ゲノム予測のためのベイズニューラルネットワーク：SHAPおよびGWASを用いた不確実性定量化とSNP解釈

科学分野:

• 植物育種と遺伝学
• ゲノミクス
• バイオインフォマティクス
• 農業における機械学習

背景:

• ディープラーニングモデルは、複雑な遺伝子型-表現型関係を捉えることで、ゲノム予測に有望です。
• 植物育種における現在のディープラーニングアプリケーションは、モデルの解釈性の低さと不確実性定量化の欠如によって制限されています。
• 正確なゲノム予測は、作物改良プログラムを加速するために不可欠です。

主な方法:

• マルチトレイトゲノム予測のためにLASSO正則化を組み込んだベイズニューラルネットワーク（BNN）フレームワークを開発しました。
• SHapley Additive exPlanations（SHAP）とゲノムワイド関連解析（GWAS）シグナルをGSMeSP解釈ツールに統合しました。
• 繊維関連形質について12,000を超えるSNPでジェノタイピングされた1385の upland cottonアクセスにフレームワークを適用しました。

結論:

• LASSO正則化とGSMeSPを備えた開発されたBNNフレームワークは、正確で不確実性を認識し、生物学的に解釈可能なゲノム予測を提供します。
• この統合アプローチは、作物育種におけるゲノム選択のためのディープラーニングの透明性と堅牢性を高めます。
• この発見は、育種者にとってより情報に基づいた信頼性の高い意思決定ツールを提供することにより、ゲノム選択を加速します。