсаргүй нөлөөллийг хоёуланг нь нэгтгэдэг.
Эдгээр алгоритмууд нь хувь хүний хамаарлыг харгалзан геномын үржлийн утгыг үнэн зөв таамаглаж чадна.
Өрсөлдөх чадвартай урьдчилан таамаглах чадвар, тооцооллын үр ашиг, энгийн байдлаас шалтгаалан шугаман холимог загварыг ургамал, амьтны үржлийн ажилд өргөн ашигладаг. Тэд бусад аргуудаас бага тааруулах параметр шаарддаг тул геномын сонголтод тохиромжтой.
Тогтмол регресс
Геномыг урьдчилан таамаглахад LASSO (Хамгийн бага үнэмлэхүй агшилт ба сонгон шалгаруулах оператор) болон нурууны регресс зэрэг тогтмол регрессийн аргууд нь үр дүнтэй хэрэгсэл юм.
Эдгээр техникүүд нь уламжлалт регрессийн загварт торгуулийн хугацааг нэмэх замаар хувьсагчийг сонгох, зохицуулах боломжийг олгодог.
Эдгээр аргууд нь өндөр хэмжээст өгөгдлийг үр дүнтэй боловсруулж, ач холбогдол багатай тэмдэглэгээг тэг болгон бууруулж таамаглалын нарийвчлалыг сайжруулдаг.
Тогтмол регрессийн аргууд нь энгийн, үр дүнтэй байдлын хооронд буулт хийдэг тул ургамал, амьтны үржүүлгийн судалгаанд геномын сонгон шалгаруулалтын сонирхолтой сонголтууд юм.
Санамсаргүй ой
Санамсаргүй ой гэж нэрлэгддэг сургалтын арга нь шийдвэрийн модыг ашиглан таамаглал дэвшүүлдэг. Санамсаргүй ойг геномын таамаглалын хүрээнд өндөр хэмжээст геномын өгөгдлийг үнэлэхэд ашиглаж болно.
Энэ аргын тусламжтайгаар олон тооны шийдвэрийн модыг бүтээж, тус бүрийг санамсаргүй дэд багц тэмдэглэгээнд сургаж, тэдгээрийн таамаглалыг нэгтгэж, нэг прогноз гаргадаг.
Санамсаргүй ой нь геномын сонгон шалгаруулалтад тустай хэрэглүүр болдог, учир нь тэдгээр нь шинж чанар, тэмдэглэгээний хоорондох нарийн төвөгтэй харилцан үйлчлэл, шугаман бус хамаарлыг тодорхойлж чаддаг.
Санамсаргүй ой мод нь хэт өндөр үзүүлэлтүүдэд тэсвэртэй бөгөөд дутуу өгөгдлийг багтааж чаддаг бөгөөд энэ нь геномын таамаглалд үнэ цэнийг нэмэгдүүлдэг.
ANN (хиймэл мэдрэлийн сүлжээ)
Зохиомол мэдрэлийн сүлжээ, заримдаа ANN буюу мэдрэлийн сүлжээ гэж нэрлэдэг бөгөөд энэ нь хүний тархины мэдрэлийн архитектураас санаа авдаг тооцооллын загварууд юм.
Өгөгдөл дэх нарийн төвөгтэй хэв маяг, харилцаа холбоог таних чадварынхаа ачаар ANN нь генетикийн таамаглалд улам бүр түгээмэл болж байна.
ANN нь олон давхаргат бүтэц, хоорондоо холбогдсон зангилаа (нейрон) учраас тэмдэглэгээ ба шинж чанаруудын хоорондох шугаман бус харилцан үйлчлэлийг бүртгэж чаддаг. Эдгээр сүлжээнүүд нь асар их өгөгдлийн багц болон гиперпараметрийн нарийн тохируулга ашиглан нарийн сургалт шаарддаг.
Геномын өгөгдлийн нарийн төвөгтэй генетик холбоосыг илрүүлж, далд хэв маягийг илрүүлснээр ANN нь геномын таамаглалын нарийвчлалыг нэмэгдүүлэх боломжтой юм.
Өгөгдлийн зорилтот шинж чанар ба ач холбогдол
Судалгаанаас үзэхэд үнэлж буй тодорхой өгөгдөл, зорилтот шинж чанарууд нь машин сургалтын аргын таамаглах гүйцэтгэл болон тооцооллын зардалд нөлөөлдөг.
Ажиглаж байгаагаар уламжлалт арга барилд нарийн төвөгтэй байдлыг нэмэх нь урьдчилан таамаглах нарийвчлалыг нэмэгдүүлэхгүйгээр их хэмжээний тооцоолох зардалд хүргэж болзошгүй юм.
Тооцооллын үр ашгийн хөрөнгө оруулалт
Урьдчилан таамаглах гүйцэтгэл, тооцооллын ачааллын хувьд зорилтот өгөгдлийн багц болон шинж чанаруудад тулгуурладаг тул машин сургалтын алгоритмууд болон тооцоолох нөөцийн тооцооллын үр ашгийг дээшлүүлэхэд хөрөнгө оруулах нь чухал юм.
Энэ нь геномын сонголтын нарийвчлал, үр ашгийг дээшлүүлэхэд тусална.
Дүгнэлт - Ирээдүйд юу хүлээж байна вэ?
Геномын сонголтод машин суралцах нь гэрэлт ирээдүйтэй юм шиг санагддаг. Технологи хөгжиж, компьютерийн нөөц улам бүр түгээмэл болж байгаа тул машин сургалтын техник нь генетикийн таамаглалыг бүрэн өөрчлөх боломжтой юм.
Эдгээр аргууд нь өндөр хэмжээст геномын өгөгдөлтэй ажиллах, нарийн төвөгтэй хэв маягийг илрүүлэх, урьдчилан таамаглах нарийвчлалыг нэмэгдүүлэх боломжийг олгодог.
Хүссэн онцлог шинж чанартай хүмүүсийг илүү хурдан бөгөөд үнэн зөв сонгоход дэмжлэг үзүүлснээр машин сургалтын алгоритмыг геномын сонголттой хослуулах нь үржлийн хөтөлбөрийг сайжруулах боломжийг олгодог.
Эдгээр техникийг боловсронгуй болгох, тооцоолох асуудлыг шийдвэрлэх, тэдгээрийн төрөл бүрийн ургамал, амьтны төрөл зүйлд хэрэглэх боломжийг судлахын тулд илүү их судалгаа хийх шаардлагатай байна.
Технологи хөгжиж, генетикийн дэвшлийг хурдасгаж, хөдөө аж ахуйн салбарт туслахын хэрээр машин суралцах нь геномын сонголтод улам бүр чухал болно гэж бид найдаж байна.
хариу үлдээх