فرهاد غفوری کسبی

در این مطالعه تغییر در پارامترهای داخلی روش Boosting مانند تعداد درخت، پیچیدگی درخت و نرخ یادگیری بر عملکرد پیش بینی ارزش های اصلاحی ژنومی توسط Boosting مورد بررسی قرار گرفت. بدین منظور، ژنومی شامل 10 کروموزوم که بر روی هر کدام 1000 نشانگر تک نوکلئوتیدی دو آللی (SNP) به طور یکنواخت پخش شده بود شبیه سازی شد. تعداد جایگاه های صفات کمی (QTL) به میزان 10% از تعداد SNP ها در نظر گرفته شد ( QTL1000). پیش بینی ارزش-های اصلاحی ژنومی توسط روش Boosting در سناریوهای مختلف از تعداد درخت، پیچیدگی درخت و نرخ یادگیری انجام شد. ارزیابی عملکرد روش Boosting با استفاده از میزان خطای تعمیم Boosting، صحت پیش بینی و اریبی ارزش های اصلاحی ژنومی انجام شد. با افزایش تعداد درخت از 100 به 1000 درخت و همچنین کاهش نرخ یادگیری از 1/0 به 01/0 و افزایش پیچیدگی درخت از 1 (مدل صرفاً افزایشی) به 5 (در نظر گرفتن اثرات متقابل 5 طرفه بین SNPها) عملکرد روش Boosting بهبود پیدا کرد. به عبارت دیگر ترکیب بهینه 1000، 5 و 01/0 به ترتیب برای تعداد درخت، پیچیدگی درخت و نرخ یادگیری منجر به حداقل خطای تعمیم، حداکثر صحت پیش بینی و حداقل اریبی ارزش های اصلاحی ژنومی شد. بنابراین در هنگام استفاده از روش Boosting برای تجزیه و تحلیل داده های ژنومی، به منظور دستیابی به بهترین عملکرد، این روش باید برای پارامترهای داخلیش در اصطلاح تنظیم شود و از یک ترکیب بهینه از پارامترها در تجزیه و تحلیل داده ها استفاده شود. در غیر اینصورت عملکرد پیش بینی این روش کاهش خواهد یافت.