分散NN2:一个神经网络,用于从地理引用的多态数据中估计分散距离
Chris C R Smith1, Andrew D Kern2
1Institute of Ecology and Evolution, University of Oregon, Eugene, OR, 97403, USA. chriscs@uoregon.edu.
一个新的深度学习工具disperseNN2使用遗传数据估计了生物的分散距离. 它比现有的方法提高了准确性,特别是对于具有有限基因组资源的非模型生物.
科学领域:
- 人口遗传学 人口遗传学
- 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:
- 生物的分散显著影响空间遗传变异.
- 精确估计分散距离对于了解人口结构和演变至关重要.
- 现有的方法可能缺乏效率或适用于非模型生物的适用性.
研究的目的:
- 介绍 disperseNN2,一个新的深度学习工具,用于估计每代平均分散距离.
- 为了利用地理引用的遗传多态度数据进行分散估计.
- 为各种生物系统提供一个用户友好的工具.
主要方法:
- 开发了一个神经网络 (disperseNN2) 来从基因型数据中提取特征.
- 在神经网络架构中,集成地理信息与遗传数据.
- 使用无相单核酸多态 (SNP) 作为输入,适用于非模型生物.
主要成果:
- 与缺乏明确空间信息的最先进的深度学习方法相比,disperseNN2表现出更高的性能.
- 在10个人中,平均相对绝对误差降低了33%,在100个人中降低了48%.
- 该工具对具有稀缺基因组资源的生物特别有效.
结论:
- 分散NN2提供了一种强大且易于使用的方法,用于从遗传数据中估计分散距离.
- 该工具增强了空间遗传学的研究,特别是在具有有限基因组资源的系统中.
- 开源可用性促进了进化生物学研究的更广泛应用和进一步发展.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
相关概念视频
Distribution and Dispersion
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Distributions to Estimate Population Parameter
Selected Data About Geographic Locations
Distance Corrections
Estimating Population Standard Deviation
