VIII. International Congress on Domestic Animal Breeding, Genetics and Husbandry, Antalya, Turkey, 23 - 25 September 2024, pp.1-9
Genomic selection is a revolutionizing breeding strategy based on prediction of breeding values of selection candidates using genome-wide markers data. Genomic prediction (GP), started with Genomic Best Linear Unbiased Prediction (GBLUP), later continued with Bayesian alphabet methods (BA), and today has shown a rapid change towards Machine Learning methods (ML) including Convolutional Neural Networks (CNN). However, the present performance comparisons over the last few years on classical statistical methods, ML methods, and deep learning methods suggest that there is no one-size-fits-all model. As a matter of fact, the comparative studies on the classical and state-of-the-arts methods on various farm animal and plant genomes report that the methods of ML and CNN are superior in some cases, but there are no significant differences between their performances in many cases. In this study, the predictive power of different GP methods on the up-to-date research results are reviewed and some future research topics are highlighted in GP area of study.
Genomik seleksiyon, genom boyunca markör verilerini kullanarak damızlık adaylarının damızlık değerlerinin tahminine dayanan devrim niteliğinde bir üreme stratejisidir. Genomik En İyi Doğrusal Tarafsız Tahmin (GBLUP) ile başlayan, daha sonra Bayes Alfabesi yöntemleri (BA) ile devam eden ve bugün Evrişimsel Sinir Ağları (CNN) dahil olmak üzere Makine Öğrenmesi yöntemlerine (ML) doğru hızlı bir değişim gösteren genomik tahmin (GP), günümüzde yaygın olarak kullanılmaktadır. Ancak son birkaç yıldır klasik istatistiksel yöntemler, ML yöntemleri ve derin öğrenme yöntemleri üzerinde yapılan mevcut performans karşılaştırmaları, diğerlerinden üstün üniversal bir yöntemin olmadığını göstermektedir. Aslında, çeşitli çiftlik hayvanı ve bitki genomları üzerinde klasik ve son teknoloji yöntemlerle ilgili karşılaştırmalı çalışmalar, ML ve CNN yöntemlerinin bazı durumlarda üstün olduğunu, ancak birçok durumda performansları arasında önemli bir fark olmadığını bildirmektedir. Bu çalışmada, güncel araştırma sonuçları incelenerek farklı GP yöntemlerinin tahmin gücü incelenmiş ve GP çalışma alanında gelecekteki bazı araştırma konuları vurgulanmıştır.