आधुनिक आनुवंशिकतेने जीनोमिक निवड नावाची एक शक्तिशाली पद्धत विकसित केली आहे जी प्रजनन सुधारण्यासाठी वनस्पती आणि प्राण्यांच्या जीनोममध्ये असलेल्या डेटाचा वापर करते.
जीनोमिक निवड व्यक्तींमधील डीएनए अनुक्रम फरकांचे परीक्षण करून रोग प्रतिकारशक्ती, उत्पन्न किंवा गुणवत्ता यासारख्या इच्छित गुणांसाठी एखाद्या व्यक्तीच्या अनुवांशिक संभाव्यतेचा अंदाज सक्षम करते.
हा अनुवांशिक डेटा अधिक माहितीपूर्ण निर्णय घेण्यास, निवड प्रक्रियेस गती देण्यास आणि प्रजनन कार्यक्रम तयार करण्यास मदत करतो जे अधिक प्रभावी आणि फलदायी असतात.
जनुकशास्त्राच्या या मनोरंजक क्षेत्रात, मशीन शिक्षण चमत्कार निर्माण करत आहे आणि क्षेत्र वाढवत आहे. जीनोमिक सिलेक्शनमधील मशीन लर्निंगबद्दल जाणून घेऊ या.
जीनोमिक सिलेक्शन म्हणजे नेमके काय?
जीनोमिक सिलेक्शन हे प्राणी आणि वनस्पती प्रजननामध्ये वापरण्यात येणारे तंत्र आहे जे एखाद्या व्यक्तीच्या अनुवांशिक मेकअपच्या आधारे त्याच्या कार्यक्षमतेचा अंदाज लावते.
त्यात वांछित वैशिष्ट्यांशी जोडलेले विशिष्ट मार्कर शोधण्यासाठी लोकांचे डीएनए पाहणे समाविष्ट आहे.
संशोधक संपूर्ण जीनोममधील या मार्करचे विश्लेषण करून रोग प्रतिकारशक्ती, उत्पन्न किंवा गुणवत्ता यासारख्या वैशिष्ट्यांसाठी एखाद्या व्यक्तीची अनुवांशिक क्षमता निर्धारित करू शकतात.
वेळखाऊ आणि महागड्या फिनोटाइपिक मूल्यांकनांची गरज न पडता जीनोमिक निवडीमुळे प्रजनक संततीच्या कामगिरीचा अधिक अचूक अंदाज लावू शकतात.
प्रजनन करणार्यांना प्रजनन कार्यक्रमासाठी सर्वोत्तम अनुवांशिक क्षमता असलेल्या व्यक्तींची निवड करण्यास सक्षम करून, ही पद्धत वनस्पती आणि प्राण्यांच्या लोकसंख्येमध्ये इच्छित वैशिष्ट्यांचे अधिक प्रभावी आणि लक्ष केंद्रित करून प्रजनन प्रक्रियेला गती देण्यास मदत करते.
जीनोमिक निवडीद्वारे वनस्पती प्रजनन
जीनोमिक निवडीमुळे वनस्पती प्रजननामध्ये क्रांती झाली आहे, ज्यामुळे प्रक्रियेला वेग आला आहे आणि पीक उत्पादनात वाढ झाली आहे.
परंतु हवामान बदलामुळे निर्माण होणार्या समस्या सोडवण्यासाठी अधिक विकास आवश्यक आहे.
याचे निराकरण करण्यासाठी, संशोधक जीनोमिक निवडीमध्ये पॅन्जेनोम्स आणि अत्याधुनिक मशीन-लर्निंग पद्धतींचा वापर करत आहेत.
एका प्रजातीची संपूर्ण जीनोमिक सामग्री, ज्याला पॅन्जेनोम देखील म्हणतात, अनुवांशिक भिन्नतेचे संपूर्ण आकलन करण्यास अनुमती देते.
पीक प्रजननाची उदाहरणे बघून, यंत्रशिक्षणातील अडचणी समजून घेऊन आणि या तंत्रांचे वचन अधोरेखित करून आपण पीक सुधारणेचा मार्ग उघडू शकतो आणि हवामान बदलाचे शेतीवर होणारे हानिकारक परिणाम कमी करू शकतो.
