Genetik moden telah membangunkan kaedah berkuasa yang dipanggil pemilihan genomik yang menggunakan data yang terkandung dalam genom tumbuhan dan haiwan untuk meningkatkan pembiakan.
Pemilihan genomik membolehkan ramalan potensi genetik individu untuk kualiti yang diingini, seperti rintangan penyakit, hasil atau kualiti, dengan memeriksa perbezaan jujukan DNA merentas individu.
Data genetik ini membantu membuat keputusan yang lebih bermaklumat, mempercepatkan proses pemilihan dan mencipta program pembiakan yang lebih berkesan dan membuahkan hasil.
Dalam bidang genetik yang menarik ini, pembelajaran mesin telah mencipta keajaiban dan meningkatkan bidang. Mari kita mendalami dan belajar tentang pembelajaran mesin dalam pemilihan genomik.
Apakah Sebenarnya Pemilihan Genomik?
Pemilihan genomik ialah teknik yang digunakan dalam pembiakan haiwan dan tumbuhan untuk meramalkan prestasi individu berdasarkan solekan genetik mereka.
Ia melibatkan melihat DNA manusia untuk mencari penanda tertentu yang berkaitan dengan ciri yang diingini.
Penyelidik boleh menentukan potensi genetik seseorang untuk ciri seperti rintangan penyakit, hasil atau kualiti dengan menganalisis penanda ini merentas keseluruhan genom.
Penternak boleh meramalkan prestasi anak dengan lebih tepat terima kasih kepada pemilihan genomik tanpa memerlukan penilaian fenotip yang memakan masa dan mahal.
Dengan membolehkan penternak memilih individu yang mempunyai potensi genetik terbaik untuk program pembiakan, kaedah ini membantu dalam mempercepatkan proses pembiakan dengan membolehkan peningkatan yang lebih berkesan dan tertumpu bagi ciri-ciri yang dikehendaki dalam populasi tumbuhan dan haiwan.
Pembiakan tumbuhan melalui pemilihan genomik
Pembiakan tumbuhan telah mengalami revolusi terima kasih kepada pemilihan genomik, yang telah mempercepatkan proses dan meningkatkan hasil tanaman.
Tetapi untuk menangani masalah yang akan datang yang dibawa oleh perubahan iklim, lebih banyak pembangunan diperlukan.
Untuk menyelesaikannya, penyelidik menggunakan pangenome dan pendekatan pembelajaran mesin yang canggih dalam pemilihan genomik.
Keseluruhan bahan genomik spesies, juga dikenali sebagai pangenome, membolehkan pemahaman menyeluruh tentang variasi genetik.
Kita boleh membuka jalan untuk penambahbaikan tanaman dan mengurangkan kesan buruk perubahan iklim terhadap pertanian dengan melihat contoh daripada pembiakan tanaman, memahami kekangan pembelajaran mesin, dan menyerlahkan janji teknik ini.
Pangenomes Tumbuhan: Mendedahkan Kepelbagaian Genomik
Secara tradisinya, himpunan genom rujukan tunggal telah menjadi tumpuan utama pemilihan genom, tetapi pangenom kini menjadi lebih berleluasa. Pangenom tumbuhan, bukannya himpunan genom individu, mencerminkan bahan genetik spesies atau keluarga.
Varian gen yang ketara, termasuk yang tidak termasuk dalam perhimpunan rujukan, didedahkan oleh mereka. Untuk beberapa tanaman, pangenom telah dicipta, menerangi sejarah pembiakan dan pembiakan tumbuhan.
Gabungan mereka dengan pemilihan genetik masih hanya separa berkesan.
Penternak boleh menggunakan pelbagai penanda genetik yang lebih luas, meningkatkan ketepatan ramalan dan menangkap semua sambungan yang berpotensi, dengan menggabungkan pangenome ke dalam pemilihan genom.
Pemilihan Genomik Berdasarkan Pembelajaran Mesin
Pendekatan pemilihan genomik tradisional mempunyai kesukaran dalam menangani kesan bukan aditif seperti epistasis, pencetakan genomik dan interaksi genotip. Dengan mensimulasikan kesan ini, pendekatan pembelajaran mesin memberikan jawapan yang berdaya maju.
Kajian terbaru telah menggunakan kaedah pembelajaran mesin dalam pemilihan genomik, dengan hasil antara set data dan tanaman.
Algoritma pembelajaran mesin mampu mengendalikan perwakilan data yang rumit, seperti fenotip campuran dan interaksi antara fenotip atau genotip.
Sebagai contoh, algoritma pembelajaran mesin telah digunakan untuk meramalkan pengeluaran dan ciri kualiti buah dalam tanaman poliploid seperti strawberi dan beri biru.
Walaupun sistem ini mempunyai potensi yang besar, memahami kebolehtafsiran mereka dan melaraskan hiperparameter adalah penting untuk aplikasi yang berkesan.
Kaedah Pembelajaran Mesin yang Berbeza
Dalam kajian ramalan genomik, penggunaan teknik pembelajaran mesin semakin berkembang. Teknik-teknik ini boleh diasingkan kepada cara untuk pembelajaran diselia dan tidak diselia.
Kaedah pembelajaran diselia amat berguna kerana ia boleh menemui corak dalam data berlabel dan menjangkakan hasil.
Walaupun pelbagai kajian telah mengkaji keberkesanan ramalan pendekatan pembelajaran mesin tertentu, penyelidikan yang membandingkan pelbagai set kaedah masih kurang.
