컴퓨터공학의 발전으로 인해, 여러 개의 변수가 존재하는 비선형 문제와 같은 최적해 탐색과 최적화에 사용되는 유전자 알고리즘은 많은 분야에서 활발하게 응용되고 있다. 그 중, 데이터마이닝분야에서 유전자 알고리즘을 이용하여 정확도를 최대로 하는 입력변수 선택방법과 여러 예측모형을 통합하는 방법 등이 제시되었다. 한편, 우리나라 축산업을 대표하는 한우의 유전자원 보존과 능력향상을 위해서는 다음세대에 유전이 되는 단일염기다형성에서 특정 유전자형을 가진 한우가 경제형질이 우수한지를 찾아낼 필요가 있다. 이에 따라, 유전자 알고리즘을 이용하여 한우의 경제형질에 가장 많은 영향을 주는 단일염기다형성 조합마커의 유전자형을 선택하는 방법을 제시하였다. 그리고 실제 한우 유전 데이터에 적용하여 주요 단일염기다형성 조합마커에서 우수 유전자형들을 선별하였다.
컴퓨터공학의 발전으로 인해, 여러 개의 변수가 존재하는 비선형 문제와 같은 최적해 탐색과 최적화에 사용되는 유전자 알고리즘은 많은 분야에서 활발하게 응용되고 있다. 그 중, 데이터마이닝분야에서 유전자 알고리즘을 이용하여 정확도를 최대로 하는 입력변수 선택방법과 여러 예측모형을 통합하는 방법 등이 제시되었다. 한편, 우리나라 축산업을 대표하는 한우의 유전자원 보존과 능력향상을 위해서는 다음세대에 유전이 되는 단일염기다형성에서 특정 유전자형을 가진 한우가 경제형질이 우수한지를 찾아낼 필요가 있다. 이에 따라, 유전자 알고리즘을 이용하여 한우의 경제형질에 가장 많은 영향을 주는 단일염기다형성 조합마커의 유전자형을 선택하는 방법을 제시하였다. 그리고 실제 한우 유전 데이터에 적용하여 주요 단일염기다형성 조합마커에서 우수 유전자형들을 선별하였다.
From development of computer science, genetic algorithm has been applied to many fields for search like non-linear problem based on various variables and optimization process. Among others, in the data mining field, there are methods to select the best input variables for model accuracy and various ...
From development of computer science, genetic algorithm has been applied to many fields for search like non-linear problem based on various variables and optimization process. Among others, in the data mining field, there are methods to select the best input variables for model accuracy and various predict models which were merged by using the genetic algorithm. In the meantime, to improve and preserve quality of the Hanwoo (Korean cattle) which is represented the agricultural industry in our country, we need to find out outstanding economical traits of Hanwoo in having specific genotype of single nucleotide polymorphism (SNP) which is inherited to next generation. According to, This research proposed the selecting method to find genotype of SNPs marker which affects economical traits of the Hanwoo by using the genetic algorithm. And we selected the best genotypes of the principal SNPs marker by applying to real data on Hanwoo genetic.
From development of computer science, genetic algorithm has been applied to many fields for search like non-linear problem based on various variables and optimization process. Among others, in the data mining field, there are methods to select the best input variables for model accuracy and various predict models which were merged by using the genetic algorithm. In the meantime, to improve and preserve quality of the Hanwoo (Korean cattle) which is represented the agricultural industry in our country, we need to find out outstanding economical traits of Hanwoo in having specific genotype of single nucleotide polymorphism (SNP) which is inherited to next generation. According to, This research proposed the selecting method to find genotype of SNPs marker which affects economical traits of the Hanwoo by using the genetic algorithm. And we selected the best genotypes of the principal SNPs marker by applying to real data on Hanwoo genetic.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이런 유전자 알고리즘을 통하여 최적의 해를 찾는 연구에서 해당 문제에 대한 최적의 해를 어떻게 개체로 표현할 것인지와 각 개체가 구하고자 하는 최적의 해에 얼마나 적합한지를 측정할 수 있는 기준, 즉 평가함수에 대한 정의가 무엇보다 중요한 문제이다. 그래서 본 논문에서는 잠재적인 해집합을 한우의 경제형질을 예측하는데 사용되는 복합 SNP의 상호작용변수들로 정의하였다. 하나의 개체는 전체 독립변수들 중에서 임의로 선택된 변수들의 조합으로 이루어지며, 각 개체의 평가를 위해 의사결정나무분석 (C4.
