فهرست نشریات علمی دسترسی آزاد ایران

آگاهی از ارتباط چندشکلی­های تک­نوکلئوتیدی با صفات مهم اقتصادی یکی از ابزارهای مهم برنامه­­های اصلاح نژاد در صنعت طیور است. مطالعات پویش ژنومی برای کشف چندشکلی­های تک­نوکلئوتیدی (نشان­گرها) مرتبط با این صفات، اغلب با استفاده از مدل­های خطی ساده صورت می­گیرد که به دلیل وجود برخی از فرضیات این مدل­ها، ممکن است بعضی از نشان­گرها شناسایی نشوند. این مطالعه با هدف ارزیابی کارآیی روش­های جنگل تصادفی و گرادیان بوستینگ و ارزیابی عملکرد آن­ها در مقابل مدل خطی برای شناسایی نشان­گرهای همبسته با صفات وزن بدن در سنین 6 و 9 هفتگی در جوجه­های گوشتی نسل دوم حاصل از تلاقی­های دوطرفه لاین تجاری آرین با پرنده­های بومی ارومیه انجام شد. نتایج نشان داد که دو روش یادگیری ماشین توانستند نشان‌گرهای مهمی از جمله GGaluGA308573، GGaluGA255033، Gga_rs13614212، Gga_rs13743072، GGaluGA258772، Gga_rs14034395 و Gga_rs13858398 را برای صفات وزن بدن شناسایی کنند که به ترتیب با ژن­های MAP2، ACSL1، CAMSAP2، FAM117B، SLC4A4، TIMP4 و LncRNA در ارتباط بودند. تقسیم سلولی، کنترل رشد، تنظیم ساختار  اسکلت سلولی و میکروتوبول، و فعالیت رونویسی مهمترین فرآیند بیولوژیکی این ژن­ها می­باشند. مطالعه ژن‌های جدید شناسایی شده توسط روش­های یادگیری ماشین، که مدل خطی قادر به شناسایی آن­ها در جمعیت مورد مطالعه نبودند، می‌تواند بینش جدیدی را برای کنترل ژنتیکی صفات رشد در جوجه‌های گوشتی باز کند. علاوه بر این، نشان­گرهای با اهمیت کشف شده، قابلیت استفاده در برنامه­های اصلاح ژنتیکی جوجه‌های گوشتی را دارند.