کاربرد الگوریتم جنگل تصادفی در برآورد آثار نشانگرها و تعیین ژن های کاندیدا برای صفات تولیدمثلی در گاو شیری هلشتاین ایران

روش یادگیری ماشین، رویکرد قدرتمندی برای مطالعات ژنومی است. هدف تحقیق حاضر، استفاده از روش یادگیری ماشین (جنگل تصادفی) برای پویش ژنومی پیشنهادی صفات تولیدمثلی شامل سن در زمان اولین زایش (AFC)، روزهای باز (DO)، فاصله گوساله زایی (CI) و نرخ آبستنی دختران (DPR) در گاوهای هلشتاین ایران بود. اطلاعات لازم از مرکز اصلاح نژاد و بهبود تولیدات دامی کشور اخذ شد. اطلاعات ژنوتیپی شامل نشانگرهای چند شکلی تک نوکلئوتیدی (SNP) مربوط به 2419 راس گاو هلشتاین نر بود. فایل داده مشتمل بر رکوردهای ثبت شده سال های 1360 تا 1398 شامل 2774183 راس دام بود. با توجه به تفاوت تراکم در اطلاعات ژنومی گاوهای نر، تعداد نشانگرهای آن ها نیز با یکدیگر متفاوت بود. برای یکسان سازی نشانگرها از نرم افزار FImpute برای جانهی ژنوتیپ استفاده شد. در این تحقیق با استفاده از الگوریتم جنگل تصادفی که نمونه ای از الگوریتم های با نظارت و از نوع رگرسیونی است، در مجموع، 21 نشانگر با میزان اهمیت بالا برای صفات مختلف تولید مثلی مشخص شد. سپس، با استفاده از روش هستی شناسی ژن، ژن های پیشنهادی مهمی برای این صفات شناسایی شدند. ژن های MPZL1 و CD247 شناسایی شده روی کروموزوم 3 در ارتباط با صفت AFC و ژن های RPS6KC1 و FAM170A در ارتباط با صفت DPR برای بهبود عملکرد تولید مثلی گاوهای شیری، مهم بوده و می توانند مورد استفاده قرار گیرند. نشانگرها و ژن های شناسایی شده در این تحقیق می توانند اطلاعات جدیدی را در مورد معماری ژنتیکی صفات تولید مثلی برای بهبود ژنومی آن ها ارائه دهد و در طراحی تراشه ها برای ارزیابی صفات تولید مثلی مورد استفاده قرار گیرد.