کاربرد ماشین لرنینگ در بررسی تغییرات الگوهای مورفولوژیکی (ریخت سنجی هندسی)، داده های ژنومی (نشانگرهای توالی SSRs) و ارتباطات فیلوجغرافیایی گونه های جانوری

الگوهای مورفولوژیکی می توانند سازگاری های بوم شناختی را توصیف کنند. بررسی های مورفولوژیکی و ژنتیکی بر روی گونه ها دانش پژوهشگران را در خصوص تاریخچه تکاملی و ساختارهای فیلوجغرافیایی ارتقا می بخشد. برای بررسی و مشاهده نتایج بهتر می توان با الگوریتم هایی مانند شبکه عصبی مصنوعی داده های مورفولوژیکی و مولکولی (ژنتیکی) را در مطالعات سیستماتیک ادغام کرد. برای شناسایی جنس و گونه می توان از مدل های توانی (روابط غیر خطی)، SVM، کی-نزدیک ترین همسایه، بیز ساده و رگرسیون لجستیک استفاده و آنها را ارزیابی (ماتریس درهم ریختگی) کرد. همچنین یادگیری ماشین (مانند درخت تصمیم گیری) می تواند با کشف الگوها، سازگاری های مورفولوژیکی در ارتباط با عوامل محیطی را توصیف کند. به عنوان مثال P. xiphodonticus بر اساس تحلیل های مورفولوژیکی احتمالا یک خزنده برگخوار بوده که به دلیل تغذیه از شاخ و برگ ها ارتفاع بدن خود را سازگارتر کرده است. در کنار مطالعات صرفا بر اساس داده های مورفومتریکی به تنوع ژنتیکی گونه ها (داده های بارکدینگ DNA) می توان توجه داشت. در مدل سازی ها علاوه بر داده های مورفولوژیکی می توان از داده های ژنومی (نشانگرهای SSRs و کدگذاری توالی) استفاده کرد که می توانند گاها نقش مهم تری ایفا کنند. تجزیه و تحلیل داده های ژنومی (فیلوژنتیکی) انقلابی بزرگ در شناسایی گونه ها بالاخص گونه های نزدیک به هم ایجاد کرد. برای درک بهتر تنوع بین گونه ای می توان از تحلیل خوشه ای استفاده کرد. استخراج اطلاعات شکل با Computer vision در فنوتیپ بندی خودکار موثر است.

کلیدواژه ها:

بینایی کامپیوتر ، تفکیک فیلوژنتیکی ، شبکه عصبی مصنوعی ، یادگیری عمیق ، تحلیل خوشه ای