이러한 유전자 알고리즘을 이용하여 다음 절에서는 우수 유전자형을 선별하는 방법에 대해 살펴보도록 하자.
그래서 복합 SNP에 해당하는 유전자형 중에서 가장 한우의 경제형질에 영향을 많이 주는 우수 유전자형을 찾아야 한다. 이를 위해, 본 연구에서는 한우의 경제형질에 영향을 주는 우수 유전자형을 찾기 위해 유전자 알고리즘을 사용하는 방법을 제시한다. 2장에서는 유전자 알고리즘에 대해 알아보고, 이를 한우데이터에 적용하기 위한 방법을 제시한다.
한우의 품질을 향상하고 우수형질의 한우를 보존하기 위해서 다음세대에 유전이 되는 SNP에서 특정 유전자형을 규명하는 연구를 하였다. 이를 위해, 최적해의 탐색 알고리즘인 유전자 알고리즘과 데이터마이닝의 분류모형인 의사결정나무분석을 결합적으로 활용하여 한우의 경제형질에 우수한 유전자형을 규명하는 방법을 제시하고 이를 실제 한우유전 데이터에 적용해 보았다.
가설 설정
가설 설정- ‘선택된 유전자형이 경제형질에 영향력이 있다’를 대립가설로 설정한다.
제안 방법
그리고 위의 표3.1에서 선별된 유전자형으로 의사결정나무모형을 만들고 test데이터를 적용한 모형정확도를 구해보았다. 아래의 표 3.
데이터의 재배열과 재배열 후의 유의확률 계산- 두 그룹의 데이터를 n개만큼 랜덤 추출하여 그룹을 상호 변경한 후 ‘high’그룹의 평균을 구한다.
앞에서 제시한 방법을 토대로 각각의 SNPs 조합마커에서 유전자 알고리즘을 통해 한우의 경제형질을 예측하는데 우수한 유전자형을 선별하였다. 우선 LMA를 예측하는데 우수 유전자형으로 SNP (19 1)*SNP (18 4)조합마커에서는 AGTT, GGTT가 선별하였고, SNP (19 1)*SNP (28 2)조합마커에서는 AGAT, GGAA이 선별하였다.
앞에서 제시한 방법을 토대로 각각의 SNPs 조합마커에서 유전자 알고리즘을 통해 한우의 경제형질을 예측하는데 우수한 유전자형을 선별하였다. 우선 LMA를 예측하는데 우수 유전자형으로 SNP (19 1)*SNP (18 4)조합마커에서는 AGTT, GGTT가 선별하였고, SNP (19 1)*SNP (28 2)조합마커에서는 AGAT, GGAA이 선별하였다. 그리고 SNP (18 4)*SNP (28 2)조합마커에서는 CCAA, TTAT이 우수 유전자형으로 선택되었다.
우선 검증을 위해 의사결정나무모형에서 ‘high’로 예측된 유전자형들을 ‘high’그룹으로 정하고 나머지 유전자형들을 ‘low’그룹으로 분류하였다.
이를 초기 개체군 (initial population)이라 하며, 개체군을 선택, 교배 및 돌연변이를 통해 반복적으로 해를 탐색한다. 우수 개체를 선택하기 위해서 각각의 개체들이 찾고자 하는 해와 얼마나 동일한지 평가 함수를 통해 평가한다. 선택방법에는 룰렛 선택법, 기대치 선택법, 순위 선택법, 토너먼트 선택법 등이 있다.
