ابرداده ها و نقش جدیدترین تکنولوژی ها در اصلاح نژاد دام و طیور
ابرداده ها و نقش جدیدترین تکنولوژی ها در اصلاح نژاد دام و طیور

ابرداده ها و نقش جدیدترین تکنولوژی ها در اصلاح نژاد دام و طیور

دیدگاه کلی ژنتیک و اصلاح نژاد دام و طیور در حال انتقال به عصر دیجیتال با توان عملیاتی بالا است که در آن با استفاده از فناوری های جدید سعی می شود دقت ثبت اطلاعات و برآورد ارزش های اصلاحی افزایش یابد.

در ادامه با استفاده از نرم افزارهای پیشرفته و کامپیوترهای بزرگ، پردازش حجم بزرگی از داده ها انجام میشود.

ظهور فناوری تعیین ژنوتایپ و شناسایی SNPها همراه با روشهای آماری جدید برای استفاده از این داده ها برای برآورد ارزش اصلاحی، منجر به کاربرد گسترده انتخاب ژنومی در گاوهای شیری و طیور برای انجام انتخاب ژنومیک در دیگر موارد شده است.

توسعه الگوریتم های داده کاوی مرتبط با آبر داده ها در برآورد ارزش های اصلاحی نقش قابل توجهی ایفا می کنند.

مجموعه ای از تکنولوژی ها همچون هوش مصنوعی، یادگیری ماشین و یادگیری عمیق در عصر جدید فرصت های مناسبی را در مقایسه با روش های سنتی برای بررسی صفات اقتصادی با معماری پیچیده فراهم ساخته اند.

این رویکردها تجزیه و تحلیل مجموعه های بزرگ داده ها و اطلاعات بزرگ ژنومی را در جهت رسیدن به اهداف امکان پذیر کرده است.

هدف از این مطالعه بیان توضیحی اجمالی از روش ها و فناوری های جدید در علوم دامی است که به طور گسترده در رکوردبرداری و ثبت اطلاعات تا برآورد ارزش های اصلاحی مورد استفاده قرار می گیرند، به گونه ای که دیدگاه اصلاح نژادی را در آینده دیجیتال تغییر دهند.

بنابراین، افزایش پتانسیل در تجزیه و تحلیل آبرداده ها همراه با روش های نوین در رکوردبرداری از صفات فنوتیپی و برآورد ارزش های اصلاحی، مقدار پیشرفت ژنتیکی دام ها را به طور چشمگیری افزایش خواهد داد.

مقدمه ای بر مقاله

مطالعات بسیار زیادی در رابطه با روشهای آماری جدید وجود دارد که بر اساس آنها قابلیت تجزیه و تحلیل مدل های پیچیده تر با کارایی بیشتر به ویژه برای آبر دادهها وجود خواهد داشت، به گونه ای مدت زمان لازم برای محاسبات به طور قابل توجهی کاهش یابد.

امروزه بیشتر محققان و پژوهشگران علم اصلاح نژاد دام و طیور به دنبال روش های محاسباتی کارآمدتری هستند که بتوانند با استفاده از ظرفیت محاسباتی کمتر، پردازش سریع تر نمونه داده ها را انجام دهند.

به منظور بهبود و پیشرفت در اصلاح نژاد، اصلاحگران باید برآورد پارامترهای ژنتیکی مانند میزان تغییرات ژنتیکی در برخی خصوصیات را رصد نمایند و اطلاعات فنوتیپی و ژنوتیپی با دقت و صحت بالایی ثبت گردند.

با در نظر گرفتن تغییرات موجود در منابع مختلف، می توان از مدل های مختلط متناسب با یک استراتژی راهبردی استفاده کرد و برای هر منبع تغییر باید یک پارامتر آماری به نام واریانس تخمین زده شود (۲۰۱۲ ,CM Dekkers).

روش های مورد استفاده برای ارزیابی پارامترهای واریانس و مدل هایی که ویژگی ها و برتری های حیوانات را نشان می دهند، “هسته پژوهش” را تشکیل می دهند.

