基于机器学习的猪生长特征的基因组预测
Dong Chen1,2,3, Shu-Jie Wang1,2,3, Zhen-Jian Zhao1,2,3
1Key Laboratory of Livestock and Poultry Multi-omics, Ministry of Agriculture and Rural Affairs, College of Animal Science and Technology, Sichuan Agricultural University, Chengdu 611130, China.
Yi chuan = Hereditas
|October 23, 2023
概括
机器学习模型准确地预测了猪基因组估计的繁殖值 (GEBV) 和生长特征. 梯度增强机 (GBM) 显示了GEBV和表型预测的最佳性能,提供了高效的训练时间.
科学领域:
- 动物育种与遗传学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 优化养猪计划需要准确预测生长特征和基因组估计养殖值 (GEBV).
- 传统方法可能无法充分利用复杂的基因组和表型数据来提高预测准确度.
研究的目的:
- 为了比较各种机器学习模型的性能来预测猪生长特征和GEBV.
- 确定最佳的机器学习方法,用于在养猪中进行全基因组评估.
主要方法:
- 利用了来自9968头猪的基因组,血统,固定效应和表型数据.
- 开发和评估了四种机器学习模型:深度学习 (DL),随机森林 (RF),梯度增强机 (GBM) 和极端梯度增强 (XGB).
- 采用10倍交叉验证来预测与体重里程碑 (100公斤,115公斤) 相关的GEBV和表型.
主要成果:
- 机器学习模型在预测GEBV的准确性比表型特征更高.
- 在所有评估的特征中,GBM表现出卓越的GEBV预测准确度.
- GBM和DL在表型预测方面表现最好,而XGB也表现出了竞争力的结果.
- XGB提供了最短的模型训练时间,而RF的效率最低.
结论:
- 自动机器学习模型提高了在养猪中GEBV预测的准确性.
- GBM是平衡预测准确性和训练效率的最有效模型.
- XGB为训练准确的预测模型提供了一个快速的替代方案,适合快速评估.