वनस्पतींचे पॅन्जेनोम: जीनोमिक विविधता प्रकट करणे
पारंपारिकपणे, एकल-संदर्भ जीनोम असेंब्ली हे जीनोमिक निवडीचे प्राथमिक लक्ष होते, परंतु पॅन्जेनोम आता अधिक प्रचलित होत आहेत. वैयक्तिक जीनोम असेंब्लीऐवजी वनस्पती पॅन्जेनोम्स, प्रजाती किंवा कुटुंबाची अनुवांशिक सामग्री प्रतिबिंबित करतात.
संदर्भ असेंब्लीमध्ये समाविष्ट नसलेल्यांसह महत्त्वपूर्ण जनुक रूपे त्यांच्याद्वारे प्रकट होतात. अनेक पिकांसाठी, पॅनजेनोम तयार केले गेले आहेत, जे वनस्पतींचे पालन आणि प्रजननाचा इतिहास प्रकाशित करतात.
अनुवांशिक निवडीसह त्यांचे संयोजन अद्याप अंशतः प्रभावी आहे.
ब्रीडर्स विविध प्रकारचे जनुकीय मार्कर वापरू शकतात, अंदाज अचूकता सुधारू शकतात आणि सर्व संभाव्य कनेक्शन्स कॅप्चर करू शकतात, जीनोमिक निवडीमध्ये पॅन्जेनोम्स एकत्र करून.
मशीन लर्निंगवर आधारित जीनोमिक निवड
पारंपारिक जीनोमिक निवड पध्दतींमध्ये एपिस्टासिस, जीनोमिक इंप्रिंटिंग आणि जीनोटाइप परस्परसंवाद यांसारख्या गैर-अॅडिटिव्ह प्रभावांना संबोधित करण्यात अडचणी येतात. या प्रभावांचे अनुकरण करून, मशीन शिक्षण पद्धती व्यवहार्य उत्तरे देतात.
अलीकडील अभ्यासांनी जीनोमिक सिलेक्शनमध्ये मशीन लर्निंग पद्धतींचा वापर केला आहे, ज्यामध्ये डेटासेट आणि पिकांमधील परिणाम आहेत.
मशीन लर्निंग अल्गोरिदम मिश्रित फिनोटाइप आणि फिनोटाइप किंवा जीनोटाइपमधील परस्परसंवाद यासारख्या क्लिष्ट डेटाचे प्रतिनिधित्व हाताळण्यास सक्षम आहेत.
उदाहरणार्थ, स्ट्रॉबेरी आणि ब्लूबेरीसारख्या पॉलीप्लॉइड पिकांमध्ये उत्पादन आणि फळांच्या गुणवत्तेच्या वैशिष्ट्यांचा अंदाज लावण्यासाठी मशीन लर्निंग अल्गोरिदमचा वापर केला गेला आहे.
या प्रणालींमध्ये मोठी क्षमता असली तरी, त्यांची व्याख्या समजून घेणे आणि हायपरपॅरामीटर्स समायोजित करणे हे प्रभावी वापरासाठी महत्त्वाचे आहे.
मशीन लर्निंगच्या विविध पद्धती
जीनोमिक अंदाज अभ्यासामध्ये, मशीन लर्निंग तंत्रांचा वापर वाढत आहे. ही तंत्रे पर्यवेक्षी आणि पर्यवेक्षित शिक्षणाच्या मार्गांमध्ये विभक्त केली जाऊ शकतात.
पर्यवेक्षित शिक्षणाच्या पद्धती विशेषतः उपयुक्त आहेत कारण ते नमुने शोधू शकतात लेबल केलेला डेटा आणि परिणामांची अपेक्षा करा.
विविध अभ्यासांनी विशिष्ट मशीन लर्निंग पध्दतींच्या अंदाज परिणामकारकतेचे परीक्षण केले असताना, विविध पद्धतींच्या संचाची तुलना करणारे संशोधन कमी आहे.
