ارزیابی عملکرد ماشین بردار پشتیبان با کرنل های مختلف در تجزیه ژنومی در سطوح مختلف واریانس غالبیت

هدف از پژوهش حاضر، بررسی و مقایسه صحت پیش­بینی ژنومی روش­ ماشین بردار پشتیبان (SVM) بر ­اساس توابع کرنل مختلف شامل خطی (SVM-lin)، شعاعی (SVM-rad)، چند­جمله­ای (SVM-pol) و حلقوی (SVM-sig)، و روش GBLUP در مدل­های کنش ژنی صرفا افزایشی و افزایشی-انحراف غالبیت با در نظر گرفتن سطوح مختلف واریانس غالبیت بود. بدین منظور، ژنومی حاوی شش کروموزوم و به­طول ۶۰۰ سانتی­مورگان شبیه­سازی شد. روی هر کروموزوم، ۱۰۰۰ نشانگر چندشکلی تک نوکلئوتیدی (SNP) با فواصل یکسان و ۱۰۰ جایگاه صفت کمی (QTL) به­طور تصادفی در نظر گرفته شد. واریانس فنوتیپی و وراثت پذیری به­ترتیب برابر با ۱ و ۴/۰ در نظر گرفته شد. واریانس انحراف غالبیت برابر ­با ۱۰/۰، ۱۵/۰، ۲۰/۰، ۲۵/۰، ۳۰/۰ و ۳۵/۰ در نظر گرفته شد. صحت پیش­بینی به­عنوان ضریب همبستگی پیرسون بین ارزش ژنتیکی واقعی (TGV) یا ارزش اصلاحی واقعی(TBV) و ارزش ژنتیکی ژنومی (GEGV) یا ارزش اصلاحی ژنومی (GEBV) تعریف شد. روش مرسوم GBLUP در تمام سناریوهای مختلف واریانس غالبیت، صحت پیش­بینی GEBV و GEGV بالاتری را نشان داد. در بین رویکردهای مختلف SVM، در مدل صرفا افزایشی و افزایشی- انحراف غالبیت بر اساس صحت پیش­­بینی GEGV، رویکردهای SVM-rad و SVM-sig به­ترتیب بالاترین عملکرد را نشان دادند. بر اساس صحت پیش­بینی GEBV، با افزایش واریانس غالبیت، این برتری به­شدت کاهش یافت، به­ ­طوری که در واریانس غالبیت بیشتر از ۳۰/۰، رویکردهای SVM-lin و SVM-sig به­ترتیب صحت پیش­بینی GEBV اندکی بالاتر و برابر با SVM-rad نشان دادند. به­طورکلی، در برازش فنوتیپ روی نشانگرها با روش ناپارامتری SVM، استفاده از تابع کرنل شعاعی در مدل پیشنهاد می­شود.

کلیدواژه ها:

ارزش اصلاحی ژنومی ، تابع کرنل ، تجزیه ژنومی ، صحت پیش بینی ، ماشین بردار پشتیبان