В данной работе осуществляется разработка алгоритма оптимизации упаковки генетической информации в синтетические изображения с целью использования их в модели на основе квантовой нейронной сети для прогнозирования сельскохозяйственных признаков нута. В ходе разработки код алгоритма был улучшен, что привело к уменьшению времени работы и уменьшению потребляемой оперативной памяти. Так же была разработана параллельная версия алгоритма. Проведены исследования влияния алгоритма оптимизации изображений на качество обучения гибридной квантовой нейронной сети. Проведена оценка качества работы обученной модели не тестовой выборке, а так же оценка качества обучения. К разработанной модели был применен алгоритм вычисления влияния признаков на результат работы нейронной сети. Была отобрана группа признаков, которые больше других влияют на решение модели и являются статистически отличимыми. Тем самым выявлены ключевые генетические маркеры нута, которые сильнее влияют на прогнозирование фенотипа. В дальнейшем результаты исследования могут быть рассмотрены с точки зрения биологии для получения интерпретации. А так же сравнения их с результатами других методов выявления ключевых генетических маркеров для оценки качества работы метода.

This work involves the development of an algorithm for optimizing the packaging of genetic information into synthetic images for use in a quantum neural network-based model for predicting agricultural traits of chickpea. During the development process, the algorithm code was improved, leading to a reduction in processing time and memory consumption. Additionally, a parallel version of the algorithm was developed. Studies were conducted on the impact of the image optimization algorithm on the quality of training a hybrid quantum neural network. An evaluation of the performance of the trained model on a test dataset was also carried out, along with an assessment of the quality of training. An algorithm for calculating the influence of features on the neural network’s performance was applied to the developed model. A group of features that have the most significant impact on the model’s decision and are statistically distinguishable were selected. This revealed key genetic markers chickpea that have a stronger influence on predicting phenotype. In the future, the research results can be examined from a biological standpoint for interpretation. They can also be compared with the results of other methods for identifying key genetic markers to assess the method’s performance.

• Оптимизация упаковки геномной информации в синтетических изображениях
  • Введение
  • 1. Создание синтетического изображения
  • 2. Построение модели прогрозирования фенотипических признаков на основе синтетических изображений
  • 3. Результаты
  • Заключение
  • Список использованных источников