कोणत्या पद्धतींचे गट चांगले कार्य करतात हे समजून घेणे आणि पारंपारिक पद्धतींच्या तुलनेत त्यांचे फायदे आणि तोटे मोजणे महत्वाचे आहे.
आशादायक जीनोमिक अंदाज पद्धती
रेखीय मिश्रित मॉडेल
जीनोमिक अंदाजामध्ये, पारंपारिक रेखीय मिश्रित मॉडेल्स विश्वासार्ह आणि उपयुक्त असल्याचे सिद्ध झाले आहे. लोकसंख्येतील अनुवांशिक भिन्नतेसाठी, हे मॉडेल स्थिर आणि यादृच्छिक प्रभाव दोन्ही एकत्रित करतात.
हे अल्गोरिदम वैयक्तिक संबंध लक्षात घेऊन जीनोमिक प्रजनन मूल्यांचा अचूक अंदाज लावू शकतात.
त्यांच्या स्पर्धात्मक अंदाज कार्यक्षमतेमुळे, संगणकीय कार्यक्षमता आणि साधेपणामुळे, रेखीय मिश्रित मॉडेल्सचा वनस्पती आणि प्राणी प्रजननामध्ये मोठ्या प्रमाणावर वापर केला जातो. त्यांना इतर पद्धतींपेक्षा कमी ट्यूनिंग पॅरामीटर्सची आवश्यकता असते, ज्यामुळे ते जीनोमिक निवडीसाठी योग्य बनतात.
नियमित प्रतिगमन
जीनोमच्या अंदाजासाठी, LASSO (Least Absolute Shrinkage and Selection Operator) आणि रिज रिग्रेशन सारख्या नियमित प्रतिगमन पद्धती ही प्रभावी साधने आहेत.
ही तंत्रे पारंपारिक प्रतिगमन मॉडेलमध्ये पेनल्टी टर्म जोडून परिवर्तनीय निवड आणि नियमितीकरण सक्षम करतात.
या पद्धती उच्च-आयामी डेटा कुशलतेने हाताळतात आणि शून्याकडे कमी लक्षणीय मार्कर कमी करून अंदाज अचूकता वाढवतात.
नियमितीकृत प्रतिगमन तंत्र वनस्पती आणि प्राणी प्रजनन अभ्यासामध्ये जीनोमिक निवडीसाठी आकर्षक पर्याय आहेत कारण ते साधेपणा आणि परिणामकारकता यांच्यात तडजोड करतात.
यादृच्छिक वने
यादृच्छिक जंगले नावाचे एकत्रित शिक्षण तंत्र निर्णय वृक्ष वापरून अंदाज लावते. जीनोमिक अंदाजाच्या संदर्भात उच्च-आयामी जीनोमिक डेटाचे मूल्यांकन करण्यासाठी यादृच्छिक जंगलांचा वापर केला जाऊ शकतो.
या पद्धतीसह, मोठ्या संख्येने निर्णय वृक्ष तयार केले जातात, प्रत्येकाला मार्करच्या यादृच्छिक उपसंचावर प्रशिक्षित केले जाते आणि त्यांचे अंदाज एकत्रितपणे एकच अंदाज तयार केले जातात.
जीनोमिक निवडीसाठी यादृच्छिक जंगले हे एक उपयुक्त साधन आहे कारण ते वैशिष्ट्ये आणि मार्करमधील गुंतागुंतीचे परस्परसंवाद आणि नॉनलाइनर सहसंबंध ओळखू शकतात.
यादृच्छिक जंगले आउटलायर्ससाठी देखील लवचिक असतात आणि गहाळ डेटा सामावून घेऊ शकतात, ज्यामुळे जीनोमिक अंदाजासाठी त्यांचे मूल्य वाढते.
ANN (कृत्रिम न्यूरल नेटवर्क)
कृत्रिम न्यूरल नेटवर्क, काहीवेळा ANN किंवा न्यूरल नेटवर्क म्हणून संदर्भित, हे संगणकीय मॉडेल आहेत जे मानवी मेंदूच्या न्यूरल आर्किटेक्चरमधून प्रेरणा घेतात.
