محمد حسین مرادی

یک از چالش های مهم در صنعت پرورش اسب، تمایز و تفکیک نژاد این حیوانات از همدیگر است. در چند دهه ی گذشته، پیشرفت های به دست آمده در زمینه ژنتیک مولکولی (کشف نشانگرهای جدید) و بیوانفورماتیک(پیشرفت سیستم های محاسباتی) باعث توسعه ابزارهای قدرتمندی برای تفسیر بهتر اطلاعات ژنتیکی شده است. شبکه های عصبی از جدیدترین روش های محاسباتی در ارزیابی های ژنتیکیمحسوب می شوند. هدف از این تحقیق بررسی عملکرد شبکه عصبی مصنوعی در کلاس بندی حیوانات با استفاده از اطلاعات نشانگرهای ژنتیکی می باشد. به این منظور از اطلاعات ژنومی 95 حیوان مربوط به پنج نژاد اسب آسیایی استفاده شد که دارای پراکنش چشمگیری در خاور میانه به خصوص ایران هستند. این نمونه ها با استفاده از آرایه های Illumina 50K SNPChip تعین ژنوتیپ شده انددر این تحقیق، شبکه عصبی پرسپترون مورد استفاده قرار گرفت و هر بار شبکه با تعداد نرون متفاوت در لایه میانی اجرا گردید و صحت و دقت شبکه مورد ارزیابی قرار گرفت. نتایج حاصل نشان دادشبکه های عصبی دارای پتانسیل عملکردی بالاییدر زمینه گروه بندی نژادهای مختلف اسب هستند وبا افزایش تعداد نرون ها در لایه میانی خطای شبکه و محاسبات آن کاهش پیدا کرده به طوریکه با افزایش تعداد نرون به بیش از 40، میزان خطابهکمتر از 1 درصد می رسد.با این وجود بهترین صحت (حدود 70%) در بازه 20-30 نرون به دست آمد. در مجموع نتایج این تحقیق نشان داد کهشبکه عصبی دارای توانایی بالایی در اجرای محاسبات با تعداد بسیار زیاد متغییر مستقل (نشانگر) و در نتیجه گروه بندی نژادهای مختلف اسب با استفاده از اطلاعات نشانگرهای ژنومی می باشند