---

Традиційна селекція ВРХ спирається на лінійні змішані моделі (BLUP), ефективні, але обмежені у врахуванні нелінійних генетичних взаємодій. Алгоритми машинного навчання (МН) дають змогу виявляти складні залежності у генетичних даних. Мета роботи — апробувати регресію опорних векторів (SVR) для прогнозування молочної продуктивності та розробити підхід «зворотного інжинірингу» для визначення оптимальних алельних комбінацій на основі обмеженого гетерогенного набору маркерів. Дослідження виконано на вибірці з 81 тварини української червоно-рябої молочної породи. Використано генотипи трьох QTL (PRL, LEP, TNF-α), перетворені у 12 бінарних ознак (One-Hot encoding). Цільова змінна — надій за 305 днів. Дані поділено на тренувальний (80%) і тестовий (20%) набори, масштабування проведено за допомогою StandardScaler. Модель SVR навчали з 5-кратною перехресною валідацією та налаштуванням гіперпараметрів (GridSearchCV), порівнюючи перетасовані й неперетасовані дані. Для пошуку оптимальних генотипів створено синтетичний «простір рішень» (54 комбінації), проаналізований навченою моделлю SVR.

Трифакторний ANOVA не виявив статистично значущого впливу факторів (PRL, LEP, TNF-α) або їх взаємодій на надій (p < 0,05), хоча для PRL відзначено пограничну тенденцію (p = 0,055). Моделі SVR на неперетасованих даних показали від’ємні R² (до –0,066), що свідчить про перенавчання. Натомість модель з усіма трьома маркерами (12 ознак) і 5-кратною перехресною валідацією з перетасуванням (shuffle=True) досягла найкращого, хоч і незначного, результату (R² = 0,0064; RMSE ≈ 790 кг) з ядром «rbf». Підхід «зворотного інжинірингу» визначив потенційно оптимальні генотипи (Топ-3: CC-CC-AD, CT-CC-AD, CC-CC-AB) з прогнозованим надоєм до 5173 кг, що перевищує середній рівень по стаду (4838 кг).

Дослідження підтвердило методологічну придатність SVR для аналізу гетерогенних генетичних даних та цілей відбору за допомогою «зворотної інженерії», навіть на критично малій вибірці (n=81). Низькі значення R² підкреслюють, що основним обмеженням є малий розмір вибірки відносно кількості ознак, що заважає моделі фіксувати надійні прогностичні сигнали. Цей підхід служить потужним аналітичним доповненням до традиційних методів BLUP, забезпечуючи основу для визначення бажаних «генетичних формул» для цілеспрямованого відбору, коли стануть доступними більші набори даних.

References

Alves K, Brito LF, Schenkel FS. (2023). Genomic prediction of fertility and calving traits in Holstein cattle based on models including epistatic genetic effects. J Anim Breed Genet. Sep;140(5):568-581. https://doi.org/10.1111/jbg.12810.

Azodi CB, Bolger E, McCarren A, Roantree M, de Los Campos G, Shiu SH. (2019). Benchmarking Parametric and Machine Learning Models for Genomic Prediction of Complex Traits. G3 (Bethesda). Nov 5;9(11):3691-3702. https://doi.org/10.1534/g3.119.400498.

Berezovskyi, O. V.,  Yu. P. Polupan,  S. Yu. Ruban,  &  Kopylov K. V. (2015). Zv’iazok  polimorfizmu za henamy к-CN, TG5, LEP z molochnoiu produktyvnistiu koriv ukrains-kykh molochnykh pored [The connection of polymorphism to the к-CN, TG5, LEP genes with the milk yield of cows of Ukrainian breeds]. Rozvedennya i henetyka  tvaryn: mizhdvidomchyy  tematychnyy zbirnyk –Animal Breeding and Genetics: interdepartmental thematic scientific collection.  Kyiv, 49:154-164 (in Ukrainian)

Bergstra J., Komer B., Eliasmith C. et al. (2015). Hyperopt: a Python library for model selection and hyperparameter optimization. Comput. Sci. Discov. 8:014008. https://doi.org/10.1088/1749-4699/8/1/014008.

Cavallaro,C Cutello, V, Pavone, M & Zito, F. (2024). Machine Learning and Genetic Algorithms: A case study on image reconstruction. Knowledge-Based Systems 284 (111194). https://doi.org/10.1016/j.knosys.2023.111194.

