Avoiding the explicit inverse of the pedigree relationship matrix among genotyped animals in approximate reliabilities of single-step genomic predictions
यह अध्ययन उन पाँच कम्प्यूटेशनल रणनीतियों का मूल्यांकन करता है जो सिंगल-स्टेप जीनोमिक भविष्यवाणियों के लिए वंशावली संबंध मैट्रिक्स (pedigree relationship matrix) को स्पष्ट रूप से उलटने (explicitly inverting) की अत्यधिक स्मृति और समय लागत से सफलतापूर्वक बचते हैं, जिसमें वुडबरी पहचान (Woodbury identity) और स्टोकेस्टिक हचिन्सन (stochastic Hutchinson) दृष्टिकोण उच्च संख्यात्मक सटीकता बनाए रखते हुए बड़े जीनोटाइप्ड आबादी के लिए अनुमानित विश्वसनीयता गणनाओं को स्केल करने के लिए सबसे कुशल विधियों के रूप में उभरते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
पशु प्रजनन की दुनिया में, लक्ष्य अगली पीढ़ी के लिए सबसे अच्छे माता-पिता का चयन करके झुंडों में सुधार करना है। इसे प्रभावी ढंग से करने के लिए, ब्रीडर्स अनुमानित प्रजनन मूल्यों (estimated breeding values) पर भरोसा करते हैं, जो एक जानवर की आनुवंशिक क्षमता का पूर्वानुमान हैं। हालाँकि, एक पूर्वानुमान उतना ही अच्छा होता है जितनी उसकी विश्वसनीयता, जो इस बात का माप है कि वह अनुमान कितना सटीक है। दशकों तक, इस सटीकता की गणना करना तब प्रबंधनीय था जब ब्रीडर्स केवल वंशावली या पारिवारिक वृक्षों (pedigrees) के साथ काम करते थे। लेकिन अब क्षेत्र एकल-चरण जीनोमिक भविष्यवाणियों (single-step genomic predictions) की ओर स्थानांतरित हो गया है, जो एक शक्तिशाली विधि है जो पारिवारिक इतिहास को वास्तविक डीएनए डेटा के साथ जोड़ती है। यह एकीकरण बहुत अधिक सटीक प्रजनन निर्णय लेने की अनुमति देता है, लेकिन यह एक विशाल कम्प्यूटेशनल बाधा पेश करता है। डीएनए डेटा प्रत्येक जीनोटाइप्ड जानवर को दूसरे से जोड़ता है, जिससे कनेक्शनों का एक घना जाल बन जाता है जो विश्वसनीयता की गणना करने के लिए मानक गणितीय उपकरणों को कंप्यूटर की मेमोरी में फिट होने के लिए बहुत बड़ा बना देता है। जब जनसंख्या कुछ दस हजार जीनोटाइप्ड जानवरों से आगे निकल जाती है, तो इन समीकरणों को हल करने की पारंपरिक विधि विफल हो जाती है, जिससे ब्रीडर्स के पास यह जानने का कोई तरीका नहीं बचता कि वे अपने सर्वश्रेष्ठ उम्मीदवारों पर कितना भरोसा कर सकते हैं।
शोधकर्ताओं के एक दल ने उस बाधा को दूर करने के लिए नए तरीकों से इन विश्वसनीयता स्कोरों की गणना करने के तरीके खोजकर इस समस्या को हल करने का प्रयास किया, जिसमें उस विशाल, बोझिल मैट्रिक्स को कभी भी बनाने की आवश्यकता नहीं होती जो कंप्यूटर को विफल कर देता है। ब्राजील के PROMEBO एंगस ब्रीडिंग प्रोग्राम के डेटा के साथ काम करते हुए, जिसमें लगभग 434,000 जानवर और उनमें से 24,000 से अधिक