مقایسه عملکرد روش های تجزیه مولفه های اصلی و شبکه عصبی مصنوعی در شناسایی نشانگرهای تفکیک در نژادهای مختلف اسب دنیا

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 136

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JAP-24-3_002

تاریخ نمایه سازی: 17 مهر 1401

چکیده مقاله:

هدف این پژوهش مقایسه کارایی و عملکرد روش پیشرفته شبکه عصبی مصنوعی نسبت به تجزیه مولفه­های 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 مولفه­های اصلی (PCA) استفاده شد. نتایج حاصل نشان داد روش شبکه عصبی (الدن) قادر است که ۳۷ نژاد اسب موردمطالعه در این پژوهش کنونی را، با زیرمجموعه کوچکی از نشانگرهای SNP (۸۰۰۰ نشانگر) و با قدرت تفکیک مشابه با تمام نشانگرهای ژنوم (صحت ۹۸ 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 به­دست آمده، 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.

کلیدواژه ها:

نویسندگان

سیاوش منظوری

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

امیر حسین خلت آبادی فراهانی

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

محمد حسین مرادی

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

مهدی کاظمی بن چناری

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

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Howe KL, Achuthan P, Allen J, Allen J, Alvarez-Jarreta J, ...
  • Paschou P, Ziv E, Burchard EG, Choudhry S, Rodriguez-Cintron W, ...
  • Menhaj M (۲۰۰۹) Fundamentals of Neural Networks of Computational Intelligence. ...
  • Bertolini F, Galimberti G, Schiavo G, Mastrangelo S, Di Gerlando ...
  • Tu JV (۱۹۹۶) Advantages and disadvantages of using artificial neural ...
  • Petersen JL, Mickelson JR, Cothran EG, Andersson LS, Axelsson J, ...
  • Olden JD and Jackson DA (۲۰۰۲) Illuminating the “black box”: ...
  • Paetkau D, Calvert W, Stirling I and Strobeck C (۱۹۹۵) ...
  • Core T (۲۰۱۷) R: A Language and Environment for Statistical ...
  • Stefan Fritsch and Guenther F (۲۰۱۶) neuralnet: Training of Neural ...
  • Beck M (۲۰۱۶) NeuralNetTools: Visualization and Analysis Tools for Neural ...
  • Hinrichs AL, Larkin EK and Suarez BK (۲۰۰۹) Population stratification ...
  • Reich D, Price AL and Patterson N (۲۰۰۸) Principal component ...
  • Lewis J, Abas Z, Dadousis C, Lykidis D, Paschou P ...
  • Dimauro C, Cellesi M, Steri R, Gaspa G, Sorbolini S, ...
  • Dimauro C, Nicoloso L, Cellesi M, Macciotta NPP, Ciani E, ...
  • Biffani S, Dimauro C, Macciotta N, Rossoni A, Stella A ...
  • Sorbolini S, Gaspa G, Steri R, Dimauro C, Cellesi M, ...
  • Moradi MH, Khaltabadi-Farahani AH, Khodaei-Motlagh M, Kazemi-Bonchenari M and McEwan ...
  • Kumar H, Panigrahi M, Saravanan KA, Parida S, Bhushan B, ...
  • Novembre J and Stephens M (۲۰۰۸) Interpreting principal component analyses ...
  • Azizi Z, Rafat A, Shoja J, Moradi Shahrbabak H and ...
  • Azizi Z, Moradi Shahrbabak H and Moradi Shahrbabak M (۲۰۱۷) ...
  • Ringnér M (۲۰۰۸) What is principal component analysis? Nature Biotechnology ...
  • نمایش کامل مراجع