دانشگاه گیلان
معاونت پژوهش و فناوری دانشگاه گیلان
انتشارات دانشگاه گیلان

 آمار

تعداد نشریات33
تعداد شماره‌ها886
تعداد مقالات8,712
تعداد مشاهده مقاله55,197,615
تعداد دریافت فایل اصل مقاله10,453,423
رازی, کیوان, گندرو, سدریک, طهمورث پور, مجتبی, شریعتی, محمدمهدی. (1405). مقایسه کارایی مدل‌های GBLUP، XGBoost و شبکه‌های عصبی عمیق در پیش‌بینی ژنومیک. فیزیولوژی و بیوتکنولوژی آبزیان, (), -. doi: 10.22124/ar.2026.33941.1972
کیوان رازی; سدریک گندرو; مجتبی طهمورث پور; محمدمهدی شریعتی. "مقایسه کارایی مدل‌های GBLUP، XGBoost و شبکه‌های عصبی عمیق در پیش‌بینی ژنومیک". فیزیولوژی و بیوتکنولوژی آبزیان, , , 1405, -. doi: 10.22124/ar.2026.33941.1972
رازی, کیوان, گندرو, سدریک, طهمورث پور, مجتبی, شریعتی, محمدمهدی. (1405). 'مقایسه کارایی مدل‌های GBLUP، XGBoost و شبکه‌های عصبی عمیق در پیش‌بینی ژنومیک', فیزیولوژی و بیوتکنولوژی آبزیان, (), pp. -. doi: 10.22124/ar.2026.33941.1972
رازی, کیوان, گندرو, سدریک, طهمورث پور, مجتبی, شریعتی, محمدمهدی. مقایسه کارایی مدل‌های GBLUP، XGBoost و شبکه‌های عصبی عمیق در پیش‌بینی ژنومیک. فیزیولوژی و بیوتکنولوژی آبزیان, 1405; (): -. doi: 10.22124/ar.2026.33941.1972

مقایسه کارایی مدل‌های GBLUP، XGBoost و شبکه‌های عصبی عمیق در پیش‌بینی ژنومیک

تحقیقات تولیدات دامی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 14 آبان 1405
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22124/ar.2026.33941.1972
نویسندگان
کیوان رازی1؛ سدریک گندرو2؛ مجتبی طهمورث پور1؛ محمدمهدی شریعتی* 3
1گروه علوم دامی- دانشگاه فردوسی مشهد
2گروه علوم دامی، دانشگاه ایالتی میشیگان
3دانشکده کشاورزی دانشگاه فردوسی مشهد
چکیده
این پژوهش با هدف ارزیابی توانمندی مدل‌های یادگیری عمیق (MLP) با و بدون لایه تعبیه‌ساز در پیش‌بینی ارزش‌های اصلاحی ژنومیک (GEBV) و مقایسه آن‌ها با الگوریتم XGBoost و روش GBLUP تحت معماری‌های ژنتیکی مختلف انجام شد. داده‌های ژنومی گاو با 219/110 نشانگر پردازش و ۲۷ سناریوی ژنتیکی حاصل از ترکیب فاکتورهای تعداد QTLدر سه سطح (۱۰، ۱۰۰ و ۱۰۰۰)، سطوح مختلف وراثت‌پذیری عام در دو سطح (1 و 5/0 = H2) و اپیستازی در چهار سطح (6 و 4، 2، 0 = k) به همراه سه سناریوی کنترل برای هر سطح از تعداد QTL با استفاده از بسته epinetr در R شبیه‌سازی گردید. مدل‌ها روی نسل اول آموزش دیده و متغیرهای مورد بررسی شامل صحت پیش‌بینی (ضریب همبستگی پیرسون) در طول ۱۰ نسل بعدی (2 تا 11) بود که با استفاده از مدل‌های MLP با تابع زیان ترکیبی MSE و همبستگی، XGBoost و GBLUP-QTL مورد مشاهده و تحلیل قرار گرفتند. در سناریوی اپیستازی شدید (6 = k، 1 = H2) با تعداد جایگاه کم (10)، مدل MLP به صحت (968/0) دست یافت که از XGBoost (896/0) عملکرد بهتری داشت. با افزایش پیچیدگی به ۱۰۰۰ جایگاه و افت شدید MLP، لایه تعبیه‌ساز توانست صحت MLP را بهبود بخشیده و به عدد (137/0) برساند که از روش GBLUP-QTL (09/0) فراتر بود. نتایج نشان داد استفاده از لایه تعبیه‌ساز در شبکه‌های عصبی، راهکاری کارآمد برای کشف الگوهای پنهان در صفات پلی‌ژنیک پیچیده و ارتقای صحت پیش‌بینی در برنامه‌های اصلاح نژاد است.
کلیدواژه‌ها
GBLUP؛ XGBoost؛ شبکه عصبی عمیق؛ اپیستازی؛ لایه تعبیه‌ساز
مراجع
آمار
تعداد مشاهده مقاله: 3


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب