Machine learning and hypothesis driven optimization of bull semen cryopreservation media
Notice bibliographique
Résumé
Cryopreservation provides a critical tool for dairy herd genetics management. Due to widely varying inter- and within-bull post thaw fertility, recent research on cryoprotectant extender medium has not dramatically improved suboptimal post-thaw recovery in industry. This progress is stymied by the interactions between samples and the many components of extender media and is often compounded by industry irrelevant sample sizes. To address these challenges, here we demonstrate blank-slate optimization of bull sperm cryopreservation media by supervised machine learning. We considered two supervised learning models: artificial neural networks and Gaussian process regression (GPR). Eleven media components and initial concentrations were identified from publications in bull semen cryopreservation, and an initial 200 extender-post-thaw motility pairs were used to train and 32 extender-post-thaw motility pairs to test the machine learning algorithms. The median post-thaw motility after coupling differential evolution with GPR the increased from 52.6 ± 6.9% to 68.3 ± 6.0% at generations 7 and 17 respectively, with several media performing dramatically better than control media counterparts. This is the first study in which machine learning was used to determine the best combination of constituents to optimize bull sperm cryopreservation media, and provides a template for optimization in other cell types.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».