Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Ziraat, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: ANIL KASAKOLU
Asıl Danışman (Eş Danışmanlı Tezler İçin): Seyrani Koncagül
Eş Danışman: Rukiye Dağalp
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kantitatif özellikleri tahmin etmek için geniş genomik veri setlerinin kullanılması, hayvan ıslahında önemli bir kilometre taşını temsil etmektedir. Çeşitli tahmin yöntemleri arasında, makine öğrenimi ve derin öğrenme yöntemleri öne çıkan ve giderek daha etkili bir yaklaşım olarak ortaya çıkmıştır. Bu çalışma çeşitli yönleri araştırmayı amaçlamaktadır: İlk olarak, beş farklı derinlikte sinir ağı yapısı incelenmiş ve daha yoğun yapıların daha seyrek olanlara kıyasla daha tarafsız tahminler verdiği görülmüştür. İkinci olarak, iki optimizasyon algoritması karşılaştırılmış (SDG ve Adamax) ve Adamax algoritmasının hem ortalama hesaplama süresi (115,00'e karşın 139,00 saniye) hem de ortalama tahmin yanlılığı (0,916'ya karşın 0,757) açısından SGD'den daha iyi performans gösterdiği sonucuna varılmıştır. Üçüncü olarak, derin sinir ağı (DSA) modelleri için iki kalıtım derecesi (h2=0,33 veya 0,50) altında popülasyon büyüklüğünün ve genomik ilişkilerin etkisi incelenmiş ve ana-yavru ikililerinin fenotipleri ve genotipleri kullanıldığında tahmin yeteneklerinin orta derecede kalıtım derecesine sahip özellikler (%43,75) için yüksek derecede kalıtım derecesine sahip özelliklere (%26,00) kıyasla daha fazla arttığı ortaya çıkmıştır. Ayrıca, popülasyon büyüklüğü iki katına çıktıkça (n'den 2n'e), sinir ağları için maksimum hesaplama süresi de iki katına çıkmış (t'den 2t'ye) ve değerlendirme için 282,49 saniye sürmüştür, ancak geleneksel GBLUP neredeyse kübik olarak artmış (t'den 7t'ye) ve modelin yakınsaması 24 saatten fazla sürmüştür. Son olarak, sinir ağlarından elde edilen tahminler ile GBLUP arasındaki korelasyonlar erken dönemde seleksiyon tercihinde bulunabilmek amacıyla validasyon veri seti (seleksiyon adayları) için araştırılmış ve sonuçlar DSA algoritmalarının (%83 ile %96 arasında değişmektedir) genomik seleksiyon programları için uygulanabilir olduğunu ortaya koymuştur.