이를 위해, 최적해의 탐색 알고리즘인 유전자 알고리즘과 데이터마이닝의 분류모형인 의사결정나무분석을 결합적으로 활용하여 한우의 경제형질에 우수한 유전자형을 규명하는 방법을 제시하고 이를 실제 한우유전 데이터에 적용해 보았다. 유전자 알고리즘으로 각각의 SNPs 조합마커에서 한우의 경제형질에 영향을 주는 우수 유전자형들을 선별하였고, 의사결정나무모형의 정확도가 가장 높게 나타난 SNP (19 1)*SNP (28 2)조합마커를 주용 SNPs 조합마커로 규명하였다. 이를 검정하기 두 그룹으로 나누어 permutation 검정과 스튜던트 t검정을 시행하여 매우 유의함을 밝혔다.
유전자 알고리즘을 통해 각각의 SNPs 조합마커에서 우수한 유전자형을 선별하고 모형의 정확도가 가장 높은 SNPs 조합마커를 한우의 경제형질에 가장 큰 영향을 주는 SNPs 조합마커라고 규명할 수 있다. 이를 검정하기 위해 의사결정 나무분석 모형을 통해 두 그룹으로 나누어 유의성 검정을 하였다. 검정 방법으로 한우의 경제형질에 우수한 영향을 주는 genotype들은 ‘high’ 그룹으로, 나머지 genotype은 ‘low’ 그룹으로 지정하여 Permutation test (Good, 2000)와 스튜던트 t검정을 실시하였다.
한우의 품질을 향상하고 우수형질의 한우를 보존하기 위해서 다음세대에 유전이 되는 SNP에서 특정 유전자형을 규명하는 연구를 하였다. 이를 위해, 최적해의 탐색 알고리즘인 유전자 알고리즘과 데이터마이닝의 분류모형인 의사결정나무분석을 결합적으로 활용하여 한우의 경제형질에 우수한 유전자형을 규명하는 방법을 제시하고 이를 실제 한우유전 데이터에 적용해 보았다. 유전자 알고리즘으로 각각의 SNPs 조합마커에서 한우의 경제형질에 영향을 주는 우수 유전자형들을 선별하였고, 의사결정나무모형의 정확도가 가장 높게 나타난 SNP (19 1)*SNP (28 2)조합마커를 주용 SNPs 조합마커로 규명하였다.
5)을 사용하였다. 즉, 개체 내에 선택된 독립변수들을 입력변수로 하여 train데이터로 의사결정나무모형을 생성하고, 평가용자료를 모형에 적용한 정확도에 따라 개체를 평가한다. 최종적으로 선택된 변수로 한우의 경제형질을 예측하는데 사용할 모형이 의사결정나무분석이기 때문에 좀 더 나은 예측력을 얻기 위해 유전자 알고리즘의 평가함수로 의사결정나무분석을 사용하였다.
그리고 각 변수의 값으로는 특정 유전자형을 가지면 1, 아니면 0을 가진다. 총 n2개의 유전자형을 입력변수로 하고 한우의 경제형질에 해당하는 1개의 목표변수를 가지는 데이터를 이용하여 분석을 실시한다. 유전자 알고리즘을 이용한 우수 유전자형 선택 방법이 결합된 모형의 절차는 다음과 같다.
대상 데이터
본 연구 데이터는 농협중앙회 가축개량 사무소에서 개발되었고 16 grand-sire half-sibs families로부터 229두의 수송아지로 구성되었다. 한우의 여러 경제형질인 등심단면적 (LMA: longissimus muscle dorsi area), 도체중 (CWT: carcass cold weight), 일당증체량 (ADG: average daily gain)은 모든 F1자손으로부터 수집되었고 한국축산물등급판정소의 규격에 따라 측정되었다.
데이터처리
이 과정을 10,000번 반복한다. 10,000개의 평균을 내림차순으로 정렬한 후 기존의 평균과 비교하여 Monte Carlo의 유의확률 값을 구한다.
검정 방법으로 한우의 경제형질에 우수한 영향을 주는 genotype들은 ‘high’ 그룹으로, 나머지 genotype은 ‘low’ 그룹으로 지정하여 Permutation test (Good, 2000)와 스튜던트 t검정을 실시하였다.
기존 관측치의 통계량 계산- 각 경제형질 데이터 (test데이터)를 의사결정나무분석 모형에 의해 ‘high’그룹과 ‘low’그룹으로 나누어 ‘high’그룹의 평균을 계산한다.