بیشتر بدانید: نقش پروبیوتیک های نوترکیب در درمان بیماری ها

با این وجود، با توجه به نمونه های بزرگ داده ها و مدل های پیچیده ای که اغلب در ارزیابی های دامپروری مورد استفاده قرار می گیرند، بازده محاسباتی یکی از ویژگی های اصلی روش های تخمین است.

راه حل های سریع تر برای مدل های پیچیده استفاده از نرم افزارهای پرقدرت در دسترس برای ارزیابی منحنی های مختلف هر پارامتر است.

به گونه ای که نرم افزارها و برنامه های جدید هم از نظر حافظه رایانه و هم از نظر مدت زمان محاسبه باید کارآمد باشند.

بدان معنی که پارامترهای واریانس ژنتیکی مورد نیاز در برنامه های انتخاب حیوانات می توانند در آینده سریع تر و با صحت بالاتری محاسبه شوند. (Chu and Corey, 2012)

هدف اصلی در این مطالعه ارائه توضیحی اجمالی از روش های جدید پیش بینی شده است که تاکنون در دامپروری و اصلاح نژاد دام و طیور به صورت گسترده چه در رکوردبرداری و ثبت اطلاعات و چه در برآورد ارزش های اصلاحی مورد استفاده قرار گرفته است.

در ادامه روندهای بالقوه و جهت گیری های جدید تحقیقاتی همچون تجزیه و تحلیل داده های بزرگ (با حجم بالا) با استفاده از تکنیک های هوش مصنوعی، یادگیری ماشینی، شبکه عصبی مصنوعی و سایر تکنولوژی های روز اشاره می شود؛ به گونه ای که می توانند دیدگاه اصلاح نژاد دام و طیور را در آینده دیجیتال، تغییر دهند.

ابرداده ها و نقش جدیدترین تکنولوژی ها در اصلاح نژاد دام و طیور
توسعه الگوریتم های داده کاوی مرتبط با آبر داده ها در برآورد ارزش های اصلاحی نقش قابل توجهی ایفا می کنند.

آینده دیجیتال و عصر ابرداده ها

دیدگاه کلی اصلاح نژاد دام و طیور در حال گذر از دوره کلاسیک به سمت دوره دیجیتال با توان بالا است که در آن مقدار زیادی از اطلاعات به صورت لحظه ای با استفاده از نرم افزارهای پیشرفته و کامپیوترهای بزرگ، ذخیره و تجزیه و تحلیل می شوند و تصمیم گیری های عملی در استراتژی های اصلاح نژادی براساس نتایج خروجی صورت می گیرد (۲۰۱۹ ,.Nayeri et al).

در حال حاضر اصلاح نژاد دام و طیور از قاعده توسعه روش های محاسباتی کارآمدتر و سریعتر مستثنا نیست و اکنون با انتقال روش ها و برنامه های جدید و مفهومی با یک دوره محاوره ای به نام “عصر بزرگ داده” روبرو است.

در حالی که منابع اطلاعاتی سنتی برای اصلاح نژاد در حیوانات شامل اطلاعات فنوتیپی و شجره ای است، امروزه هجوم وسیعی از داده های ژنومی متشکل از چندشکلی های تک نوکلئوتیدی (SNP)، حاشیه نویسی ژن، مسیرهای متابولیکی، شبکه های متعامل پروتئینی، بیان ژن و اطلاعات مربوط به ساختار پروتئینها وجود دارد.

بیشتر بدانید: تکنولوژی ترنس ژنیک و جلوگیری از باکتری استافیلوکوکوس در گاوهای شیری

استفاده از داده های SNP برای پی بردن به معماری ژنوم تا فنوم صفات تنها می تواند بخشی از واریانس فنوتپی را توجیه نماید؛ به همین دلیل فراهم آوری تمام اطاعات آمیکس که به طور خاص نیازمند شبکه های عصبی عمیق برای تحلیل ارتباطات بین لایه های مختلف است امری ضروری به نظر می رسد.

  سخنان دکتر محمد نوری در خصوص دانشکده های دامپزشکی

الگوریتم های نوین یادگیری عمیق تمام اطلاعات آمیکس افراد را طبق لایه بندی های مختلف دریافت نموده و با استفاده از عملگرهای ریاضی اقدام به بررسی ارتباطات بین این لایه ها می کنند.