Chafai, N., Hayah, I., Houaga, I., Badaoui, B. (2023). A review of machine learning models applied to genomic prediction in animal breeding. Frontiers in Genetics, 14:1150596. https://doi.org/10.3389/fgene.2023.1150596.

González-Recio, O., Forni, S. (2011). Genome-wide prediction of discrete traits using bayesian regressions and machine learning. Genet Sel Evol, 43, 7. https://doi.org/10.1186/1297-9686-43-7.

Hladiy, M. V., Polupan, Y. P., Kovtun, S. I., Kuzebnij, S. V., Vyshnevskiy, L. V., Kopylov, K. V., & ShcherbakО. V. (2018). Scientific and organizational aspects of generation, genetics, reproduction biotechnology and protection of the genofonds in livestock breeding. Animal Breeding and Genetics, 56, 5-14. https://doi.org/10.31073/abg.56.01

Ivashchenko O. Yu. (2023). Henetychne riznomanittia populiatsii velykoi rohatoi khudoby za asotsiiovanymy z rezystentnistiu DNK-markeramy [Genetic diversity of cattle populations by resistance-associated DNA markers]: avtoreferat dys. … d.filosof : 204 / O. Yu. Ivashchenko. — B.m., https://nubip.edu.ua/sites/default/files/u145/dis_ivashchenko.pdf (in Ukrainian).

Junhwa Choi, Sunghyun Cho, Subin Choi, Myunghee Jung, Yu-jin Lim, Eunchae Lee, Jaewon Lim, Han Yong Park & Younhee Shin. (2024). Genotype-Driven Phenotype Prediction in Onion Breeding: Machine Learning Models for Enhanced Bulb Weight Selection. Agriculture  14, 2239. https://doi.org/10.3390/agriculture14122239.

Kopylov, K. V., O. D. Biriukova, O. V. Berezovskyi, & Basovskyi D. M. (2015). Henetychnyi monitorynh v stadi ukrainskoi  chervono-riaboi molochnoi porody za kompleksom  heniv [Genetic monitoring in a herd of Ukrainian red-billed milk breed in a complex of genes]. Tekhnolohiya vyrobnytstva  i pererobky produktsiyi  tvarynnytstva – Technology  o f  production  and processing  of  livestock products.  Bila Tserkva. 1(116):28-31 (in Ukrainian).

Kopylov, K. V., O. I. Metlytska, N. B. Mokhnachova, & Suprovych T. M. (2016). Molekuliarno-henetychnyi monitorynh v systemi zberezhennia henetychnykh resursiv tvaryn [Molecular genetic monitoring in the system of conservation of genetic resources of animals]. Visnyk ahrarnoi nauky- Bulletin o f  Agricultural Science.  6:43-47 (in Ukrainian)

Liu, M., Gao, Z., Chang, H., Li, S. Z., Shan, S., & Chen, X. (2025). G2PDiffusion: Cross-Species Genotype-to-Phenotype Prediction via Evolutionary Diffusion. arXiv preprint arXiv:2502.04684.

Mackay, T. F. (2014). Epistasis and quantitative traits: using model organisms to study gene-gene interactions. Nat Rev Genet. Jan; 15(1):22-33. https://doi.org/10.1038/nrg3627.

Mendoza H., Klein A., Feurer M. et al. (2019). Towards automatically tuned deep neural networks. In: Hutter F. et al. (eds) Automated Machine Learning. Springer, Cham, pp. 135–149.

Pedregosa F, Varoquaux G, Gramfort A et al (2011). Scikit-learn: machine learning in python. J Mach Learn Res 12:2825–2830.

Pérez-Enciso, M.; Zingaretti, L.M. (2019). A Guide on Deep Learning for Complex Trait Genomic Prediction. Genes, 10, 553. https://doi.org/10.3390/genes10070553.

Rockman, M. (2008). Reverse engineering the genotype–phenotype map with natural genetic variation. Nature 456, 738–744. https://doi.org/10.1038/nature07633.

Vapnik, V. N. (1995). The Nature of Statistical Learning Theory. Springer, New York. http://dx.doi.org/10.1007/978-1-4757-2440-0.

Wang, X., Shi, S., Wang, G. et al. (2022). Using machine learning to improve the accuracy of genomic prediction of reproduction traits in pigs. Journal of Animal Science and Biotechnology, 13:60. https://doi.org/10.1186/s40104-022-00708-0.