따라서, SNP (19 1)*SNP (28 2)조합마커를 한우의 경제형질에 가장 많은 영향을 주는 SNP 조합마커로 규명하였다. 이를 검증하기 위하여 비모수적인 방법으로 permutation검정과 모수적인 방법으로 스튜던트 t검정을 시행하였다. 우선 검증을 위해 의사결정나무모형에서 ‘high’로 예측된 유전자형들을 ‘high’그룹으로 정하고 나머지 유전자형들을 ‘low’그룹으로 분류하였다.
즉, 개체 내에 선택된 독립변수들을 입력변수로 하여 train데이터로 의사결정나무모형을 생성하고, 평가용자료를 모형에 적용한 정확도에 따라 개체를 평가한다. 최종적으로 선택된 변수로 한우의 경제형질을 예측하는데 사용할 모형이 의사결정나무분석이기 때문에 좀 더 나은 예측력을 얻기 위해 유전자 알고리즘의 평가함수로 의사결정나무분석을 사용하였다. 지금까지 설명한 유전자 알고리즘에 대한 절차를 도식화하면 다음 그림 2.
그래서 본 논문에서는 잠재적인 해집합을 한우의 경제형질을 예측하는데 사용되는 복합 SNP의 상호작용변수들로 정의하였다. 하나의 개체는 전체 독립변수들 중에서 임의로 선택된 변수들의 조합으로 이루어지며, 각 개체의 평가를 위해 의사결정나무분석 (C4.5)을 사용하였다. 즉, 개체 내에 선택된 독립변수들을 입력변수로 하여 train데이터로 의사결정나무모형을 생성하고, 평가용자료를 모형에 적용한 정확도에 따라 개체를 평가한다.
이론/모형
2장에서는 유전자 알고리즘에 대해 알아보고, 이를 한우데이터에 적용하기 위한 방법을 제시한다. 그리고 3장에서는 Kim 등 (2003)에 규명 되어진 한우 염색체 6번에 위치한 후보 QTL (Quantitative Trait Loci)인 ILSTS035와 같은 거리에 있는 SNP들 중 다형성이 나타난 SNP (19 1,18 4,28 2) (Lee 등, 2008)를 2장에서 제시한 방법에 적용하여 우수 유전자형을 선별하였다.
현재까지 소에서는 도체형질 (도체중량, 등지방두께, 등심단면적, 일당증체량, 근내지방도)과 연관이 있는 SNPs 조합마커들의 일반 가축에서 평가되거나 적용되고 있다 (Barendse 등, 2004; Page 등, 2004). 따라서 본 연구에서는 EST-based SNP 연관지도 (Snelling 등, 2005)에서 Kim 등 (2003)에 규명 되어진 한우 염색체 6번에 위치한 후보 QTL인 ILSTS035와 같은 거리에 있는 SNP들 중 다형성이 나타난 SNP (19 1,18 4,28 2)를 이용하였다 (Lee 등, 2008).
본 연구 데이터는 농협중앙회 가축개량 사무소에서 개발되었고 16 grand-sire half-sibs families로부터 229두의 수송아지로 구성되었다. 한우의 여러 경제형질인 등심단면적 (LMA: longissimus muscle dorsi area), 도체중 (CWT: carcass cold weight), 일당증체량 (ADG: average daily gain)은 모든 F1자손으로부터 수집되었고 한국축산물등급판정소의 규격에 따라 측정되었다.
성능/효과
우선 LMA를 예측하는데 우수 유전자형으로 SNP (19 1)*SNP (18 4)조합마커에서는 AGTT, GGTT가 선별하였고, SNP (19 1)*SNP (28 2)조합마커에서는 AGAT, GGAA이 선별하였다. 그리고 SNP (18 4)*SNP (28 2)조합마커에서는 CCAA, TTAT이 우수 유전자형으로 선택되었다. 또한 CWT, ADG에서도 표 3.
0051로 유의한 차이가 있다고 나타났다. 그리고 스튜던트 t검정 결과에서도 LMA, CWT에서 두 그룹의 차이는 0.0001, 0.0001로 유의수준 0.01에서 매우 유의한 차이가 있다고 나타났으며, ADG는 0.0160으로 유의한 차이가 있다고 나타났다.
