机器学习辅助的超低密度单核酸多态化面板有助于识别Tharparkar牛品种:家畜基因组学数字化转型的教训
Harshit Kumar1,2, Manjit Panigrahi1, Dongwon Seo3
1Division of Animal Genetics, Indian Veterinary Research Institute, Izatnagar, India.
Omics : a journal of integrative biology
|September 20, 2024
概括
现在可以使用一小组遗传标记 (SNP) 和机器学习来准确识别牛品种. 这种基因组方法有助于保护牛的遗传多样性,并改善养殖计划.
科学领域:
- 牲畜基因组学 动物基因组学
- 人工智能在农业中的应用
- 动物遗传学动物遗传学
背景情况:
- 牛的品种识别对于畜牧业研究和可持续的食品系统至关重要.
- 基因组学和人工智能 (AI) 为畜牧管理提供了先进的工具.
- 塔尔帕卡牛品种需要特定的识别方法来进行保护和研究.
研究的目的:
- 通过基因组学和机器学习 (ML) 来调查Tharparkar牛品种的识别.
- 开发一个强大的,单核酸多形态 (SNP) 的品种特定的单核酸多形态 (SNP) 面板,用于Tharparkar牛.
- 为了确定精确的品种识别所需的SNP的最小数量.
主要方法:
- 利用来自牛SNP 50K芯片的数据开发了一种特定品种的SNP面板.
- 综合了来自其他七个印度牛群的数据,以提高面板的强度.
- 采用全基因组关联研究 (GWAS),主要组件分析和ML模型 (AdaBoost,包装树,梯度增强机,随机森林) 来完善SNP选择.
主要成果:
- 确定了一个500个SNP的面板,随后改进到23个和48个SNP的最小集.
- 使用这些最小的SNP面板,实现了Tharparkar牛品种识别的95.2-98.4%的高准确率.
- 已识别的SNP与牛的重要生产和适应性特征有关.
结论:
- 辅助ML的超低密度SNP面板方法对于准确识别牛品种是有效的.
- 这种方法有助于保护遗传多样性,并支持未来的牛养殖计划.
- 强调数字化转型在推进牲畜基因组学和可持续农业方面的潜力.