जीनोटाइप्ड शामिल थे, टीम ने पांच अलग-अलग रणनीतियों का परीक्षण किया। उनका लक्ष्य कोई नया आनुवंशिक सिद्धांत बनाना नहीं था, बल्कि गणित करने का एक स्मार्ट तरीका खोजना था। उन्होंने इन नई दृष्टिकोणों की तुलना पारंपरिक, सटीक विधि से की, जो 'गोल्ड स्टैंडर्ड' के रूप में कार्य करती है लेकिन इतने बड़े डेटासेट पर चलाना असंभव है। शोधकर्ता यह देखना चाहते थे कि क्या वे उस विशाल मैट्रिक्स को स्पष्ट रूप से बनाने के चरण को छोड़ सकते हैं, और इसके बजाय कम मेमोरी और समय के साथ वही उत्तर प्राप्त करने के लिए गणितीय शॉर्टकट का उपयोग कर सकते हैं।
परिणामों ने दिखाया कि सभी पांच नई रणनीतियां अत्यधिक सटीकता के साथ गोल्ड-स्टैंडर्ड विधि के परिणामों को दोहरा सकती हैं। जब शोधकर्ताओं ने अपने नए तरीकों द्वारा उत्पन्न विश्वसनीयता स्कोर की तुलना बेंचमार्क से की, तो संख्याएं लगभग पूरी तरह से मेल खाती थीं, जिनमें सहसंबंध (correlations) 99 प्रतिशत से अधिक था। इसका अर्थ है कि शॉर्टकट ने सटीकता से समझौता नहीं किया; उन्होंने केवल कम्प्यूटेशनल डेड एंड (गतिरोध) से बचने का रास्ता चुना। पांच दृष्टिकोणों में से, दो दक्षता के लिए विशिष्ट रहे। एक विधि, जो समस्या को पुनर्गठित करने के लिए एक विशिष्ट गणितीय पहचान (identity) का उपयोग करती है, और दूसरी जो एक सांख्यिकीय नमूनाकरण (sampling) तकनीक का उपयोग करती है, दोनों ने आवश्यक मेमोरी को लगभग 80 प्रतिशत तक कम कर दिया। गणना चलाने के लिए लगभग 18 गीगाबाइट मेमोरी की आवश्यकता होने के बजाय, इन विधियों को केवल लगभग 3.5 गीगाबाइट की आवश्यकता थी। यह कमी महत्वपूर्ण है क्योंकि इसका मतलब है कि गणना को विशेष, महंगे सुपरकंप्यूटिंग हार्डवेयर के बजाय मानक सर्वरों पर किया जा सकता है।
इन विधियों की गति भिन्न थी, लेकिन एक सैंपलिंग-आधारित दृष्टिकोण विशेष रूप से प्रभावशाली था। इसने पारंपरिक विधि के लगभग समान समय में गणना पूरी की, लेकिन बिना मेमोरी क्रैश के। यह एक महत्वपूर्ण खोज है क्योंकि यह सुझाव देती है कि जैसे-जैसे ब्रीडिंग प्रोग्राम में लाखों जीनोटाइप्ड जानवरों को शामिल करने के लिए बढ़ते हैं, पारंपरिक विधि का उपयोग करना असंभव हो जाएगा, जबकि ये नई रणनीतियां व्यावहारिक बनी रहेंगी। शोधकर्ताओं ने पाया कि छोटी आबादी के लिए, पुरानी विधि अभी भी सबसे तेज़ है, लेकिन एक बार जब जीनोटाइप्ड जानवरों की संख्या एक निश्चित सीमा को पार कर जाती है, तो नए तरीके ही एकमात्र व्यवहार्य विकल्प बन जाते हैं। यह अध्ययन पुष्टि करता है कि ब्रीडर कम्प्यूटेशनल सीमाओं की दीवार से टकराए बिना सबसे उन्नत जीनोमिक उपकरणों का उपयोग जारी रख सकते हैं, यह सुनिश्चित करते हुए कि उनके आनुवंशिक मूल्यांकन की सटीकता उनके डेटा के आकार के साथ तालमेल बनाए रखे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।