Савремена генетика је развила моћну методу под називом геномска селекција која користи податке садржане у геномима биљака и животиња за побољшање узгоја.
Геномска селекција омогућава предвиђање генетског потенцијала појединца за жељене квалитете, као што су отпорност на болести, принос или квалитет, испитивањем разлика у секвенци ДНК међу појединцима.
Ови генетски подаци помажу у доношењу одлука на основу бољег информисања, убрзавању процеса селекције и креирању програма узгоја који су ефикаснији и плодоноснији.
У овој занимљивој области генетике, Машина учење ствара чуда и унапређује поље. Хајде да се удубимо и научимо о машинском учењу у геномској селекцији.
Шта је заправо геномска селекција?
Геномска селекција је техника која се користи у узгоју животиња и биљака за предвиђање перформанси појединца на основу њиховог генетског састава.
То укључује гледање у ДНК људи како би се пронашли одређени маркери повезани са пожељним карактеристикама.
Истраживачи могу да одреде генетски потенцијал особе за карактеристике попут отпорности на болести, приноса или квалитета анализом ових маркера у целом геному.
Узгајивачи могу прецизније предвидети учинак потомства захваљујући геномској селекцији без потребе за дуготрајним и скупим фенотипским проценама.
Омогућавајући одгајивачима да изаберу појединце са најбољим генетским потенцијалом за програме оплемењивања, овај метод помаже у убрзању процеса оплемењивања омогућавајући ефикасније и фокусираније побољшање жељених особина у биљним и животињским популацијама.
Оплемењивање биљака путем геномске селекције
Оплемењивање биљака је доживело револуцију захваљујући геномској селекцији, која је убрзала процес и повећала приносе усева.
Али да би се решили надолазећи проблеми изазвани климатским променама, потребно је више развоја.
Да би ово решили, истраживачи користе пангеноме и најсавременије приступе машинском учењу у геномској селекцији.
Цео геномски материјал врсте, такође познат као пангеном, омогућава темељно разумевање генетске варијације.
Можемо отворити пут за побољшање усева и ублажити штетне ефекте климатских промена на пољопривреду гледањем примера из узгоја усева, разумевањем ограничења машинског учења и наглашавањем обећања ових техника.
Пангеноми биљака: откривање геномске разноликости
Традиционално, скупови генома са једном референцом су били примарни фокус геномске селекције, али пангеноми сада постају све присутнији. Пангеноми биљака, а не појединачни скупови генома, одражавају генетски материјал врсте или породице.
Они откривају значајне варијанте гена, укључујући и оне које нису укључене у референтни склоп. За неколико усева створени су пангеноми који осветљавају историју припитомљавања и оплемењивања биљака.
Њихова комбинација са генетском селекцијом је ипак само делимично ефикасна.
Узгајивачи могу да користе шири спектар генетских маркера, побољшавајући тачност предвиђања и хватајући све потенцијалне везе, комбиновањем пангенома у геномску селекцију.
Геномска селекција заснована на машинском учењу
Традиционални приступи геномске селекције имају потешкоћа у решавању неадитивних ефеката као што су епистаза, геномско утискивање и интеракције генотипа. Симулацијом ових утицаја, приступи машинском учењу пружају одрживе одговоре.
Недавне студије су користиле методе машинског учења у геномској селекцији, са резултатима у распону између скупова података и усева.
Алгоритми машинског учења способни су за руковање компликованим приказима података, као што су мешовити фенотипови и интеракције између фенотипова или генотипова.
На пример, алгоритми машинског учења су коришћени за предвиђање карактеристика производње и квалитета воћа у полиплоидним културама као што су јагоде и боровнице.
Иако ови системи имају велики потенцијал, разумевање њихове интерпретабилности и прилагођавање хиперпараметара су критични за ефикасну примену.
Различите методе машинског учења
У студијама геномског предвиђања, употреба техника машинског учења расте. Ове технике се могу поделити на начине за учење под надзором и учење без надзора.
Методе учења под надзором су посебно корисне јер могу открити обрасце у означени подаци и предвиђају исходе.
Док су различите студије испитивале ефикасност предвиђања специфичних приступа машинском учењу, недостају истраживања која упоређују различите скупове метода.
Кључно је разумети које групе метода раде боље и одмерити њихове предности и недостатке у поређењу са конвенционалним начинима.
