通过深度学习检测SNP标记物来区分马种

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 准确地将个体分配到其原始种群中,对于基因组应用至关重要.
• 高通量基因型定型产生大量数据,需要有效的标记物选择方法.

研究的目的:

• 评估人工神经网络 (ANN),包括深度神经网络 (DNN),加森和奥尔登方法,用于选择信息性的SNP标记.
• 评估这些方法在将个体分配到其真正的起源品种中的性能.

主要方法:

• 利用了来自37个品种的795只动物的基因组数据,这些动物在Illumina SNP 50k Bead芯片上进行了基因组定型.
• 应用深度神经网络 (DNN),加森和奥尔登方法用于SNP特征选择.
• 使用主要组件分析 (PCA),日志概率比率 (LLR) 和邻近连接 (NJ) 树验证标记性能.

主要成果:

• DNN,加森和奥尔登方法确定了减少的SNP面板 (4270,4937,7999标记) 用于品种分配.
• 通过110个 (DNN),208个 (Garson) 和178个 (Olden) 标记,获得了70%的分配成功.
• 在最高的强度值下,DNN在93%的精度下表现出卓越的性能.
• 选择的标记物在一个独立的数据集上得到验证,正确地分配所有未知样本.

结论:

• 深度神经网络 (DNN) 提供了一种有效的策略,用于选择一组最小的高度歧视性SNP标记.
• 已确定的SNP小组对于准确的品种分配和追踪原始种群是有效的.
• 在基因组数据分析中,DNN显示了特征选择的巨大潜力.