KCI등재
한우 도체형질의 합성곱신경망을 이용한 유전체 예측 정확도 추정
저자
장명진(Myoungjin Jang) ; 임다정(Dajeong Lim) ; 박원철(Woncheoul Park) ; 박종은(Jong-Eun Park)
발행기관
학술지명
한국산학기술학회논문지(Journal of Korea Academia-Industrial cooperation Society)
권호사항
발행연도
2022
작성언어
Korean
주제어
등재정보
KCI등재
자료형태
학술저널
수록면
516-523(8쪽)
DOI식별코드
제공처
소장기관
본 연구는 기계학습 기법을 활용하여 유전체 예측 기법을 시험하고 기존의 기법과 비교해보고자 실시되었다. 본 연구에서는 기계학습의 일종인 딥러닝 (DL) 기법, 유전체 최적 선형 불편 예측 (GBLUP) 기법과 통합기법인 앙상블 (Ensemble) 기법이 사용되었다. 데이터는 한우 7,324 두의 유전자형 자료 (37,712 SNPs)와 4가지 도체형질 자료 (등지방두께, 도체중, 등심단면적, 근내지방도)가 이용하여 예측 분석을 진행하였다. 5배수 교차 검증을 사용하여 정확도를 예측하였고, 이를 시험 데이터에 적용하여 상관도를 계산하였다. 제한최대우도법 (REML)을 이용하여 추정된 유전력은 근내지방도가 0.44±0.02로 가장 높게 나타났다. 계산된 상관도는 도체중과 등심단면적간이 가장 높게 나타났으며, 유전상관계수는 0.79±0.01, 표현형상관계수는 0.52±0.02이다. 유전체 예측 정확도는, 단일 분석에 있어서 GBLUP 기법이 등지방두께 0.34±0.01, 도체중 0.41±0.01, 등심단면적 0.37±0.01, 근내지방도 0.41±0.01로 높게 나타났다. 또한, 예측 성능을 향상시키기 위해 가중치를 주는 통합기법인 앙상블 기법을 사용하였을 때 등지방두께 0.35±0.01, 도체중 0.42±0.01, 등심단면적 0.38±0.01로 더 높게 나타났다. 따라서 다양한 기법들을 통해 유전체 예측의 정확도를 높일 수 있을 것으로 사료되며, 정확도가 높은 예측 모델을 개발하여 육종산업에 많은 기여를 하길 기대한다.
더보기This study was conducted to test genomic prediction using machine learning and to compare predictions with those of existing techniques. In this study, DL, which is a type of machine learning, and GBLUP and Ensemble, which are integrated techniques, were used. Data were predicted and analyzed using 7,324 genotype data (37,712 SNPs) of Korean cattle and data of four carcass traits. Accuracies were predicted using 5-fold cross-validation and correlations were calculated using test data. Heritability estimated using REML was highest at 0.44±0.02 for MS. Regarding calculated correlations, the strongest relationship was observed between CWT and EMA, which was 0.79±0.01 for genetic and 0.52±0.02 for phenotypic correlations. Single analysis showed prediction accuracies were 0.34±0.01 for BFT, 0.41±0.01 for CWT, 0.37±0.01 for EMA, and 0.41±0.01 for MS, but Ensemble produced significantly better coefficients, that is, 0.35±0.01 for BFT, 0.42±0.01 for CWT, and 0.38±0.01 for EMA. We conclude that the accuracy of genomic prediction can be improved by using various techniques, and consider that the findings of this study may be of considerable value to the breeding industry, as they demonstrate the feasibility of developing highly accurate prediction models.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)