따라서 한우의 경제형질인 LMA, CWT, ADG에 가장 많은 영향을 주는 SNPs 조합마커로 SNP (19 1)*SNP (28 2)조합마커를 규명하였고, 이에 포함되는 LMA에 AGAT, GGAA, CWT에 AATT, AGAA, AGTT, GGTT 그리고 ADG에 GGAA를 한우의 경제형질에 가장 많은 영향을 주는 우수 유전자형으로 선별할 수 있다.
따라서, SNP (19 1)*SNP (28 2)조합마커를 한우의 경제형질에 가장 많은 영향을 주는 SNP 조합마커로 규명하였다. 이를 검증하기 위하여 비모수적인 방법으로 permutation검정과 모수적인 방법으로 스튜던트 t검정을 시행하였다.
이를 검정하기 두 그룹으로 나누어 permutation 검정과 스튜던트 t검정을 시행하여 매우 유의함을 밝혔다. 따라서, 한우의 경제형질에 가장 많은 영향을 주는 우수 유전자형으로는 SNP (19 1)*SNP (28 2)조합마커에 해당하는 유전자형으로 규명할 수 있으므로, LMA에서 AGAT, GGAA, CWT에서 AATT, AGAA, AGTT, GGTT 그리고 ADG에서 GGAA가 한우의 경제형질에 가장 우수한 영향을 주는 유전자형으로 규명되어졌다. 그러므로 LMA에서 AGAT, GGAA, CWT에서 AATT, AGAA, AGTT, GGTT 그리고 ADG에서 GGAA를 가진 한우를 육성, 배양함으로 최고 품질의 한우를 보존할 수 있을 것이다.
1에서 선별된 유전자형으로 의사결정나무모형을 만들고 test데이터를 적용한 모형정확도를 구해보았다. 아래의 표 3.2와 같이 각각의 경제형질에서 SNPs 조합마커들의 모형정확도를 비교해 보면 SNP (19_1)*SNP (28_2)조합마커의 정확도가 LMA, CWT, ADG에서 59.6798, 59.9709, 59.8253로 다른 SNPs 조합마커보다 가장 높게 나타났다.
유전자 알고리즘을 통해 각각의 SNPs 조합마커에서 우수한 유전자형을 선별하고 모형의 정확도가 가장 높은 SNPs 조합마커를 한우의 경제형질에 가장 큰 영향을 주는 SNPs 조합마커라고 규명할 수 있다. 이를 검정하기 위해 의사결정 나무분석 모형을 통해 두 그룹으로 나누어 유의성 검정을 하였다.
유전자 알고리즘으로 각각의 SNPs 조합마커에서 한우의 경제형질에 영향을 주는 우수 유전자형들을 선별하였고, 의사결정나무모형의 정확도가 가장 높게 나타난 SNP (19 1)*SNP (28 2)조합마커를 주용 SNPs 조합마커로 규명하였다. 이를 검정하기 두 그룹으로 나누어 permutation 검정과 스튜던트 t검정을 시행하여 매우 유의함을 밝혔다. 따라서, 한우의 경제형질에 가장 많은 영향을 주는 우수 유전자형으로는 SNP (19 1)*SNP (28 2)조합마커에 해당하는 유전자형으로 규명할 수 있으므로, LMA에서 AGAT, GGAA, CWT에서 AATT, AGAA, AGTT, GGTT 그리고 ADG에서 GGAA가 한우의 경제형질에 가장 우수한 영향을 주는 유전자형으로 규명되어졌다.
최종적으로 가장 높은 정확도를 가지는 SNPs 조합마커를 검정을 통해 유의성을 확인하고, 유의성이 확인된 SNPs 조합마커에서 선택된 유전자형을 목표변수에 가장 많은 영향을 주는 우수 유전자형으로 규명한다.
