遺伝子型データを超えたホリスティックな表現型予測に向けて

科学分野:

• 植物および動物育種
• 遺伝学
• バイオインフォマティクス

背景:

• ゲノム選抜（GS）は、遺伝的データから表現型を予測することにより、育種に革命をもたらします。
• 現在のGSモデルは、観察された表現型の変動のごく一部しか説明していません。
• 予測精度の向上には、多様なデータ型を統合する必要があります。

研究 の 目的:

• ゲノム選抜に非ゲノムデータを統合するための戦略をレビューおよび分類すること。
• 遺伝情報以外の表現型予測を強化する方法を探ること。
• 育種におけるマルチデータ統合の包括的な概要を提供すること。

主な方法:

• データ統合戦略を5つのタイプに分類します：除去、促進、集約、組み込み、および調整。
• 環境、表現型、およびその他の生物学的データを活用する方法のレビュー。
• 深層学習（例：CNN）を含む高度なモデリング技術の議論。

主要な成果:

• 表現型予測を改善するための5つの異なるデータ統合戦略は、様々な利点を提供します。
• 促進、集約、組み込み、および調整の方法は、GS精度を向上させる可能性を示しています。
• 相互作用の明示的なモデリングと高度なモデルのためのデータの変換は、重要なアプローチです。

結論:

• マルチデータ表現型予測は、複雑な生物学的システムを理解するためのホリスティックなアプローチを提供します。
• 多様なデータ型を統合することは、育種プログラムにおける予測精度を大幅に向上させます。
• 将来の研究では、ゲノミクスと他のデータソースを組み合わせた包括的な予測モデルの開発に焦点を当てるべきです。