机器学习模型与微卫星标记器的集成:在世界葡萄藤生殖质表征新途径
Hossein Abbasi Holasou1, Bahman Panahi2, Ali Shahi3
1Department of Plant Breeding and Biotechnology, Faculty of Agriculture, University of Tabriz, Tabriz, Iran.
Biochemistry and biophysics reports
|March 18, 2024
概括
这项研究引入了一种机器学习方法来分析葡萄藤微卫星数据,有效地区分野生和栽培的Vitis种群. 这些发现有助于确定保护和繁殖努力的关键遗传标记.
科学领域:
- 遗传学 遗传学 是一个
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 有效的分析技术对于解释生物数据和产生假设至关重要.
- 机器学习为生物数据分析提供实用,低成本的解决方案.
- 了解葡萄藤的遗传多样性对于保护和繁殖至关重要.
研究的目的:
- 开发一种综合分析方法,使用监督机器学习和微卫星数据对维蒂斯种群进行分析.
- 为了确定用于分类野生/栽培Vitis及其地理来源的指示性和诊断性等位基因.
- 为了确定微卫星标记物的最佳组合,以区分群体.
主要方法:
- 分析了1378个野生 (V. vinifera spp. 葡萄树) 和种植的 (V. vinifera spp. 葡萄树) 葡萄树加入.葡萄树加入.
- 利用20个微卫星标记物进行基因分析.
- 应用监督机器学习分类模型:天真贝叶斯,支持矢量机 (SVM) 和树诱导.
主要成果:
- 综合方法在分类和预测Vitis加入方面表现出高效率.
- 识别了具有显著差异化能力的微卫星标记物.
- 提出了一组最佳的标记物来区分葡萄树种群.
结论:
- 开发的机器学习管道有效地利用微卫星数据进行葡萄藤遗传分析.
- 这些发现为生殖细胞保护和未来的育种计划提供了宝贵的见解.
- 这种方法提高了根据遗传标记区分维蒂斯种群的能力.
