احمد احمدی

این پژوهش به منظور مقایسه مدل های مختلط دامی و شبکه های عصبی مصنوعی برای پیش بینی ارزش های اصلاحی در شرایط مختلف وراثت-پذیری و میزان کامل بودن شجره در داده های شبیه سازی شده و واقعی انجام شد. شبیه سازی داده ها تحت مدل بینهایت جایگاه ژنی در نرم افزار R در چهار وراثت پذیری متفاوت (1/0 ، 3/0، 5/0 و 7/0) در 10 تکرار انجام شد. در نسل پایه 4000 فرد ایجاد شدند. در هر نسل به صورت تصادفی 50 نر و 500 ماده به عنوان والدین نسل آینده در نظر گرفته شد. برای هر مادر 3 فرزند و جنسیت فرزندان به صورت تصادفی به احتمال 50% در نطر گرفته شد. شبیه سازی تا 20 نسل ادامه یافت به گونه ای که در هر جمعیت شبیه سازی شده 34000 فرد دارای شجره و رکورد ایجاد شدند. در تجزیه داده ها، ارزش های اصلاحی با شجره های کامل یا ناقص (نبودن 30 % درصد اطلاعات والدین)، با یک مدل مختلط دامی پیش بینی شدند. در این مدل جنس و نسل به عنوان اثرات ثابت و اثر ژنتیکی افزایشی به عنوان اثر تصادفی در نظر گرقته شدند. همچنین، ارزش های اصلاحی با استفاده از شبکه های عصبی مصنوعی پرسپترون چند لایه، با نرم افزار NeuroSolutions 5 نیز برآورد شدند. در شبکه-های عصبی مصنوعی، داده ها به طور تصادفی به دو بخش (60% آموزش و 40% ارزیابی) تقسیم شدند. از الگوریتم پسا انتشار خطا با مدل مومنتیم، با تابع انتقال تانژانت هایبربولیک برای آموزش شبکه های عصبی مصنوعی استفاده شد. در این فرآیند، نخست چندین شبکه (1 لایه با 4 گره، 1 لایه با 6 گره، 2 لایه با 3 گره و 2 لایه با 4 گره) بررسی شدند. با توجه به میانگین مربعات خطا، شبکه ی دارای 1 لایه پنهان با 6 گره برای برآورد ارزش های اصلاحی و مقایسه با نتایج مدل مختلط به کار برده شد. ضرایب همبستگی میان ارزش های اصلاحی واقعی و برآورد شده توسط مدل مختلط دامی و شبکه های عصبی مصنوعی، فنوتیپ و همچنین همبستگی های رتبه ای با فنوتیپ برآورد شده توسط شبکه عصبی مصنوعی با نرم افزار SAS 9.2 برآورد شدند. همچنین در داده های واقعی شامل میانگین وزن تخم مرغ های بومی مازندران در سنین 28، 30 و 32 هفتگی، صفات تولید مثلی در گوسفند مهربان و میانگین تولید شیر در دوره اول شیردهی گاوهای هلشتاین استان همدان، ارزش های اصلاحی توسط مدل مختلط برآورد شدند. سپس ارزش های اصلاحی و فنوتیپ داده های واقعی توسط شبکه های عصبی مصنوعی نیز برآورد شدند. برای