Обећавајуће методе геномског предвиђања
Линеарни мешовити модели
У геномском предвиђању, конвенционални линеарни мешовити модели су се показали као поуздани и корисни. Да би се узеле у обзир генетске варијације у популацији, ови модели интегришу и фиксне и насумичне ефекте.
Ови алгоритми могу прецизно предвидети геномске вредности узгоја узимајући у обзир индивидуалну сродност.
Због својих конкурентских предиктивних перформанси, рачунарске ефикасности и једноставности, линеарни мешовити модели се широко користе у узгоју биљака и животиња. Они захтевају мање параметара подешавања од других приступа, што их чини погодним за геномску селекцију.
Регуларизована регресија
За предвиђање генома, ефикасне су методе регуларизоване регресије као што је ЛАССО (Оператор најмањег апсолутног скупљања и селекције) и регресија гребена.
Ове технике омогућавају променљиву селекцију и регуларизацију додавањем казненог термина конвенционалном моделу регресије.
Ове методе ефикасно обрађују високодимензионалне податке и побољшавају тачност предвиђања смањујући мање значајне маркере на нулу.
Регулисане технике регресије су привлачни избори за геномску селекцију у студијама узгоја биљака и животиња јер праве компромис између једноставности и ефикасности.
Случајне шуме
Техника учења ансамбла која се зове насумичне шуме прави предвиђања користећи стабла одлучивања. Случајне шуме се могу користити за процену високодимензионалних геномских података у контексту геномског предвиђања.
Овим методом се гради велики број стабала одлучивања, од којих је свако обучено на случајном подскупу маркера, а њихова предвиђања се комбинују да би се произвела једна прогноза.
Случајне шуме су користан алат за геномску селекцију јер могу да идентификују замршене интеракције и нелинеарне корелације између карактеристика и маркера.
Случајне шуме су такође отпорне на ванредне ситуације и могу прихватити податке који недостају, што повећава њихову вредност за предвиђање генома.
АНН (вештачке неуронске мреже)
Вештачко неуронске мреже, који се понекад називају АНН или неуронске мреже, су рачунарски модели који црпе инспирацију из неуронске архитектуре људског мозга.
Због своје способности да препознају замршене обрасце и односе у подацима, АНН су постале све чешће у генетском предвиђању.
АНН могу да снимају нелинеарне интеракције између маркера и атрибута због њихове вишеслојне архитектуре и међусобно повезаних чворова (неурона). Овим мрежама је потребна темељна обука користећи огромне скупове података и ригорозно прилагођавање хиперпараметара.
Откривајући сложене генетске везе и идентификујући скривене обрасце у геномским подацима, АНН имају потенцијал да повећају тачност геномског предвиђања.
Циљне особине и важност података
Студије показују да одређени подаци и циљни атрибути који се процењују имају утицај на перформансе предвиђања и рачунске трошкове приступа машинском учењу.
Као што се може приметити, додавање сложености традиционалним регуларизованим приступима може довести до великих трошкова рачунара без нужног повећања прецизности предвиђања.
Инвестиције у рачунарску ефикасност
С обзиром на ослањање на циљне скупове података и атрибуте за предиктивне перформансе и рачунарско оптерећење, кључно је инвестирати у побољшање рачунарске ефикасности алгоритама за машинско учење и рачунарских ресурса.
Ово би помогло да се побољша прецизност и ефикасност геномске селекције.
Закључак – Шта доноси будућност?
Чини се да машинско учење у геномској селекцији има светлу будућност. Технике машинског учења имају потенцијал да у потпуности промене генетско предвиђање како се технологија развија и рачунарски ресурси постају све доступнији.
Ове методе омогућавају руковање високодимензионалним геномским подацима, откривање сложених образаца и повећање тачности предвиђања.
Омогућавајући бржи и прецизнији одабир појединаца са жељеним карактеристикама, комбинација алгоритама машинског учења са геномском селекцијом пружа могућност побољшања програма узгоја.
Да би се побољшале ове технике, позабавиле рачунарским проблемима и истражиле њихову примену на различите биљне и животињске врсте, потребно је више проучавања.
Очекујемо да ће машинско учење постати све важније у геномској селекцији како се технологија развија, убрзавајући стопу генетског напретка и помажући пољопривредном сектору.
Ostavite komentar