用结构和单核酸基因组变异来预测大米特征的深度学习的评估

科学领域:

• 植物基因组学 植物基因组学
• 定量遗传学 是一种定量遗传学.
• 生物信息学是一种生物信息学.

背景情况:

• 结构性基因组变异 (SVs) 是植物进化和化的关键驱动因素,有助于显著的基因组和表型变异性.
• 目前的作物改进方法,如基因组预测,主要利用单核酸多态 (SNP),忽视了SVs的潜力.
• 深度学习 (DL) 为基因组预测提供了一种有前途的方法,但其与SV和SNP作为遗传标记物的有效性需要进行调查.

研究的目的:

• 评估SV和SNP的结合是否与单独使用SNP相比,提高了大米的特征预测准确性.
• 将深度学习 (DL) 模型的性能与基因组预测的传统贝叶斯线性模型进行比较.
• 使用各种标记器输入策略,探索不同DL架构 (多层感知器,卷积神经网络) 的预测能力.

主要方法:

• 预测模型的比较分析:贝叶斯C,贝叶斯可重现核希尔伯特空间 (RKHS) 回归,多层感知器和卷积神经网络.
• 使用结构基因组变异 (SV) 和单核酸多态 (SNP) 的组合作为遗传标记.
• 在大米中评估了四个特征和两个验证策略的模型性能.

主要成果:

• 在87%的案例中,将SV与SNP整合起来略有提高了复杂特征的预测能力.
• 深度学习 (DL) 模型在75%的评估场景中表现优于贝叶斯模型.
• 与贝叶斯模型相比,DL模型在预测二进制特征方面表现出一致的改进.

结论:

• 包括结构基因组变异 (SVs) 增强了大米的特征预测,无论预测方法如何.
• 深度学习 (DL) 网络显示出优于贝叶斯模型的性能潜力,特别是在二进制特征和训练和目标集不同时.
• 这项研究强调了将SV与SNP一起纳入基因组选择以改善作物育种策略的价值.