机器学习方法用于基因组预测牛行为特征,通过北美荷尔斯坦牛的自动挤奶系统测量牛的行为特征
Victor B Pedrosa1, Shi-Yi Chen2, Leonardo S Gloria1
1Department of Animal Sciences, Purdue University, West Lafayette, IN 47907.
Journal of dairy science
|February 23, 2024
概括
深度学习方法显示,与传统方法相比,乳牛的行为特征,如奶拒绝和失败等,基因组预测准确度略有提高. 然而,它们更高的计算需求可能会限制在大型育种计划中的实际应用.
科学领域:
- 动物遗传学和动物繁殖
- 基因组预测 基因组预测
- 机器学习在农业中的应用
背景情况:
- 准确的基因组预测对于复杂的奶牛行为特征至关重要.
- 自动奶系统提供了关于奶牛行为的大量数据,包括拒绝奶 (MREF) 和失败 (MFAIL).
- 评估新的预测方法对于推进乳牛养殖至关重要.
研究的目的:
- 为了比较传统的基因组预测方法和深度学习算法的预测性能.
- 评估基因组预测对北美荷尔斯坦牛的拒绝和失败的准确性.
- 调查深度学习的可行性,以提高牲畜行为特征的基因组预测.
主要方法:
- 利用了通过自动挤奶系统收集的4,511只基因型的霍尔斯坦牛的1,993,509份每日记录.
- 我们比较了四种基因组预测方法:贝叶斯最小绝对收缩和选择运算符 (LASSO),多层感知子 (MLP),卷积神经网络 (CNN) 和基因组最佳线性无偏预测 (GBLUP).
- 使用Python库 (Keras,TensorFlow) 实现了MLP和CNN;使用BLUPF90+实现了GBLUP.
主要成果:
- 深度学习方法 (MLP,CNN) 对MREF和MFAIL的预测准确度略高 (0.36-0.37),而不是GBLUP (0.35).
- 拉索实现了MREF的精度为0.34,MFAIL的精度为0.27.
- 与其他方法相比,MLP和CNN对被选中的顶级个体的重新排名较低.
结论:
- 深度学习方法为提高乳牛行为特征的基因组预测准确性提供了潜力.
- 目前的深度学习方法可能还没有优于传统方法,这是因为非基因型个体的计算需求和挑战.
- 需要进行进一步的研究,以确定深度学习在大型乳牛育种计划中的实际应用.
