甘疾病的基因组预测,包括混合贝叶斯式机器学习方法
Chensong Chen1, Shamsul A Bhuiyan2,3, Elizabeth Ross1
1Center for Animal Science, The Queensland Alliance for Agriculture and Food Innovation, The University of Queensland, Brisbane, QLD, Australia.
Frontiers in plant science
|May 16, 2024
概括
基因组选择方法,包括贝叶斯式和混合方法与注意力网络,有效地预测了甘疾病耐药性. 这些先进技术加速了对抗性甘克隆的识别,以提高作物产量.
科学领域:
- 植物育种 植物育种
- 基因组学就是基因组学.
- 农业科学 农业科学
背景情况:
- 甘的疾病,如污垢和帕奇米特拉根腐烂,造成超过30%的显著收成损失.
- 甘中抗病能力的遗传性表明,通过选择有可能进行遗传改进.
- 基因组选择为加速繁殖提供了一条途径,通过早期识别耐药苗木来加速繁殖.
研究的目的:
- 评估各种基因组预测算法,以检测甘克隆体的抗病能力.
- 为了比较不同的预测方法的准确性和可靠性,包括GBLUP,贝叶斯式和机器学习方法.
- 评估混合方法的实用性,将标记物选择与注意力网络相结合,以捕捉表观症.
主要方法:
- 评估了GBLUP (具有主导性/表现性),贝叶斯式 (BayesC,BayesR) 和机器学习 (随机森林,MLP,CNN,注意力网络).
- 开发并测试了使用BayesR/GWAS进行标记物选择的混合方法,随后采用注意力网络.
- 应用基于PCA的随机和结构化交叉验证,对4702个含有基因组和表型数据 (26k个SNP标记) 的甘克隆进行了交叉验证.
主要成果:
- 贝叶斯方法 (BayesR,BayesC) 显示出最高的预测准确度.
- 结合注意力网络的混合方法在准确性方面紧随其后,在验证折叠中显示出最小的变化 (最低的MSE).
- 注意力网络有效地捕捉了表观症,特别是在使用精选标记的混合方法中.
结论:
- 贝叶斯方法对于基因组预测甘病耐药性非常有效.
- 使用注意力机制的混合方法对预测克隆性能的表现有希望,特别是当非添加性遗传效应显著时.
- 精度变化减少表明,混合方法与注意力网络可能对实际的甘育种计划有价值.
