深度学习方法改善了小麦育种的基因组预测

科学领域:

• 植物育种 植物育种
• 基因组预测 基因组预测
• 机器学习是机器学习.
• 深度学习应用程序深度学习应用程序

背景情况:

• 基因组预测 (GP) 模型对于评估植物育种中未见的表型至关重要.
• 深度学习 (DL) 对GP来说是有前途的,但它的应用往往仅限于小数据集.
• 以前的植物育种DL模型主要是通过图像数据和小规模实验进行测试.

研究的目的:

• 评估深度学习 (DL) 模型与最佳线性无偏预测 (GBLUP) 模型的性能,使用适度大的数据集.
• 评估DL模型的基因组预测准确性,使用五倍交叉验证和离开一个环境 (LOEO) 策略.
• 探索DL在更具挑战性,现实的场景下,在植物育种中预测特征的潜力.

主要方法:

• 使用了深度学习 (DL) 模型,这是多模式DL方法的延伸.
• 将DL模型的性能与最佳线性无偏预测 (GBLUP) 模型进行了比较.
• 基因组预测的准确性通过五倍交叉验证和离开一个环境 (LOEO) 方法进行评估.

主要成果:

• 在5倍交叉验证过程中,DL模型在5个特征中的2个中在基因组预测准确度上优于GBLUP模型.
• 对其余的特征观察到类似的性能,表明DL模型的广泛适用性.
• 在使用LOEO方法预测完整环境时,DL模型表现出了竞争力.

结论:

• 与GBLUP相比,深度学习模型的基因组预测准确度优于或具有竞争力,特别是在适度大数据集的情况下.
• 这项研究验证了DL模型在植物育种中增强特征预测的潜力,超出了小规模或以图像为中心的应用.
• 这些发现支持使用先进的DL技术,以实现更准确,更有效的作物改进策略.