شناسايي ژن‌هاي موثر بر صفات رشد در جوجه هاي گوشتي با استفاده از روش‌هاي رگرسيون خطي و يادگيري ماشين

آگاهي از ارتباط چندشكلي هاي تك نوكلئوتيدي با صفات مهم اقتصادي يكي از ابزارهاي مهم برنامه هاي اصلاح نژاد در صنعت طيور است. مطالعات پويش ژنومي براي كشف چندشكلي هاي تك نوكلئوتيدي (نشان گرها) مرتبط با اين صفات، اغلب با استفاده از مدل هاي خطي ساده صورت مي گيرد كه به دليل وجود برخي از فرضيات اين مدل ها، ممكن است بعضي از نشان گرها شناسايي نشوند. اين مطالعه با هدف ارزيابي كارآيي روش هاي جنگل تصادفي و گراديان بوستينگ و ارزيابي عملكرد آن ها در مقابل مدل خطي براي شناسايي نشان گرهاي همبسته با صفات وزن بدن در سنين 6 و 9 هفتگي در جوجه هاي گوشتي نسل دوم حاصل از تلاقي هاي دوطرفه لاين تجاري آرين با پرنده هاي بومي اروميه انجام شد. نتايج نشان داد كه دو روش يادگيري ماشين توانستند نشان‌گرهاي مهمي از جمله GGaluGA308573، GGaluGA255033، Gga_rs13614212، Gga_rs13743072، GGaluGA258772، Gga_rs14034395 و Gga_rs13858398 را براي صفات وزن بدن شناسايي كنند كه به ترتيب با ژن هاي MAP2، ACSL1، CAMSAP2، FAM117B، SLC4A4، TIMP4 و LncRNA در ارتباط بودند. تقسيم سلولي، كنترل رشد، تنظيم ساختار  اسكلت سلولي و ميكروتوبول، و فعاليت رونويسي مهمترين فرآيند بيولوژيكي اين ژن ها مي باشند. مطالعه ژن‌هاي جديد شناسايي شده توسط روش هاي يادگيري ماشين، كه مدل خطي قادر به شناسايي آن ها در جمعيت مورد مطالعه نبودند، مي‌تواند بينش جديدي را براي كنترل ژنتيكي صفات رشد در جوجه‌هاي گوشتي باز كند. علاوه بر اين، نشان گرهاي با اهميت كشف شده، قابليت استفاده در برنامه هاي اصلاح ژنتيكي جوجه‌هاي گوشتي را دارند.