Adalah penting untuk memahami kumpulan kaedah yang berprestasi lebih baik dan untuk menimbang faedah dan kelemahannya berbanding dengan cara konvensional.
Kaedah Ramalan Genomik yang Menjanjikan
Model Campuran Linear
Dalam ramalan genomik, model campuran linear konvensional telah terbukti boleh dipercayai dan berguna. Untuk mengambil kira variasi genetik dalam populasi, model ini mengintegrasikan kedua-dua kesan tetap dan rawak.
Algoritma ini boleh meramalkan nilai pembiakan genomik dengan tepat dengan mengambil kira perkaitan individu.
Oleh kerana prestasi ramalan yang kompetitif, kecekapan pengiraan dan kesederhanaan, model campuran linear digunakan secara meluas dalam pembiakan tumbuhan dan haiwan. Mereka memerlukan parameter penalaan yang lebih sedikit daripada pendekatan lain, menjadikannya sesuai untuk pemilihan genom.
Regresi Teratur
Untuk ramalan genom, kaedah regresi teratur seperti LASSO (Least Absolute Shrinkage and Selection Operator) dan regresi rabung adalah alat yang berkesan.
Teknik ini membolehkan pemilihan pembolehubah dan penyelarasan dengan menambahkan istilah penalti pada model regresi konvensional.
Kaedah ini mengendalikan data berdimensi tinggi dengan cekap dan meningkatkan ketepatan ramalan dengan mengurangkan penanda yang kurang ketara ke arah sifar.
Teknik regresi teratur adalah pilihan yang menarik untuk pemilihan genomik dalam kedua-dua kajian pembiakan tumbuhan dan haiwan kerana ia menjejaskan kompromi antara kesederhanaan dan keberkesanan.
Hutan Rawak
Teknik pembelajaran ensemble yang dipanggil hutan rawak membuat ramalan menggunakan pepohon keputusan. Hutan rawak boleh digunakan untuk menilai data genom berdimensi tinggi dalam konteks ramalan genom.
Dengan kaedah ini, sebilangan besar pokok keputusan dibina, setiap satu dilatih pada subset penanda rawak, dan ramalan mereka digabungkan untuk menghasilkan satu ramalan.
Hutan rawak ialah alat yang berguna untuk pemilihan genomik kerana ia boleh mengenal pasti interaksi yang rumit dan korelasi tak linear antara ciri dan penanda.
Hutan rawak juga berdaya tahan terhadap outlier dan boleh menampung data yang hilang, yang meningkatkan nilainya untuk ramalan genomik.
ANN (rangkaian neural buatan)
Buatan rangkaian saraf, kadangkala dirujuk sebagai ANN atau rangkaian saraf, ialah model pengiraan yang mendapat inspirasi daripada seni bina saraf otak manusia.
Disebabkan keupayaan mereka untuk mengenali corak dan perhubungan yang rumit dalam data, ANN telah menjadi lebih biasa dalam ramalan genetik.
ANN boleh merekodkan interaksi tak linear antara penanda dan atribut kerana seni bina berbilang lapisan dan nod yang saling berkaitan (neuron). Rangkaian ini memerlukan latihan menyeluruh menggunakan set data yang luas dan pelarasan hiperparameter yang ketat.
Dengan mendedahkan pautan genetik yang kompleks dan mengenal pasti corak tersembunyi dalam data genom, ANN mempunyai potensi untuk meningkatkan ketepatan ramalan genom.
Ciri Sasaran dan Kepentingan Data
Kajian menunjukkan bahawa data tertentu dan atribut sasaran yang dinilai mempunyai kesan ke atas prestasi ramalan dan kos pengiraan pendekatan pembelajaran mesin.
Seperti yang boleh diperhatikan, menambah kerumitan kepada pendekatan biasa tradisional boleh mengakibatkan kos pengkomputeran yang besar tanpa semestinya meningkatkan ketepatan ramalan.
Pelaburan Kecekapan Pengiraan
Memandangkan pergantungan pada set data sasaran dan atribut untuk prestasi ramalan dan beban pengiraan, adalah penting untuk melabur dalam meningkatkan kecekapan pengiraan algoritma pembelajaran mesin dan sumber pengkomputeran.
Ini akan membantu meningkatkan ketepatan dan kecekapan pemilihan genom.
Kesimpulan – Apakah Masa Depan?
Pembelajaran mesin dalam pemilihan genomik nampaknya mempunyai masa depan yang cerah. Teknik pembelajaran mesin mempunyai potensi untuk mengubah ramalan genetik sepenuhnya apabila teknologi berkembang dan sumber komputer menjadi lebih meluas.
Kaedah ini membolehkan pengendalian data genomik berdimensi tinggi, penemuan corak yang rumit, dan peningkatan dalam ketepatan ramalan.
Dengan memudahkan pemilihan individu yang lebih cepat dan tepat dengan ciri yang diingini, gabungan algoritma pembelajaran mesin dengan pemilihan genomik mempunyai kemungkinan untuk menambah baik program pembiakan.
Untuk menambah baik teknik ini, menangani isu pengiraan, dan menyiasat penggunaannya pada spesies tumbuhan dan haiwan yang berbeza, lebih banyak kajian diperlukan.
Kami menjangkakan pembelajaran mesin menjadi semakin penting dalam pemilihan genomik apabila teknologi berkembang, mempercepatkan kadar kemajuan genetik dan membantu sektor pertanian .
Sila tinggalkan balasan anda