نقش و کاربردهای متنوع یادگیری ماشین در ژنتیک و اصلاح نژاد و بیوتکنولوژی دام و طیور
نویسندگان
1 گروه زیست شناسی، دانشکده علوم، دانشگاه شهید باهنر کرمان، کرمان، ایران
2 گروه علوم دامی، دانشگاه ملی کشاورزی بیلا تسرکوا، بیلا تسرکوا، اوکراین.
3 گروه علوم دامی، دانشگاه ملی کشاورزی بیلا تسرکوا، بیلا تسرکوا، اوکراین.
4 دانشگاه ملی علوم زیستی و محیطی اوکراین، اوکراین.
5 استاد بخش علوم دامی دانشگاه شهید باهنر کرمان
6 دانشیار بخش علوم دامی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، ایران
7 گروه علوم دامی، دانشگاه ملی کشاورزی بیلا تسرکوا، بیلا تسرکوا، اوکراین.
8 گروه فناوریهای تولید و فرآوری دام، دانشگاه دولتی پودیلیا، اوکراین
9 گروه فناوری های تولید و فرآوری دام، دانشگاه دولتی پودیلیا، اوکراین.
10 دانشگاه کشاورزی دولتی پولتاوا، اوکراین.
doi
10.22103/jab.2025.24662.1644چکیده
هدف: یادگیری ماشین، زیرمجموعهای از هوش مصنوعی است که به طور منحصر به فردی برای مقابله با چالشهای حوزه ژنتیک و اصلاح نژاد و بیوتکنولوژی دام و طیور بسیار مناسب است. با استفاده از الگوریتمهایی که میتوانند الگوها را از دادهها یاد بگیرند، یادگیری ماشین پیشبینیهای دقیق، تصمیمگیری خودکار و راهحلهای نوآورانه برای مسائل پیچیده در علوم حیوانات را امکانپذیر میکند. برخلاف روشهای آماری سنتی، که اغلب خطی بودن و استقلال را در بین متغیرها فرض میکنند، یادگیری ماشین قادر است روابط و تعاملات غیرخطی بین عوامل ژنومی، محیطی و فنوتیپی را ثبت کند. لذا، هدف این پژوهش بررسی انواع رایج الگوریتمهای یادگیری ماشین که در پرورش دام و طیور استفاده میشوند، بیان مزایا و معایب آنها و نیز بیان مثالهای کاربردی برای این الگوریتمها در حوزه ژنتیک و اصلاح نژاد و بیوتکنولوژی دام و طیور بود.مواد و روشها: در این پژوهش با بررسی پایگاههای داده و مجلات مربوطه، مطالعات مربوط به یادگیری ماشین در حوزه ژنتیک و اصلاح نژاد و بیوتکنولوژی دام و طیور با استفاده از کلمات کلیدی جستجو شدند. این مطالعات بر اساس طراحی، روش شناسی، نتایج و ارتباط آنها ارزیابی شد و یافته ها و مفاهیم اساسی از آنها استخراج گردید. نتایج: نتایج نشان داد که روشهای یادگیری ماشین به طور قابلتوجهی از روشهای مرسوم بهتر عمل میکنند. به طوری که روشهای یادگیری ماشین دقت پیشبینی را بهبود میبخشند و میانگین مربعات خطا (MSE) و میانگین خطای مطلق (MAE) کوچکتری را در همه سناریوها به همراه دارند. یافتهها همچنین پتانسیل ترکیب روشهای بیوانفورماتیک کلاسیک با تکنیکهای یادگیری ماشین را برای بهبود پیشبینی ژنومی در آینده نشان میدهد. نتایج الگوریتمهای یادگیری ماشین را به عنوان ابزاری امیدوارکننده برای بهبود تصمیمگیری برای دامپروران پیشنهاد میکند. تجزیه و تحلیل یادگیری ماشین روشهای نظارت را بهبود میبخشد و به دامپروران میکند تا حیواناتی را که احتمالاً در آینده مشکلاتی داشته باشند از قبل شناسایی کنند.نتیجهگیری: این مطالعه نشان میدهد که استفاده از روشهای یادگیری ماشین در حوزه ژنتیک و اصلاح نژاد و بیوتکنولوژی دام و طیور رو به افزایش است و با این افزایش کیفیت روشهای یادگیری ماشین استفاده شده نیز رو به بهبود است. لذا، یادگیری ماشین میتواند در توسعه پایدار دامپروری و ارائه مزایایی مانند افزایش بهرهوری در این حوزه نقش مهم و پررنگی را ایفا کند.