صنعت دام نیز در دهه گذشته تحت تأثیر تغییرات اساسی در انتخاب ژنتیکی، مدیریت گله و از همه مهم تر جمع آوری داده های مبتنی بر فناوری های نوین بر پایه پردازش سیگنال قرار گرفته است.

فناوری سنسور با نظارت بر فعالیت دامها و گله های بزرگ و ارسال هشدار برای سلامتی، باروری و یا جمع آوری فنوتیپهای با اندازه گیری سخت گیرانه، پتانسیل بزرگی برای افزایش بهره وری اصلاح نژاد دارد.

این مجموعه داده های بزرگ به همراه سایر منابع ژنومی فرصتی برای ایجاد مدل های پیش بینی سلامت، باروری و سایر رویدادها به وجود می آورد (Nayeri et al., 2019).

 

فناوری های جدید در افزایش دقت ثبت اطلاعات

اصلاح گران دام و طیور برای تأمین تقاضای آینده جمعیت ۹.۸ میلیارد نفری انسان تا سال ۲۰۵۰، امروزه از فناوری و نوآوری های جدید زیادی استفاده می کنند.

به گونه ای که این فناوری ها سریع تر، کارآمدتر و در دسترس تر از گذشته می باشند.

پیش بینی می شود که تولید گوشت و فرآورده های دامی و طیور در سال های آینده با توجه به تغییر رژیم غذایی و افزایش سطح درآمد چند برابر شود، که این افزایش میزان تولید، لازمه آن استفاده از روشهای مدرن اصلاح نژادی است.

استفاده از فناوری های جدید در کشاورزی و دامپروری مانند تکنولوژی RFID، حسگرهای بیولوژیک و GPS امکان نظارت بر حیوانات مزرعه ای را فراهم می کند.

این فناوری های نوین حجم عظیمی از داده ها را به دنبال خواهند داشت.

بیشتر بدانید: فناوری واکسن های خوراکی مبتنی بر گیاهان تراریخته

همچنین سایر فناوری های جدید در دامداری ها شامل استفاده از هواپیماهای بدون سرنشین برای نظارت بر دام ها در کشاورزی توسعه یافته و به صورت گسترده مورد استفاده قرار می گیرد که در آینده می توان با استفاده از آنها تکنولوژی های همراه مانند GPS را برای شناسایی و یافتن حیوانات (به عنوان مثال حیوانات فحل در مزرعه) استفاده کرد (۲۰۱۸ ,.Britt et al).

امروزه عصر دیجیتال با حجم بسیار زیادی از داده ها همراه است.

به گونه ای که با استفاده از داده های با حجم بسیار بالا، بخش پرورش و اصلاح نژاد دام کارآمدتر می شود.

اینترنت اشیاء ( IoT : Internet of Things) همراه با هوش مصنوعی و یادگیر ماشین و پردازش تصویر فناوری های جدیدی هستند که با هم گره خورده اند تا پرورش، مدریت و اصلاح نژاد دام با سهولت بیشتری انجام گیرد.

ابرداده ها و نقش جدیدترین تکنولوژی ها در اصلاح نژاد دام و طیور
اینترنت اشیاء دنیای فیزیکی (اشیاء و تجهیزات محیط پیرامون) را با دنیای دیجیتال پیوند می دهد

اینترنت اشیاء دنیای فیزیکی (اشیاء و تجهیزات محیط پیرامون) را با دنیای دیجیتال پیوند می دهد و قابلیت هایی را در بخش اصلاح نژاد ارائه میدهد.

با این وجود در پیش بینی وقایع آینده، پشتیبانی از تصمیم گیری و بهبود سیستم ها یاری رسان خواهد بود.

اینترنت اشیاء با اطلاع رسانی سریع، هشدار می دهد که چگونه و چه زمانی در تغذیه، تولیدمثل، بهداشت و مراقبت از حیوانات مداخله کنند و جهت رفع مشکل قدم بردارند.

همچنین از برنامه های تلفن همراه متصل به پیشرفته ترین نرم افزارهای مدیریتی، برای ردیابی سلامت حیوانات و افزایش بهره وری استفاده میشود.

فناوری های هوش مصنوعی ( AI : Artificial Intelligence ) و رباتیک (Robotic) جدیدترین فناوری هایی هستند که در عصر جدید در اصلاح نژاد دام و طیور از آنها استفاده میشود.

بیشتر بدانید: واکسن های نوترکیب

با سرمایه گذاری صنایع مختلف در هوش مصنوعی ارزش و فناوری آن همچنان در حال افزایش است؛ به گونه ای که در سال ۲۰۱۶ درآمد سالانه از سیستم های فعال شده با هوش مصنوعی تا سال ۲۰۲۵ از ۱.۴ میلیارد دلار به ۵۹.۸ میلیارد دلار افزایش می یابد.

از یادگیری ماشینی به طور فزاینده ای در بسیاری از فناوری های جدید بهره گرفته میشود و الگوریتم های رایانه ای مانند الگوریتم ژنتیک بینش عمیقی از معیارهای تجاری و بهبود تصمیم گیری مبتنی بر داده ها را ارائه می دهند.

استفاده از ربات های ثبت کننده رکوردها و اطلاعات مانند ربات های شیردوش، نقش قابل توجهی در ارزیابی های ژنتیکی به دلیل دقت و صحت بالا در ثبت اطلاعات را به دنبال خواهند داشت که در واحدهای دامداری کشورهای توسعه یافته به طور گسترده مورد استفاده قرار می گیرند.

استفاده از این تکنولوژی های مدرن افزایش بهداشت، افزایش عملکرد، کاهش هزینه ها و ضایعات کمتر محیطی واحد دامپروری را به دنبال خواهند داشت.

پیشرفت در زمینه هوش مصنوعی در واحدهای دامپروری تا حدی افزایش داشته است که اکنون میتواند مواردی مانند سن، کیفیت و ترکیبات شیر و یا وضعیت سلامتی حیوان را ردیابی کنند (۲۰۰۰ ,Murase).

 

داده های با حجم بالا و ارزیابی های ژنتیکی

مجموعه داده های جدید خروجی از واحدهای دامپروری امروزه بزرگ و بزرگتر می شوند و حجم بالایی از اطلاعات خروجی را به خود اختصاص می دهند.

  تاریخچه پرورش مرغ در ایران

بخش عظیمی از این اطلاعات به دنبال ظهور ژنتیک مولکولی و فناوری های آمیکس به دلیل دسترسی به آرایه های SNP با حجم بالا و فناوری های نوین توالی یابی با هزینه بسیار پایین شکل گرفتند.

این در حالی است که روش های محاسباتی با کارایی بالا برای ذخیره سازی و تجزیه و تحلیل دادههای کارآمد در دست تهیه است (۲۰۱۲ ,.Kumar et al).

به دنبال افزایش چشمگیر استفاده از نسل جدید توالی یابی ها و تعیین ژنوتایپ گونه های مختلف، نیاز به ذخیره سازی فایل های داده های ژنوتیپی است، اگر چه داده های مربوط به توالی یابی کامل ژنوم ارگانیسم ها به ظرفیت بیشتری برای ذخیره سازی نیاز دارند (۲۰۱۲ ,.Cole et al).

بیشترین میزان دقت در انتخاب ژنومیک برای صفات با وراثت پذیری کم محقق شده است و علاقه به ویژگی های جدید بهداشتی و مدیریتی (در کل محیطی) افزایش یافته است.

به گونه ای که جمع آوری اطلاعات فنوتیپی کافی برای انجام ارزیابی های دقیق ممکن است سالها طول بکشد و در ادامه اثبات قابلیت اطمینان بالا برای گاوهای مسن تر برای برآورد اثرات نشانگر لازم میباشد.

