Geri Dön

Derin sinir ağları ile genomik tahminler: Deneysel yaklaşım

Genomic predictions with deep neural networks: Experimental approach

  1. Tez No: 875942
  2. Yazar: ANIL KASAKOLU
  3. Danışmanlar: DOÇ. DR. SEYRANİ KONCAGÜL, PROF. DR. RUKİYE DAĞALP
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ziraat, Agriculture
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Zootekni Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    Türkçe

    2023

    Fizik ve Fizik MühendisliğiEge Üniversitesi

    Fizik Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN ŞİRİN

  2. Derin sinir ağları ile çekirdek hücrelerinin tespiti ve segmentasyonu

    Nuclei cells detection and segmentation with deep neural network

    TOMIYA SAID AHMED ZARBEGA

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu Üniversitesi

    Malzeme Bilimi ve Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YASEMİN GÜLTEPE

  3. 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

    İngilizce

    2023

    BiyolojiOrta Doğu Teknik Üniversitesi

    Biyoloji Ana Bilim Dalı

    PROF. DR. MEHMET SOMEL

  4. A deep learning architecture for missing metabolite concentration prediction

    Eksik metabolit miktarı tahmini için bir derin öğrenme mimarisi

    SADİ ÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ ÇAKMAK

  5. 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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN