مقایسه عملکرد روش‌های تجزیه مؤلفه‌های اصلی و شبکه عصبی مصنوعی در شناسایی نشانگرهای تفکیک در نژادهای مختلف اسب دنیا

نویسندگان

1 دانشیار، گروه علوم دامی - دانشکده کشاورزی و محیط زیست، دانشکده کشاورزی، دانشگاه اراک، اراک، ایران.

2 دانشیار، گروه علوم دامی - دانشکده کشاورزی و محیط زیست، دانشکده کشاورزی، دانشگاه اراک، اراک، ایران.

3 دانشجوی کارشناسی ارشد،گروه علوم دامی - دانشکده کشاورزی و محیط زیست، دانشکده کشاورزی، دانشگاه اراک، اراک، ایران.

4 دانشیار، گروه علوم دامی - دانشکده کشاورزی و محیط زیست، دانشکده کشاورزی، دانشگاه اراک، اراک، ایران.

doi
10.22059/jap.2022.335575.623663
چکیده

هدف این پژوهش مقایسه کارایی و عملکرد روش پیشرفته شبکه عصبی مصنوعی نسبت به تجزیه مؤلفه­های اصلی در تفکیک نژادهای مختلف اسب بود. بنابراین،  برای شناسایی یک زیرمجموعه از نشانگرهای SNP با بالاترین قدرت تفکیک نژادی و بررسی نحوه اختصاص حیوانات به گروه­های نژادی خود از دو روش شبکه عصبی پرسپترون (الدن) و روش کلاسیک تجزیه مؤلفه­های اصلی (PCA) استفاده شد. نتایج حاصل نشان داد روش شبکه عصبی (الدن) قادر است که 37 نژاد اسب موردمطالعه در این پژوهش کنونی را، با زیرمجموعه کوچکی از نشانگرهای SNP (8000 نشانگر) و با قدرت تفکیک مشابه با تمام نشانگرهای ژنوم (صحت 98 درصدی)، از همدیگر مجزا و تفکیک کند. روش انتخاب PCA تنها توانست نژادهایی که دارای خاستگاه­های متفاوت بودند را شناسایی و تفکیک کند. با توجه به نتایج به­دست‌آمده، روش PCA دارای خطا و ایراد بوده و برای اجرا روی داده­های ژنومی نیاز به تغییرات و اصلاحات دارد. نتایج این پژوهش، رویکردهای عملی را در طراحی آرایه­های اقتصادی در تفکیک نژادهای مختلف اسب ارائه می­دهد.