اَبرداده‌ها و نقش جدیدترین تکنولوژی‌ها در اصلاح‌نژاد دام و طیور

نوع مقاله : مقاله مروری

نویسندگان

1 دانشجوی دکتری تخصصی ژنتیک و اصلاح نژاد دام و طیور، گروه علوم دامی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران ، کرج، ایران

2 دانشیار ژنتیک و اصلاح نژاد دام و طیور، گروه علوم دامی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران

3 کارشناسی ارشد ژنتیک و اصلاح‌نژاد دام، گروه علوم دامی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران

چکیده

دیدگاه کلی ژنتیک و اصلاح‌نژاد دام و طیور در حال انتقال به عصر دیجیتال با توان عملیاتی بالا است که در آن با استفاده از فناوری‌های جدید سعی می‌شود دقت ثبت اطلاعات و برآورد ارزش‌های اصلاحی افزایش یابد. در ادامه با استفاده از نرم‌افزارهای پیشرفته و کامپیوترهای بزرگ، پردازش حجم بزرگی از داده‌ها انجام می‌شود. ظهور فناوری تعیین ژنوتایپ و شناسایی SNPها همراه با روش‌های آماری جدید برای استفاده از این داده‌ها برای برآورد ارزش اصلاحی، منجر به کاربرد گسترده انتخاب ژنومی در گاوهای شیری و طیور برای انجام انتخاب ژنومیک در دیگر موارد شده است. توسعه الگوریتم‌های داده کاوی مرتبط با اَبر داده‌ها در برآورد ارزش‌های اصلاحی نقش قابل توجهی ایفا می‌کنند. مجموعه‌ای از تکنولوژی‌ها همچون هوش مصنوعی، یادگیری ماشین و یادگیری عمیق در عصر جدید فرصت‌های مناسبی را در مقایسه با روش‌های سنتی برای بررسی صفات اقتصادی با معماری پیچیده فراهم ساخته‌اند. این رویکردها تجزیه و تحلیل مجموعه‌های بزرگ داده‌ها و اطلاعات بزرگ ژنومی را در جهت رسیدن به اهداف امکان پذیر کرده است. هدف از این مطالعه بیانِ توضیحی اجمالی از روش‌ها و فناوری­های جدید در علوم دامی است که به طور گسترده در رکوردبرداری و ثبت اطلاعات تا برآورد ارزش‌های اصلاحی مورد استفاده قرار می­گیرند، به گونه‌ای که دیدگاه اصلاح‌نژادی را در آیندۀ دیجیتال تغییر دهند. بنابراین، افزایش پتانسیل در تجزیه و تحلیل اَبرداده‌ها همراه با روش‌های نوین در رکوردبرداری از صفات فنوتیپی و برآورد ارزش‌های اصلاحی، مقدار پیشرفت ژنتیکی دام‌ها را به طور چشمگیری افزایش خواهد داد.

کلیدواژه‌ها


Britt, J. H., Cushman, R. A., Dechow, C. D., Dobson, H., Humblot, P., Hutjens, M. F., Jones, G.A., Ruegg, P.S., Sheldon, I.M. and Stevenson, J. S. (2018). Invited review: Learning from the future—A vision for dairy farms and cows in 2067. Journal of Dairy Science, 101(5), 3722-3741.
Chu, Y., and Corey, D. R. (2012). RNA sequencing: platform selection, experimental design, and data interpretation. Nucleic Acid Therapeutics22(4), 271-274.
CM Dekkers, J. (2012). Application of genomics tools to animal breeding. Current Genomics13(3), 207-212.
Cole, J. B., Newman, S., Foertter, F., Aguilar, I., and Coffey, M. (2012). Breeding and genetics symposium: Really big data: Processing and analysis of very large data sets. Journal of Animal Science90(3), 723-733.
Kumar, S., Banks, T. W., and Cloutier, S. (2012). SNP discovery through next-generation sequencing and its applications. International Journal of Plant Genomics, 2012, 1-15.
Murase, H. (2000). Artificial intelligence in agriculture. Computers and Electronics in Agriculture29(1/2).
Nayeri, S., Sargolzaei, M., and Tulpan, D. (2019). A review of traditional and machine learning methods applied to animal breeding. Animal Health Research Reviews20(1), 31-46.
Perera, C., Liu, C. H., and Jayawardena, S. (2015). The emerging internet of things marketplace from an industrial perspective: A survey. IEEE Transactions on Emerging Topics in Computing3(4), 585-598.
Pérez‐Enciso, M. (2017). Animal breeding learning from machine learning. Journal of Animal Breeding and Genetics134(2), 85-86.
YANG, Y. L., Rong, Z., and Kui, L. (2017). Future livestock breeding: Precision breeding based on multi-omics information and population personalization. Journal of Integrative Agriculture, 16(12), 2784-2791.
Zhang, H., Wang, Z., Wang, S., and Li, H. (2012). Progress of genome wide association study in domestic animals. Journal of Animal Science and Biotechnology3(1), 26.