كاربرد الگوريتم جنگل تصادفي در برآورد آثار نشانگرها و تعيين ژن‌هاي كانديدا براي صفات توليدمثلي در گاو شيري هلشتاين ايران

روش يادگيري ماشين، رويكرد قدرتمندي براي مطالعات ژنومي است. هدف تحقيق حاضر، استفاده از روش يادگيري ماشين (جنگل تصادفي) براي پويش ژنومي پيشنهادي صفات توليدمثلي شامل سن در زمان اولين زايش (AFC)، روزهاي باز (DO)، فاصله گوساله زايي (CI) و نرخ آبستني دختران (DPR) در گاوهاي هلشتاين ايران بود. اطلاعات لازم از مركز اصلاح نژاد و بهبود توليدات دامي كشور اخذ شد. اطلاعات ژنوتيپي شامل نشانگرهاي چند شكلي تك نوكلئوتيدي (SNP) مربوط به 2419 رأس گاو هلشتاين نر بود. فايل داده مشتمل بر ركوردهاي ثبت شده سال هاي 1360 تا 1398 شامل 2774183 رأس دام بود. با توجه به تفاوت تراكم در اطلاعات ژنومي گاوهاي نر، تعداد نشانگرهاي آن‌ها نيز با يكديگر متفاوت بود. براي يكسان سازي نشانگرها از نرم افزار FImpute براي جانهي ژنوتيپ استفاده شد. در اين تحقيق با استفاده از الگوريتم جنگل تصادفي كه نمونه‌اي از الگوريتم‌هاي با نظارت و از نوع رگرسيوني است، در مجموع، 21 نشانگر با ميزان اهميت بالا براي صفات مختلف توليد مثلي مشخص شد. سپس، با استفاده از روش هستي شناسي ژن، ژن هاي پيشنهادي مهمي براي اين صفات شناسايي شدند. ژن هاي MPZL1 و CD247 شناسايي شده روي كروموزوم 3 در ارتباط با صفت AFC و ژن هاي RPS6KC1 و FAM170A در ارتباط با صفت DPR براي بهبود عملكرد توليد مثلي گاوهاي شيري، مهم بوده و مي توانند مورد استفاده قرار گيرند. نشانگرها و ژن هاي شناسايي شده در اين تحقيق مي توانند اطلاعات جديدي را در مورد معماري ژنتيكي صفات توليد مثلي براي بهبود ژنومي آن ها ارائه دهد و در طراحي تراشه ها براي ارزيابي صفات توليد مثلي مورد استفاده قرار گيرد.