بیشتر بدانید: برشی از تاریخچه گیاهان تراریخته خوراک دام

الگوریتم های داده کاوی (تجزیه و تحلیل دادهها) مرتبط با هر نوع داده برای مجموعه های بزرگ و حجم عظیمی از داده ها ممکن است به شناسایی روابط غیرمنتظره و ناشناخته در داده ها کمک شایانی داشته باشد.

در حالی که انتخاب ژنومی با استفاده از داده های با حجم بسیار زیاد به قدرت محاسباتی بالایی نیاز دارد، به خصوص زمانی که بخش عظیمی از جمعیت تعیین ژنوتایپ میشوند.

پیشرفت تئوری وارون ماتریس های با روابط عددی بزرگ، امکان محاسبات و حل سیستم های بزرگ مطالعات را مجاز ساخته است و الگوریتم های با عملکرد بالا برای برآورد مؤلفه های واریانس متناسب با ساختار داده ها طراحی شده اند.

اخیرا نشان داده شده است که رویکردهای تک مرحله ای ترکیب BLUP با ماتریس روابط ژنومی (G) الزامات محاسباتی مشابه با BLUP سنتی را دارند و عامل محدود کننده ای جهت ساخت و وارون ماتریس G برای بسیاری از ژنوتیپها می باشد.

ابرداده ها و نقش جدیدترین تکنولوژی ها در اصلاح نژاد دام و طیور
این فناوری های نوین حجم عظیمی از دادهها را به دنبال خواهند داشت.

یک الگوریتم ساده جهت ایجاد ماتریس G برای ۱۴۰۰۰ فرد تقریبا ۲۴ ساعت زمان نیاز دارد، در صورتی که الگوریتم های پیچیده تر و پیشرفته تر مدت زمانی مورد نظر را به حداقل مقدار ممکن کاهش داده اند.

البته در این میان باید عنوان کرد که مجموعه داده های بزرگ چالش هایی را برای ارائه ارزیابی های ژنتیکی ایجاد می کنند که باید به نحوی برطرف شوند.

به گونه ای که افزایش دقت در ارزیابی ژنومی و تسریع در پیشرفت ژنتیکی را به دنبال داشته باشن.

در جدیدترین بررسیها GWAS در تجزیه و تحلیل ” trans – omic ” برای بازسازی شبکه های بیوشیمیایی جهانی در لایه های مختلف omic با استفاده از اندازه گیری های چند omic و ادغام داده های محاسباتی استفاده میشود (۲۰۱۲ ,.Zhang et al).

بیشتر بدانید: دامداری و دامپروری و اهمیت آن در دنیای امروز

در این راستا فناوری هایی برای اتصال داده های چندتایی مبتنی بر دانش قبلی در مورد فعل و انفعالات بیوشیمیایی معرفی و یک شبکه ترانس اومیک بیوشیمیایی با مفاهیمی از ماهیت ایستا و پویا بازسازی می گردد.

یک مطالعه ارتباطی trans-ome-wide (trans-OWAS) اتصال فنوتیپ ها با شبکه های ترانس اومیک نشان دهنده این است که هم عوامل ژنتیکی و هم محیطی را منعکس می کنند.

همچنین روش های گسترده ای بر اساس GWAS مانند مطالعات گستره کل فنوم (PheWAS) و مطالعات گستره کل مسیرها (PWAS) و … در حال گسترش است.

امروزه از GWAS در مطالعات بسیاری همانند تجزیه و تحلیل جایگاه های صفات کمی به صورت مشترک استفاده می گردد (۲۰۱۲ ,.Zhang et al).

از مزایای مختلف این روش ها می توان مواردی چون گردش کار ساده، طراحی ساده طرح های تحقیقاتی و دستور کار مرتبط با آن، سرعت بالای خروجی دادهها با سهولت، گزینه ها و پلتفرم های مختلف در دسترس، برنامه های بیوانفورماتیک متعدد موجود و غیره را ذکر نمود.

