Bu məqalə Science X-nin redaktorluq prosesi və siyasətlərinə uyğun olaraq nəzərdən keçirilib. Tərcüməçilər məzmunun etibarlılığını təmin edərkən aşağıdakı xüsusiyyətləri vurğulayıblar:
Genomik məlumatların tez artması bitki yetişdirməsini birbaşa DNA markerlərindən mürəkkəb xüsusiyyətlərin proqnozlaşdırılmasına imkan verən şəkildə dəyişdirdi. Genomik proqnoz seçim qərarlarını sürətləndirmək, fenotipləmə xərclərini azaltmaq və ürək dövrlərini qısalaşdırmaq üçün bir vasitədir. Vədlərinə baxmayaraq, genomik proqnozların praktik tətbiqi çətin olaraq qalır, çünki proqnoz dəqiqliyi məlumat dəstləri, əhali və xüsusiyyətlər arasında dəyişir. Tədqiqatçılar tez-tez əsaslı bilik və hesablama səylərini tələb edən ən uyğun modelin müəyyən edilməsi üçün bir çox statistik və maşın öyrənmə yanaşmaları qiymətləndirməlidirlər.
Mümkünlüyünü minimuma endirmək və bu prosesi asanlaşdırmaq üçün, birləşmiş çərçivədə genomik proqnozlaşdırma və genom üzrə əlaqələr analizini inteqrasiya edən açıq mənbəli analitik boru kəmər olan GenoBridge-ni inkişaf etdirdik. Model seçimini, performans qiymətləndirməsini və xüsusiyyətlərə aid genetik kəşfləri avtomatlaşdıraraq, GenoBridge genomik məlumat dəstlərindən bioloji məlumatları deşifre etmək üçün miqyaslı, təkrarlana bilən və istifadəçiyə əlverişli bir həll təmin edir. Bizim məqaləmiz "Plant Methods" jurnalında dərc olunub. Proqram GitHub-da mövcuddur.
Ən çox məhsul xüsusiyyətləri, o cümlədən taxıl keyfiyyəti, çiçəkləmə vaxtı və məhsuldarlıq bir çox genetik variantlar və ətraf mühit şəraiti ilə təsirlənir. Maşın öyrənmə modelləri DNT markerləri və ölçülmüş xüsusiyyətlər arasında nümunələri müəyyən edə bilər, lakin onların performansı bir neçə amildən asılıdır. Proqramın ölçüsü əsas amildir və modelin performansı bir-birinə qoşulma sayına görə dəyişir. Minlərlə üzvlüklə mükəmməl nəticə verən model bir neçə yüz üzvlüklə eyni dərəcədə yaxşı işləməməlidir.
Bu xüsusiyyətin genetik memarlığı da əhəmiyyətli rol oynayır. Bəzi xüsusiyyətlər böyük təsirləri olan bir neçə gen tərəfindən təsirlənir, digərləri isə fərdi olaraq kiçik təsirləri olan bir çox genetik variantları əhatə edir. Tədqiqatçılar tez-tez bir neçə modeli müqayisə edərək, sınaq və səhv yolu ilə parametrlərini tənzimləyirlər. Bu proses müxtəlif məlumat dəstlərində bir neçə xüsusiyyət təhlil edildikdə xüsusilə tələbkar olur.
Qazan analiz parametrlərini müəyyən etmək üçün nümunə ölçüsünü istifadə edir və sıra regressiyası, təsadüfi meşələr, gradient artımı, sinir şəbəkələri və ansambl modelləri daxil olmaqla bir neçə proqnoz metodunu qiymətləndirir. İstifadəçilərdən əvvəlcədən bir model seçməyi tələb etmək əvəzinə, onların performansını çarmıxa təsdiqləmə ilə müqayisə edir. Biz həmçinin maşın öyrənməsində ümumi bir problemdən qaçmaq istəyirik: təlim zamanı təəccüblü nəticələr əldə etmək, model yeni məlumatlarla qarşılaşanda davam etməmək.
Xülasə — davamını mənbədə oxuyun.
