Hayvan Bilimi ve Ürünleri Dergisi
Yazarlar: Hayrettin OKUT
Konular:Mühendislik, Ziraat
DOI:10.51970/jasp.1039713
Anahtar Kelimeler:Derin öğrenme,Complex fenotipik özellikler,Genomic tahminleme
Özet: Genomik seleksiyon (GS), bitki ve hayvan popülasyonundan gözlenemiyen fenotip ve DNA (SNP belirtiçleri) bilgisi kullanılarak ileriye yönelik fenotipik değerlerinin tahmin edilmesi amaçlanmaktadır. GS ilk olarak süt sığırcılığında erken yaşlarda genetiksel olaraka üstün bireylerin belirlenmesi amaçlanmıştır. Meuwissen ve arkadaşları tarafından 2001 yılında yürütülen bu çalışmada bütün genom içerisinde bazı önemli özellikler ile ilişkili genlerin ortaya koyulmasına çalışılmıştır. GS seleksiyon çalışmalarında bazı zorluklar söz konusudur. En önemli sorun, sadece çok az miktardaki bireye ait fenotipik değer kullanılarak çok miktardaki SNP belirteçin etkisisni araştırmaktır. Teknik anlamada bu soun küçük n büyük p (p>>n) olarak isimlendirilir. Bu sorunla başedebilmek için ridge regresyon BLUP, LASSO, elastic net, Bayesian yaklaşımları (BayesA, BayesB, BayesCπ, BayesDπ), destek vektör (support vector) regresyonu başta olmak üzere çok sayıda istatistiksel yaklaşım önerilmiştir. Bu yaklaşımlar hepsi (p>>n) sorunu ideal yaklaşımlardır. Ancak bu yaklaşımlar sözkonusu fenopit ile genomik seti arasında doğrusal bir ilşki olduğunu, başka bir ifade ile fenotipin SNP belirteşlerinin doğrusal bir fonksiyonu olduğu varsayılmaktadır. Bu yaklaşımlar fenotip ile genomik seti arasındaki doğrusal olmayan ilişkiyi yakalayamamaktadır. Doğrusal ilişki ile birlikte interaksiyon, epistatis gibi doğrusal olmayan ilişkilernin de modele dahil edilmesi kompleks fenotipik özellikler için ayrı bir önem taşıyabilir. GS amaçlı yaklaşımlarda bu sorun ile başedebilmek için ilk olarak 2011 yılında Okut ve arkadaşları tarafından yapay sınır ağları kullanılması önerilmiştir. Okut ve arkadaşları farelerde yoğun moleküler bilgi kullanılarak vücut kitle indeksi (BMI) için GS amaçlı çok katmalı regularize edilmiş tam bağlantılı yapay sinir ağları mimarisini (MLANN) önermişlerdir. Bu çalışmadan sonra derin öğrenme öğrenim algoritması kullanan daha kompleks yaklaşımlar GS amaçlı kullaılmaya başlanmıştır. Çok miktarda değişik derin öğrenme algoritmaları bulunmakta ve GS uygulamaları için her birinkendine özgü avantajlar sunmaktadır. Bu çalışmada, tam bağlantılı derin öğrenme yapay sinir ağları (DL-MLANN), evrişimli sinir ağları (CNN), tekrarlayan sinir ağları (RNN) ve uzun- kısa-süreli bellek (LSTM) yapay sinr ağları olmak üzere dört farklı derin öğrenme algoritmasinin tatıyımı yapılmıştır.