Derin sinir ağları ile genomik tahminler: Deneysel yaklaşım
Genomic predictions with deep neural networks: Experimental approach
- Tez No: 875942
- Danışmanlar: DOÇ. DR. SEYRANİ KONCAGÜL, PROF. DR. RUKİYE DAĞALP
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Zootekni Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 49
Özet
Kantitatif özellikleri tahmin etmek için geniş genomik veri setlerinin kullanılması, hayvan ıslahında önemli bir kilometre taşını temsil etmektedir. Çeşitli tahmin yöntemleri arasında, makine öğrenimi ve derin öğrenme yöntemleri öne çıkan ve giderek daha etkili bir yaklaşım olarak ortaya çıkmıştır. Bu çalışma çeşitli yönleri araştırmayı amaçlamaktadır: İlk olarak, beş farklı derinlikte sinir ağı yapısı incelenmiş ve daha yoğun yapıların daha seyrek olanlara kıyasla daha tarafsız tahminler verdiği görülmüştür. İkinci olarak, iki optimizasyon algoritması karşılaştırılmış (SDG ve Adamax) ve Adamax algoritmasının hem ortalama hesaplama süresi (115,00'e karşın 139,00 saniye) hem de ortalama tahmin yanlılığı (0,916'ya karşın 0,757) açısından SGD'den daha iyi performans gösterdiği sonucuna varılmıştır. Üçüncü olarak, derin sinir ağı (DSA) modelleri için iki kalıtım derecesi (h2=0,33 veya 0,50) altında popülasyon büyüklüğünün ve genomik ilişkilerin etkisi incelenmiş ve ana-yavru ikililerinin fenotipleri ve genotipleri kullanıldığında tahmin yeteneklerinin orta derecede kalıtım derecesine sahip özellikler (%43,75) için yüksek derecede kalıtım derecesine sahip özelliklere (%26,00) kıyasla daha fazla arttığı ortaya çıkmıştır. Ayrıca, popülasyon büyüklüğü iki katına çıktıkça (n'den 2n'e), sinir ağları için maksimum hesaplama süresi de iki katına çıkmış (t'den 2t'ye) ve değerlendirme için 282,49 saniye sürmüştür, ancak geleneksel GBLUP neredeyse kübik olarak artmış (t'den 7t'ye) ve modelin yakınsaması 24 saatten fazla sürmüştür. Son olarak, sinir ağlarından elde edilen tahminler ile GBLUP arasındaki korelasyonlar erken dönemde seleksiyon tercihinde bulunabilmek amacıyla validasyon veri seti (seleksiyon adayları) için araştırılmış ve sonuçlar DSA algoritmalarının (%83 ile %96 arasında değişmektedir) genomik seleksiyon programları için uygulanabilir olduğunu ortaya koymuştur.
Özet (Çeviri)
The usage of expansive genomic datasets to predict quantitative traits represents a significant milestone in animal genetics. Among various prediction methods, machine learning has emerged as a prominent and increasingly influential approach. This study aimed to explore several aspects: Firstly, five different depths of neural network structures was investigated, and found that deeper structures yielded more unbiased predictions compared to denser ones. Secondly, two optimization algorithms were compared (SDG and Adamax), and concluded that the Adamax algorithm outperformed SGD in terms of both average computational time (115.00 vs 139.00 seconds) and average predictive bias (0.916 vs 0.757). Thirdly, the impact of population size and genomic relationships under two heritabilities (h2=0.33 or 0.50) for deep neural network (DNN) models were examined, and revealed that predictive abilities increased more for moderately heritable traits (43.75%) compared to highly heritable traits (26.00%) when using dam-offspring duos' phenotypes and genotypes. Furthermore, as the population size doubled, the maximum computational time for neural networks was also doubled (t to 2t) and lasted 282.49 seconds for evaluate, however, conventional GBLUP nearly cubically increased (t to 7t), and model lasted over 24 hours to converge. Lastly, correlations between predictions from neural networks and GBLUP were explored for validation dataset (selection candidates) results reveals (ranged from 83% to 96%) that DNN algorithms highly capable for genomic selection programs. Therefore, these findings propose a novel insight for incorporating DNN tasks for genomic evaluation programs in terms of moderately and highly heritable traits, enabling faster and accurate decision-making processes.
Benzer Tezler
- Derin öğrenme algoritmalarında kullanılan optimizasyon yöntemlerinin kesirli analiz yaklaşımı ile ele alınması
Investigation of optimization methods in deep learning algorithms with fractional calculus approach
EMRE CABI
Yüksek Lisans
Türkçe
2023
Fizik ve Fizik MühendisliğiEge ÜniversitesiFizik Ana Bilim Dalı
DOÇ. DR. HÜSEYİN ŞİRİN
- Derin sinir ağları ile çekirdek hücrelerinin tespiti ve segmentasyonu
Nuclei cells detection and segmentation with deep neural network
TOMIYA SAID AHMED ZARBEGA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASEMİN GÜLTEPE
- Predicting first-degree relationships from ancient samplesusing deep neural networks
Antik örneklerde birinci derece akrabalık tiplerini derin öğrenme ile tahmin etmek
MERVE NUR GÜLER
Yüksek Lisans
İngilizce
2023
BiyolojiOrta Doğu Teknik ÜniversitesiBiyoloji Ana Bilim Dalı
PROF. DR. MEHMET SOMEL
- A deep learning architecture for missing metabolite concentration prediction
Eksik metabolit miktarı tahmini için bir derin öğrenme mimarisi
SADİ ÇELİK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ÇAKMAK
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN