ارزیابی توان داده های ژنوتیپی در پیش بینی صفات کمی فلفل با روش های آماری و یادگیری ماشین

پیش بینی عملکرد فنوتیپی بر پایه اطلاعات ژنوتیپی می تواند با کاهش وابستگی به ارزیابی های گسترده فنوتیپی به افزایش کارایی انتخاب در برنامه های اصلاح نباتات کمک کند. پژوهش حاضر با هدف ارزیابی توان داده های ژنوتیپی در پیش بینی صفات کمی فلفل (Capsicum annuum L) و مقایسه عملکرد روش های آماری و یادگیری ماشین انجام شد. برای این منظور داده های ژنوتیپی ۳۵۰ نمونه فلفل که نماینده طیف گسترده ای از تنوع ژنتیکی این گونه بودند، مورد استفاده قرار گرفت. داده های ژنوتیپی شامل ۱۰۱۹۵ نشانگر ژنتیکی بود و برای هر یک از ۱۵ صفت کمی مقادیر فنوتیپی تعدیل شده حاصل از تحلیل چند محیطی به عنوان متغیر هدف در نظر گرفته شد. به منظور مقایسه توان پیش بینی روش های مختلف مدل های GBLUP، Ridge، Elastic Net، PLS و Extra Trees ارزیابی شدند. عملکرد مدل ها با استفاده از اعتبارسنجی متقاطع پنج بخشی بررسی شد به طوری که در هر مرحله بخشی از نمونه ها به طور کامل از فرایند آموزش کنار گذاشته شدند و تنها برای ارزیابی نهایی مدل مورد استفاده قرار گرفتند همچنین تنظیم پارامترهای هر مدل صرفا بر اساس داده های آموزشی انجام شد تا از ورود اطلاعات بخش آزمون به فرایند آموزش جلوگیری شود. ضریب همبستگی پیرسون بین مقادیر مشاهده شده و پیش بینی شده به عنوان معیار اصلی دقت در نظر گرفته شد. نتایج نشان داد توان پیش بینی صفات اساس داده های ژنوتیپی به طور قابل توجهی به نوع صفت وابسته بود و بهترین ضریب همبستگی در میان صفات از حدود ۰٫۴۶ تا ۰٫۹۳ متغیر بود. بیشترین دقت پیش بینی برای حداکثر عرض میوه با ضریب همبستگی ۰٫۹۲۷ مشاهده شد. در مجموع، GBLUP بالاترین میانگین دقت پیش بینی را نشان داد؛ با این حال روش های Ridge، PLS و Extra Trees نیز در بسیاری از صفات عملکردی نزدیک به GBLUP و در برخی موارد عملکرد بهتری نشان دادند. این نتایج نشان می دهد داده های ژنوتیپی از توان مناسبی برای پیش بینی تعدادی از صفات کمی فلفل برخوردارند اما افزایش پیچیدگی الگوریتم به طور سیستماتیک به افزایش دقت پیش بینی منجر نمی شود و انتخاب مدل مناسب می تواند به ویژگی صفت مورد بررسی وابسته باشد.

کلیدواژه ها:

فلفل ، داده های ژنوتیپی ، پیش بینی ، ژنومی ، صفات کمی ، یادگیری ماشین ، انتخاب ژنومی