همچنین به عنوان یک روش تازه معرفی شده با معایب چندی از قبیل فایل های خروجی با حجم بسیار بالا، نیاز به حافظه قوی و بالا برای ذخیره فایل ها و داده ها، اطلاعات و داده های حجیم با نیاز به تجهیزات و ابزار قوی و با قدرت بالا همچون ابر رایانه ها، واحدهای محاسبه گر، اتصال به اینترنت با سرعت بسیار بالا برای تجزیه و تحلیل داده ها، در دسترس نبودن یک سیستم پردازش و دستور کار معمول و مشترک و گوناگونی در پردازش داده ها وابسته به ابزار محاسبه ای، پلتفرم و موجود زنده مورد بررسی نیز مواجه است که انتظار می رود به زودی راه حل هایی برای آنها ارائه شوند.

 

أبرداده ها و جدیدترین تکنولوژی ها

حجم داده هایی که در دوره پرورش دام و طیور جمع آوری می شوند، بسیار سریع در حال گسترش هستند، این در حالی است که فناوری تجزیه و تحلیل این حجم عظیم از داده ها عقب افتاده است.

برای حل این موضوع پیشنهاد این است که از کاربرد روشهای پیشرفته یادگیری ماشینی برای بررسی بینش تغییرات در الگوهای فنوتیپی با گذشت زمان و تغییر استفاده از داده های مربوط به تاریخچه حیوانات به سوی اطلاعات ژنومی برای بهبود پیش بینی و برآورد فنوتیپ آینده حیوانات استفاده کرد.

  کارآفرینی از پرورش گل محمدی تا مرغ شاخدار

امروزه با پیشرفت فناوری ها و سیستم های مدیریتی مدرن در علوم دامی، مقادیر زیادی از داده ها در دسترس خواهند بود که به طور خاص برای تجزیه و تحلیل ژنتیکی طراحی نشده اند، اما با این وجود ممکن است حاوی اطلاعات مفیدی باشند.

یادگیری ماشینی ( ML : Machine Learning)  طیف گسترده ای از تکنیک ها را برای شناسایی الگوها یا ویژگیها در مجموعه داده های بزرگ ارائه میدهد.

از یادگیری ماشینی امروزه در جامعه و صنعت استفاده گسترده ای می شود.

در اصلاح نژاد دام و طیور از الگوریتم های یادگیری ماشینی برای ارزیابی های ژنومی استفاده می گردد.

بیشتر بدانید: مروری بر بیماری های متابولیک گوسفندان و بز

در عصر جدید در صنعت دامپروری از مجموعه داده های بزرگ و تکنیکهای آماری استفاده میشود که در محدوده یادگیری ماشینی قرار می گیرند.

مجموعه داده های ساده مانند داده های فنوتیپی و شجره ای و امروزه نشانگرها به سادگی در بانکهای اطلاعاتی مناسب قرار می گیرند، در حالی که اطلاعات بیولوژیکی مدرن عمدتا بدون ساختار می باشند.

به عنوان مثال داده های ژنومی به صورت مجموعه ای از داده های متفاوت که غالبا حجم بالایی را به خود اختصاص میدهند؛ شامل اطلاعاتی همچون حاشیه نویسی SNPها و ژنها، مسیرهای متابولیکی، مجموعه داده های بیان ژن، متیلاسیون و پروتئین ها هستند.

روش های اصلاح نژادی سنتی برای استفاده کامل از این نوع اطلاعات ناتوان هستند، در حالی که ابزارهای ML مانند شبکه عصبی برای این کار مناسب هستند و اکنون تحقیقات زیادی در این زمینه در حال انجام می باشد.

ابرداده ها و نقش جدیدترین تکنولوژی ها در اصلاح نژاد دام و طیور
ز یادگیری ماشینی امروزه در جامعه و صنعت استفاده گسترده ای می شود.

از ابزار ML می توان به سادگی برای اختصاص اولویت ها به هر SNP استفاده کرد و سپس پیش بینی های ژنومی را انجام داد.

محدودیت این روش ترجیحا این است که برخی از داده های ژنومی یا متابولیکی برای جمع آوری پرهزینه خواهند بود و تنها در تعداد کمی از افراد اندازه گیری می شوند.

یادگیری ماشینی با هدف یافتن کارآمدترین الگوریتم یا روش انجام می شود و به مفهوم “مدل” اهمیت می یابد.

