نموذج تحويل مسبق التدريب بتعلم ذاتي للتنبؤ الجيني الدقيق بظواهر الخنازير

يعد التنبؤ الجيني الدقيق بالظواهر المعقدة أمرًا حيويًا لتسريع التقدم الوراثي في تربية الخنازير. ومع ذلك، تواجه الطرق التقليدية مثل التنبؤ الجيني الأفضل الخطي غير المنحاز (GBLUP) قيودًا في التقاط التأثيرات غير المضافة المعقدة التي تساهم بشكل كبير في تنوع الظواهر، مما يحد من دقة التنبؤ بالظواهر. لمعالجة هذا التحدي، نقدم إطارًا جديدًا يعتمد على نموذج تحويل معالج مسبق التدريب بتعلم ذاتي. تكمن حداثته الأساسية في تقسيم تسلسلات SNP إلى وحدات غير متداخلة مكونة من 6 عناصر (تسلسلات من 6 SNPs)، مما يمكّن النموذج من تعلم أنماط الهوبلوط المحلية مباشرة بدلاً من اعتبار SNPs علامات مستقلة. أولاً، يخضع النموذج لمرحلة تدريب مسبق ذاتي على النسخة غير المعنونة من نفس مجموعة بيانات SNP المستخدمة للتعديل اللاحق، متعلمًا تمثيلات جينية جوهرية من خلال مهمة التنبؤ بالعناصر المفقودة. بعد ذلك، يتم تعديل النموذج المدرب مسبقًا على بيانات معنونة للتنبؤ بالقيم الظاهرة للخصائص الاقتصادية المحددة. تُظهرvalidation التجريبية أن نموذجنا المقترح يتفوق باستمرار على طرق الأساس، بما في ذلك GBLUP ونموذج تحويل من نفس البنية تم تدريبه من الصفر (دون التدريب المسبق)، في دقة التنبؤ عبر الخصائص الاقتصادية الرئيسية. يشير هذا التفوق إلى قدرة النموذج على التقاط الإشارات الجينية غير الخطية التي تفوتها النماذج الخطية. تسهم هذه الأبحاث ليس فقط في تقديم منهجية جديدة وأكثر دقة للتنبؤ بظواهر الجينات ولكن أيضًا في تأكيد إمكانية التعلم الذاتي لفك الشفرات المعقدة للنمط الجيني للتطبيق المباشر في برامج التربية. في النهاية، تقدم هذه الطريقة أداة جديدة قوية لتعزيز معدل المكاسب الوراثية في إنتاج الخنازير من خلال تمكين اختيار أكثر دقة بناءً على الظواهر المتوقعة.