Данное исследование было просмотрен 269 раз

Цифровые технологии прогнозирования важных потребительских показателей сельскохозяйственных растений и животных

Группа научных исследований: Передовые Цифровые технологии. Цифровое проектирование, математическое моделирование и управление жизненным циклом изделия или продукции (Smart Design) и технологии «умного» производства (Smart Manufacturing).

Срок реализации: 2020-2025 гг.

Исполнитель: Научно-исследовательская лаборатория «Цифровые технологии для агробиологии» (ЦТдА)

Решаемые научно-технические задачи, полученные и ожидаемые результаты

В 2020 году

Проведен сбор дополнительных данных о текущих условиях производства для уточнения условий цифрового эксперимента, получения характеристик факторов производства и допустимых погрешностей.

1. Важнейшие результаты по направлению научных исследований, полученные в период реализации соглашения в отчётном году с момента заключения соглашения.

Цель этапа - разработка метода подбора оптимальной выборки для построения модели геномной селекции на основе стохастической оптимизации теоретической оценки точности прогноза в рамках совместных исследований с лабораторией профессора С. Нуждина по разработке концепции генетической изменчивости и фенотипической пластичности и расшифровка генетических механизмов селекции.

Произведен сбор данных по экспрессии генов, контролирующих инициацию цветения в горохе, и разработана и валидирована серия моделей перехода к цветению на основе собранных данных. Показано, что ранее предложенная схема регуляции инициации цветения в горохе не полностью соответствует данным на количественном уровне. Показана возможность того, что собранные данные соответствуют действию разных регуляторных модулей инициации цветения в условиях разной длительности светового дня. Восстановлена предположительная топология взаимодействий в генной сети инициации цветения в горохе отдельно для условий короткого и длинного светового дня.

Разработан метод подбора оптимальной обучающей выборки для построения модели геномной селекции на основе оптимизации оценки теоретически возможной точности прогноза EthAcc с помощью метода полностью параллельной разностной эволюции (ППРЭ). Метод ППРЭ был модифицирован для использования эффективного алгоритма округления и трехточечной стратегии мутации.

2. Сопоставление полученных результатов по направлению научных исследований с мировым уровнем

Разработанные модели генной сети инициации цветения впервые позволили протестировать предложенную ранее схему регуляции перехода к цветению в горохе. Полученные с помощью моделирования оценки взаимодействий между генами цветения являются новым достижением для гороха и подтверждают ряд результатов, полученных ранее для риса.

Разработанный метод был протестирован с использованием реальных данных о фенотипе и генотипе различных сортов пшеницы. Анализ результатов численных экспериментов показал, что разработанный алгоритм оптимизации позволяет сократить число образцов в обучающем наборе для геномной селекции в 1.5-2 раза без потерь точности прогноза фенотипа. Модифицированный алгоритм показал статистически значимое увеличение точности в сравнении с исходным вариантом, а также с оптимизацией встроенными функциями языка R.

В 2021 году
  • Построен набор данных для определения параметров, валидации и тестирования моделей.
  • Осуществлена формализация влияния факторов реального производства на потребительские показатели, тестирование различных подходов к улучшения математических моделей.  Проведено функциональное и статистическое сравнение различных формулировок, обоснован выбор предпочтительной модели.
В 2022 году
  • Осуществлено усовершенствование методов нахождения неизвестных параметров в применении к созданному классу моделей путем расширения использования методов машинного обучения и байесовского подхода для получения оценок параметров модели с заданной точностью.
В 2023 году
  • Разработана математическая модель для прогнозирования важных потребительских показателей сельскохозяйственных растений и животных на основе композиции генетических маркеров, а также с учетом влияния факторов климата и реального производства. Получены оценки параметров модели, проведена валидация и тестирование результирующих наборов параметров.
В 2024 году
  • Сформированы доверительные интервалы неизвестных параметров моделей. В результате методом бутстрап получены эмпирические распределения оценок параметров, по которым будут построены доверительные интервалы, определены факторы, влияние которых статистически значимо.
В 2025 году
  • Построены прогнозы по разработанным моделям с учетом полученных распределений параметров и изменения внешних факторов, проверены результаты прогнозирования по независимым экспериментам.