후속연구
따라서, 한우의 경제형질에 가장 많은 영향을 주는 우수 유전자형으로는 SNP (19 1)*SNP (28 2)조합마커에 해당하는 유전자형으로 규명할 수 있으므로, LMA에서 AGAT, GGAA, CWT에서 AATT, AGAA, AGTT, GGTT 그리고 ADG에서 GGAA가 한우의 경제형질에 가장 우수한 영향을 주는 유전자형으로 규명되어졌다. 그러므로 LMA에서 AGAT, GGAA, CWT에서 AATT, AGAA, AGTT, GGTT 그리고 ADG에서 GGAA를 가진 한우를 육성, 배양함으로 최고 품질의 한우를 보존할 수 있을 것이다.
추후 연구로는 본 연구에서 사용한 분석방법을 응용하여 유전자의 상호작용을 분석해 보고, 유전자의 상호작용을 분석방법인 MDR (Multifactor Dimensionarity Reduction), RPM (Restricted Partition Method) 등을 통해 나온 결과와 비교하여 볼 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
최초의 유전자 알고리즘이란?
최초의 유전자 알고리즘 (genetic algorithm)은 자연생태계에서 관찰된 진화 방법 및 유전학 이론을 컴퓨터 이용이 가능하도록 최적해 탐색 문제에 도입한 것으로서 Holland (1975)에 의해서 제안되었다. 이러한 유전자 알고리즘에서는 기본적으로 단일해가 아닌 잠재적인 해집합을 이용하여 선택 (selection), 교배 (crossover) 및 돌연변이 (mutation) 등의 유전 연산을 통해 변환하여, 다음세대의 개체군이 생산되는 절차를 반복하며 최적의 해를 찾아낸다.
유전자 알고리즘의 장점은?
이러한 유전자 알고리즘은 고등생물이 염색체 (chromosome) 내의 유전인자가 교배 (crossover) 및 돌연변이 (mutation)를 이용, 세대 (generation)를 거듭함에 따라 최적 상태로 진화해 나가는 데서 힌트를 얻어 이를 견고한 최적해 탐색에 이용하려는 노력의 일환으로 탄생하게 되었다. 유전자 알고리즘은 해 공간에서 단일 해가 아닌 해집합을 이용하기 때문에 전역적 해(global optimization)의 발견을 가능케 하고, 최적화 함수 정보를 필요치 않으므로 성능지표 또는 평가 함수를 설계자의 의도에 부합하도록 용이하게 정의할 수 있는 장점을 가지고 있다 (최규석 등, 2008).
유전자 알고리즘을 이용한 우수 유전자형 선택 방법이 결합된 모형의 절차에대하여 설명하시오.
• 단계 1: 목표변수가 연속형인 경우, 경제형질 변수를 k-means기법을 통해 k가 2인 그룹으로 군집화하고, 이 때 그룹 평균이 높은 그룹을 high, 낮은 그룹은 low로 하는 이분형 변수로 만들어 준다.
• 단계 2: 모형의 정확도를 향상하기 위하여 데이터를 bootstrap방법으로 데이터를10배 boosting하고, 전체데이터를 train 35%, validation 35%, test 30%로 나눈다.
• 단계 3: 유전자 알고리즘 기법을 이용하여 train데이터로 평가함수인 C4.5모형을 만들고, validation데이터를 모형에 적용하여 정확도를 구한다. 최대반복 수 만큼 반복하여 정확도를 최대로 하는 유전자형을 선택한다.
• 단계 4: 선택된 유전자형으로 최종 C4.5모형을 생성한다.
• 단계 5: test데이터를 적용한 모형의 정확도가 가장 높은 SNPs 조합마커에서 선택된 유전자형을 우수 유전자형으로 규명한다.
참고문헌 (25)
김여근, 윤복식, 이상복 (1999). , 영지문화사, 서울.
장영식, 김종우, 허준 (2008). 유전자 알고리즘을 활용한 데이터 불균형 해소 기법의 조합적 활용. , 14, 133-154.
홍승현, 신경식 (2003). 유전자 알고리즘을 활용한 인공신경망 모형 최적 입력변수의 선정. , 9, 227-249.
Barbro, B., Teija, L. and Kaisa, S. (1996). Neural networks and genetic algorithms for bankruptcy predictions. Proceedings of The third World Congress on Expert Systems, 123-130.
