机器学习用于甘中的基因组和血统预测

科学领域:

• 植物育种 植物育种
• 基因组学就是基因组学.
• 机器学习 机器学习
• 量化遗传学 量化遗传学

背景情况:

• 甘育种计划面临的挑战是由于Saccharum spp.的高度异合体的多倍体基因组.
• 准确的基因组预测 (GP) 对于高效的作物改进至关重要,特别是在多体物种中.
• 非添加物遗传效应在多种植作物中是显著的,并且需要在GP模型中考虑.

研究的目的:

• 将非添加物遗传效应和血统信息纳入甘的GP模型.
• 评估机器学习方法在提高甘育种线的预测准确度方面的有效性.
• 将机器学习方法的性能与传统方法 (如最佳线性无偏预测 (BLUP)) 的性能进行比较.

主要方法:

• 使用33,149个单核酸多态 (SNP) 的方法对297个甘克隆进行基因定型.
• 实施BLUP,随机森林,以及一种新的模拟合组合 (SAE) 方法.
• 验证使用重复十倍交叉验证和离开一个家庭的交叉验证策略.

主要成果:

• 机器学习方法,特别是SAE,在不同的交叉验证方案中显示出比BLUP更高的预测准确性.
• 重复的十倍交叉验证表明机器学习方法始终优于BLUP.
• 离开一个家庭的交叉验证突出了SAE作为最准确的预测方法.

结论:

• 基因组预测对于日本的甘育种计划是有效的.
• 机器学习方法通过建模复杂的遗传相互作用,为提高甘的预测准确性提供了显著的潜力.
• 这项研究证实了先进的计算方法对加速甘遗传改进的有用性.