%0 Journal Article %T انتخاب ژنومی با استفاده از شبکه‌های عصبی مصنوعی بیزی و روش‌های پارامتری مطالعه مقایسه‌ای %J پژوهشهای علوم دامی ایران %I دانشگاه فردوسی مشهد %Z 2008-3106 %A شادپور, سعید %A طهمورث پور, مجتبی %A شریعتی, محمد مهدی %D 2019 %\ 09/23/2019 %V 11 %N 3 %P 377-388 %! انتخاب ژنومی با استفاده از شبکه‌های عصبی مصنوعی بیزی و روش‌های پارامتری مطالعه مقایسه‌ای %K انتخاب ژنومی %K شبکه‌های عصبی بیزی %K روش‌های پارامتری %R 10.22067/ijasr.v11i3.74465 %X در پژوهش حاضر توانایی پیش‌بینی ارزش های اصلاحی ژنومی شبکه‌های عصبی بیزی و روش‌های پارامتری در چهار معماری ژنتیکی شبیه سازی شده و چهار صفت واقعی موش با یکدیگر مقایسه شد. تعداد QTL‌ها در معماری‌های ژنتیکی اول و سوم 50 و در معماری‌های ژنتیکی دوم و چهارم 500 در نظر گرفته شد. مقدار وراثت‌پذیری در معماری‌های ژنتیکی اول و دوم 3/0 و در معماری‌های ژنتیکی سوم و چهارم 7/0 بود. بیشترین صحت پیش‌بینی ژنومی حاصل از شبکه‌های عصبی بیزی در چهار معماری ژنتیکی شبیه‌سازی‌شده برابر با 644/0، 654/0، 800/0 و 81/0 بود. این مقادیر در روش‌های پارامتری برابر با 717/0، 685/0، 903/0 و 836/0 بود. حداکثر توانایی پیش‌بینی حاصل از شبکه‌های عصبی بیزی در پیش‌بینی وزن شش هفتگی، شیب رشد، شاخص توده بدنی و طول بدن به ترتیب برابر با 474/0، 359/0، 154/0 و 214/0 بود. توانایی پیش‌بینی روش‌های پارامتری در پیش‌بینی ژنومی این صفات مشابه و به‌طور متوسط برابر با 477/0، 369/0، 170/0 و 221/0 بود. میانگین مربعات خطای پیش‌بینی شبکه‌های عصبی بیزی در معماری‌های ژنتیکی شبیه‌سازی‌شده اندکی کمتر از روش‌های پارامتری و در داده‌های واقعی مشابه روش‌های پارامتری بود.  مدت‌زمان اجرای شبکه‌های عصبی بیزی با افزایش تعداد نرون در لایه مخفی به‌صورت صعودی افزایش یافت. نتایج بدست آمده نشان داد با وجود بهتر بودن صحت و توانایی پیش بینی روش های پارامتری، شبکه‌های عصبی بیزی می توانند ارزش‌های اصلاحی ژنومی را با دقت مناسبی پیش‌بینی کنند. همچنین توانایی پیش‌بینی ژنومی شبکه‌های عصبی به صفات هدف، گونه موردنظر و معماری شبکه عصبی بستگی دارد. %U https://ijasr.um.ac.ir/article_36583_a90a6822cad4b14d393a5ad80c2b0b6d.pdf