Barendse, W., Bunch, R., Thomas, M., Armitage, S., Baud, S. and Donaldson, N. (2004). The TG5 thyroglobulin gene test for a marbling quantitative trait loci evaluated in feedlot cattle. Australian Journal of Experimental Agriculture, 44, 669-674.
Colin, A. M. (1994). Genetic algorithms for financial modeling. In Dedoeck, G.J. (Edition), Trading on the edge, John Wiley, New York, 148-173.
Goldberg, D. (1983). Computer-aided gas pipeline operation using genetic algorithms and rule learning, Ph.D. Thesis, University of Michigan.
Goldberg, D. and Lingle, R. (1985). Alleles, loci, and the travelling salesman problem. Proceedings of ICGA, 85, 154-159.
Goldberg, D. E. (1989). Genetic algorithms in search, optimization and machine learning, Addison-Wesley, Massachusetts.
Good, P. (2000). Permutation test: A ractical guide to resampling method for testing hypotheses, Springer-Verlag Berlin and Heidelberg GmdH & Co., New York.
Han, I., Jo, H. and Shin, K. S. (1997). The hybrid systems for credit rating. Journal of the Korean Operations Research and Management Science Society, 22, 163-173.
Holland, J. H. (1997). Adaptation in natural and artificial systems, The University of Michigan Press, Michigan.
Kim, J. W., Jang, T. K., Park, Y. A. and Yeo, J. S. (2000). Linkage mapping of chromosome 6 in the Korean Cattle (Hanwoo). Asian-Australasian Journal of Animal Sciences, 13, 235.
Kim, J. W., Park, S. I. and Yeo, J. S. (2003). Linkage mapping and QTL on chromosome 6 in Hanwoo (Korean Cattle). Asian-Australasian Journal of Animal Sciences, 16, 1402-1405.
Kitano, H. (1992). Neurogenetic learning: An integrated method of designing and training neural networks using genetic algorithmes, TechnicalReport, Carnegie Mellon University.
Koza, J. (1993). Genetic programming, The MIT Press, Cambridge.
Lee, J. Y. and Choi, Y. M. (2007). Hanwoo individual identification with DNA marker information. Journal of the Korean Data and Information Science Society, 18, 599-608.
Lee, Y. S., Lee, J. H., Lee, J. Y., Kim, J. J., Park, H. S. and Yeo, J. S. (2008). Identification of Candidate SNP (Single Nucleotide Polymorphism) for Growth and Carcass Traits Related to QTL on Chromosome 6 in Hanwoo (Korean Cattle). Asian-Australasian Journal of Animal Sciences, 21, 1703-1709.
Lee, J. Y., Kim, D. C. (2009). Restricted partition method and gene-gene interaction analysis with Hanwoo economic traits. Journal of the Korean Data and Information Science Society, 20, 171-178.
Page, B. T., Vasas, E., Quaas, R. L., Thallman, R. M., Wheeler, T. L., S- hackelford, S. D., Koohmaraie, M., White, S. N., Bennett, G. L., Keele J. W., Dikeman, M. E. and Smith, T. P. L. (2004). Association of markers in the bovine CAPNI gene with meat tenderness in large crossbred populations that sample
Shin, K. S. and Han, I. (1998). Using genetic algorithm to support case-based reasoning: Application to corporate bond rating integration. Proceedings of Second Asia Pacific Decision Sciences Institute (DSI) Conference, Taipei, 1-11.
Snelling, W. M., Casas, E., Stone, R. T., Keele, J. W., Harhay, G. P., Benett, G. L. and Smith, T. PL. (2005). Linkage mapping bovine EST-based SNP. BMC Genomics, 6, 74-84.
Whitely, D., Starkweather, T. and Fuquay, D. (1989). Scheduling problems and traveling salesman: The genetic edge recombination operator. Proceedings of ICGA, 89.
Yeo, J. S., Lee, J. Y. and Kim, J. W. (1989). DNA marker mining of ILSTS035 microsatellite locus on chromosome 6 of hanwoo cattle. Journal of Genetics, 83, 245-250.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.