مقايسه عملكرد روش‌هاي تجزيه مؤلفه‌هاي اصلي و شبكه عصبي مصنوعي در شناسايي نشانگرهاي تفكيك در نژادهاي مختلف اسب دنيا

هدف اين پژوهش مقايسه كارايي و عملكرد روش پيشرفته شبكه عصبي مصنوعي نسبت به تجزيه مؤلفه هاي اصلي در تفكيك نژادهاي مختلف اسب بود. بنابراين،  براي شناسايي يك زيرمجموعه از نشانگرهاي SNP با بالاترين قدرت تفكيك نژادي و بررسي نحوه اختصاص حيوانات به گروه هاي نژادي خود از دو روش شبكه عصبي پرسپترون (الدن) و روش كلاسيك تجزيه مؤلفه هاي اصلي (PCA) استفاده شد. نتايج حاصل نشان داد روش شبكه عصبي (الدن) قادر است كه 37 نژاد اسب موردمطالعه در اين پژوهش كنوني را، با زيرمجموعه كوچكي از نشانگرهاي SNP (8000 نشانگر) و با قدرت تفكيك مشابه با تمام نشانگرهاي ژنوم (صحت 98 درصدي)، از همديگر مجزا و تفكيك كند. روش انتخاب PCA تنها توانست نژادهايي كه داراي خاستگاه هاي متفاوت بودند را شناسايي و تفكيك كند. با توجه به نتايج به دست‌آمده، روش PCA داراي خطا و ايراد بوده و براي اجرا روي داده هاي ژنومي نياز به تغييرات و اصلاحات دارد. نتايج اين پژوهش، رويكردهاي عملي را در طراحي آرايه هاي اقتصادي در تفكيك نژادهاي مختلف اسب ارائه مي دهد.