محدودیت جدی این است که ML به طور معمول برای تفسیر از نظر اثرات مستقیم SNP یا اجزای واریانس دشوار است.

بیشتر بدانید: مروری اجمالی بر ابزارهای کاربردی جدید و فناور محور در دامپروری

ML میتواند برای توسعه پیش بینی ابر آورد شایستگی های ژنتیکی، کشف روابط ناشناخته بین فنوتیپ ها و یا حتی بین فنوتیپ ها و متغییرهای محیطی مورد استفاده قرار گیرد.

ادغام داده های بزرگ ژنومی مانند نشانگرهای SNP در اصلاح نژاد دام معمولا با محدودیت هایی روبرو بوده است.

این امر نیاز به استفاده از مدل های غیر پارامتری از یادگیری ماشینی دارد. در دسترس بودن اطلاعات در حال افزایش است و افزایش همزمان در قدرت پردازش محاسباتی منجر به توسعه رویکردهای پیشرفته تر یادگیری ماشینی و کشف مجدد انواع خاصی از ابزارها به ویژه شبکه عصبی مصنوعی (ANN : Artificial Neural Network) می شود.

روش هایی که یک کلاس ویژه به نام ” یادگیری عمیق “    (DL : Deep Learning ) را تشکیل میدهند.

تکنیک های یادگیری ماشینی مانند یادگیری عمیق می توانند تا حد زیادی به استخراج الگو و روابط کمک کنند، زمانی که مدل های سنتی نتوانند داده های بزرگ را با ساختارهای پیچیده مدیریت کنند (Nayeri et al).

در ادامه روشهای پیشرفته هوش مصنوعی ( AI : Artificial Intelligence) می توانند با ارائه شواهد محکم منجر به تصمیم گیری آگاهانه با استفاده از جمع آوری داده های واقعی با دقت بالا با استفاده از انواع حسگرها روند مدیریت گله را به شدت تحت تأثیر قرار دهند.

 

نتیجه گیری کلی

در این مطالعه به طور خلاصه به استراتژی های پیش بینی سنتی مانند MAS ، GBLUP BLUP و GWAS تا رویکردهای پیشرفته تر مانند یادگیری ماشینی، هوش مصنوعی، شبکه عصبی مصنوعی و یادگیری عمیق اشاره شد.

این رویکردها مجموعه ای از فناوری های متنوع هستند که با افزایش حجم داده های ژنومی و فنوتیپی تأثیر قابل توجهی در اصلاح نژاد دام و طیور خواهند داشت.

از جمله محدودیت ها، دشواری در تفسیر الگوریتم ها از نظر ژنتیکی و حجم وسیعی از داده های مورد نیاز برای یادگیری بیشتر است.

توسعه تکنیک ها و رویکردهای پیشرفته در عصر جدید فرصت های بسیاری را برای محققان و پژوهشگران فراهم کرده است تا روش های تحلیلی جدید را در زمینه های مختلف علوم به ویژه علوم دامی ایجاد کنند.

این رویکردها رایانه های پیشرفته را قادر می سازند تا به انسانها در تجزیه و تحلیل دانش مجموعه های بزرگ و پیچیده مانند داده های ژنومی کمک کنند.


فرزاد غفوری / دانشجوی دکتری تخصصی ژنتیک و اصلاح نژاد دام و طیور، گروه علوم دامی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
حسن مهربانی یگانه / دانشایر ژنتیک و اصلاح نژاد دام و طیور، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
صادق محمدیان جشوقانی / کارشناسی ارشد ژنتیک و اصلاح نژاد دام، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
نشریه علمی – ترویجی دامستیک / انجمن علمی-دانشجویی گروه علوم دامی دانشگاه تهران
منبع: دامیران
نویسندگان: فرزاد غفوری، حسن مهربانی یگانه و صادق محمدیان
لینک کوتاه مقاله: daamiran.com/?p=6589
ابرداده ها و نقش جدیدترین تکنولوژی ها در اصلاح نژاد دام و طیور

اشتراک گذاری

امتیاز شما به این مطلب

منبع:

برای کپی کلیک کنید

دیدگاهتان را بنویسید

دامیران