डेटामधील गुंतागुंतीचे नमुने आणि नातेसंबंध ओळखण्याच्या त्यांच्या क्षमतेमुळे, ANN अनुवांशिक अंदाजामध्ये अधिकाधिक सामान्य झाले आहेत.
एएनएन मार्कर आणि गुणधर्मांमधील नॉनलाइनर परस्परसंवाद रेकॉर्ड करू शकतात कारण त्यांच्या मल्टीलेअर आर्किटेक्चर आणि इंटरकनेक्टेड नोड्स (न्यूरॉन्स). या नेटवर्क्सना विस्तृत डेटासेट आणि कठोर हायपरपॅरामीटर समायोजन वापरून कसून प्रशिक्षण आवश्यक आहे.
जटिल अनुवांशिक दुवे उघड करून आणि जीनोमिक डेटामधील लपलेले नमुने ओळखून, ANN मध्ये जीनोमिक अंदाजाची अचूकता वाढवण्याची क्षमता आहे.
लक्ष्य गुण आणि डेटाचे महत्त्व
अभ्यास दर्शविते की विशिष्ट डेटा आणि लक्ष्य गुणधर्मांचे मूल्यमापन केले जाणारे अंदाज कार्यप्रदर्शन आणि मशीन लर्निंग पद्धतींच्या संगणकीय खर्चावर परिणाम होतो.
लक्षात घेतल्याप्रमाणे, पारंपारिक नियमित पद्धतींमध्ये जटिलता जोडल्याने अंदाज अचूकता वाढविल्याशिवाय मोठ्या संगणकीय खर्च होऊ शकतात.
संगणकीय कार्यक्षमता गुंतवणूक
लक्ष्य डेटासेट आणि भविष्यसूचक कार्यप्रदर्शन आणि संगणकीय ओझ्यासाठी गुणधर्मांवर अवलंबून राहणे, मशीन लर्निंग अल्गोरिदम आणि संगणन संसाधनांची संगणकीय कार्यक्षमता सुधारण्यासाठी गुंतवणूक करणे महत्वाचे आहे.
हे जीनोमिक निवडीची अचूकता आणि कार्यक्षमता सुधारण्यास मदत करेल.
निष्कर्ष - भविष्यात काय आहे?
जीनोमिक सिलेक्शनमधील मशीन लर्निंगला उज्ज्वल भविष्य असल्याचे दिसते. मशीन लर्निंग तंत्रांमध्ये अनुवांशिक अंदाज पूर्णपणे बदलण्याची क्षमता आहे कारण तंत्रज्ञान विकसित होत आहे आणि संगणक संसाधने अधिक व्यापकपणे उपलब्ध होत आहेत.
या पद्धती उच्च-आयामी जीनोमिक डेटा हाताळण्यास, गुंतागुंतीच्या नमुन्यांचा शोध आणि अंदाज अचूकता वाढविण्यास परवानगी देतात.
इच्छित वैशिष्ट्ये असलेल्या व्यक्तींची जलद आणि अधिक अचूक निवड सुलभ करून, जीनोमिक निवडीसह मशीन लर्निंग अल्गोरिदमचे संयोजन प्रजनन कार्यक्रम सुधारण्याची शक्यता धारण करते.
ही तंत्रे सुधारण्यासाठी, संगणकीय समस्यांना सामोरे जाण्यासाठी आणि विविध वनस्पती आणि प्राण्यांच्या प्रजातींसाठी त्यांचा वापर तपासण्यासाठी, अधिक अभ्यास आवश्यक आहे.
तंत्रज्ञान विकसित होत असताना, अनुवांशिक प्रगतीचा वेग वाढवून आणि कृषी क्षेत्राला मदत करत असताना मशीन लर्निंग जीनोमिक सिलेक्शनमध्ये अधिकाधिक महत्त्वाचे होईल अशी आमची अपेक्षा आहे.
प्रत्युत्तर द्या