دسته بندی و پیش بینی ارقام مقاوم و حساس به مگس زیتون با استفاده از یادگیری ماشین
عنوان مقاله: دسته بندی و پیش بینی ارقام مقاوم و حساس به مگس زیتون با استفاده از یادگیری ماشین
شناسه ملی مقاله: CIGS12_0654
منتشر شده در دوازدهمین کنگره ژنتیک ایران در سال 1391
شناسه ملی مقاله: CIGS12_0654
منتشر شده در دوازدهمین کنگره ژنتیک ایران در سال 1391
مشخصات نویسندگان مقاله:
صبا صبور - دانشجوی کارشناسی ارشد اصلاح نباتات، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره) قزوین
امیرحسین بیکی - استادیار و دانشیار گروه زیست شناسی، دانشکده علوم پایه، دانشگاه قم
منصور ابراهیمی - استادیار و دانشیار گروه زیست شناسی، دانشکده علوم پایه، دانشگاه قم
خلاصه مقاله:
صبا صبور - دانشجوی کارشناسی ارشد اصلاح نباتات، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره) قزوین
امیرحسین بیکی - استادیار و دانشیار گروه زیست شناسی، دانشکده علوم پایه، دانشگاه قم
منصور ابراهیمی - استادیار و دانشیار گروه زیست شناسی، دانشکده علوم پایه، دانشگاه قم
مگس میوه زیتون Bactroceraoleae که تا سال 1383 آفت قرنطینه ای خارجی زیتون محسوب می شد، در حال حاضر خطرناک ترین آفت زیتون در کشور ما می باشد و بنابراین، شناسایی ارقام مقاوم و حساس به آفت فوق بسیار حیاتی و مهم است. در دهه اخیر شاهد پیشرفت قابل ملاحظه ای در ژنتیک مولکولی و داده پردازی بیولوژیکی هستیم. ابزارها و روش های محاسباتی در دهه اخیر شاهد پیشرفت قابل ملاحظه ای در ژنتیک مولکولی و داده پردازی بیولوژیکی هستیم. ابزارها و روش های محاسباتی و الگوریتم های مختلفی برای تجزیه و تحلیل اطلاعات و به تصویر کشیدن یافته های بیولوژیکی انجام گرفته است. روش های تئوریکی، تحلیلی، مدلینگ ریاضی و شبیه سازی کامپیوتری برای مطالعه سیستم های بیولوژیکی، رفتاری و حتی اجتماعی ایجاد شده است. الگوریتمها، مدل ها شیوه های مختلفی برای یافتن ارتباط میان افراد بوجود آمده و گسترش یافته است. یادگیری مدل های SMV و Bayse تکنیک های رایج یادگیری ماشین می باشند ک به دلیل سادگی و کارآمدی به شکل گسترده ای در مسائل مربوط به یادگیری ماشینی استفاده می شود. در این بررسی، برای اولین بار از شیوه های مختلف داده کاوی و یادگیری ماشین برای تعیین طبقه بندی کننده ای که می تواند ارقام مقاوم و حساس ب مگس میوه در زیتون را بر اساس داده های بدست آمده از مارکرهای مولکولی RAPD و ISSR متمایز نماید، استفاده شده است. همچنین با استفاده از یادگری ماشین به پیش بینی ارقام مقاوم و حساس پرداخته شده است. از میان 400 آلل مورد بررسی 5 آلل از مارکر RAPD و 4 آلل از مارکر ISSR بیشترین پتانسیل برای دسته بندی را دارند. الل UBC807a7 بهترین الل برای پیش بینی بر اساس درختان تصمیم می باشد.
کلمات کلیدی: ماشین یادگیری، داده پردازی، خوشه بندی، مارکر مولکولی، مگس زیتون
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/226924/