机器学习算法的应用和特征选择在菜种子 (Brassica napus L.) 育种中用于种子产量

科学领域:

• 农业科学 农业科学
• 植物育种 植物育种
• 计算生物学 计算生物学

背景情况:

• 了解大麻种子产量 (SY) 和产量相关特征之间的关系对于高效的育种至关重要.
• 传统的方法难以处理SY和其他特征之间的复杂相互作用.
• 先进的机器学习 (ML) 是必要的,以有效的间接选择在菜种子的育种.

研究的目的:

• 确定ML算法和特征选择方法的最佳组合,以最大限度地提高RAPSEEDSY间接选择的效率.
• 探索各种ML模型对菜种子产量的预测能力.

主要方法:

• 采用了25个基于回归的ML算法和6种特征选择方法.
• 收集了两年 (2019-2021) 时间内从二十种菜种子基因型中收集的SY和产量相关数据.
• 使用根平均平方误差 (RMSE),平均绝对误差 (MAE) 和确定系数 (R2) 评估算法性能.

主要成果:

• 支持向量回归在所有15个特征中实现了最佳性能 (R2=0.860,RMSE=0.266,MAE=0.210).
• 多层感知神经网络 (MLPNN-Identity) 具有三个选定的特征,表现出高效率 (R2=0.843,RMSE=0.283,MAE=0.224).
• 对SY的关键预测特征包括每个植物的,生理成熟的几天,植物的高度和第一个的高度.

结论:

• MLPNN-Identity与逐步和倒向选择相结合,提供了一种可靠的方法,用于使用更少的特征准确预测SY.
• 这种基于机器学习的方法可以优化和加速油菜SY育种计划.
• 该研究强调了ML在提高作物改进间接选择效率方面的潜力.