亚样本图表神经网络用于定量表型的基因组预测

科学领域:

• 基因组学和生物信息学
• 机器学习在生物学中的应用
• 量化遗传学 量化遗传学

背景情况:

• 深度学习 (DL) 在基因组学中越来越多地用于分析复杂的生物数据.
• 传统的全基因组预测 (GWP) 方法可能无法完全捕捉复杂的多代关系.
• 现有的GLGWP方法往往忽视了基因组关系中固有的非欧几里德图结构.

研究的目的:

• 提出新的深度学习架构,全球卷积神经网络 (GCN) 和具有随机子样本 (GCN-RS) 的 GCN,用于基因组预测.
• 通过结合个人关系的非欧几里德图结构来解决现有的DL方法的局限性.
• 评估GCN和GCN-RS与传统GWP方法的性能.

主要方法:

• 开发了一个针对非欧几里德空间的GCN,使用图形卷积层.
• 引入了GCN-RS架构,该架构将图表进行分样本,以减少数据维度和提高效率.
• 使用代的最近邻近方法构建关系图.

主要成果:

• 与基因组最佳线性无偏预测 (GBLUP) 方法相比,GCN-RS模型显示出更高的性能.
• 预测准确度的改进在测试中等二次误差中从4.4%到49.4%不等,在一个模拟和三个真实数据集 (小麦,小鼠,猪) 中.
• GCN-RS被证明是计算效率高,适合大规模的基因组预测应用.

结论:

• 拟议的GCN-RS架构是植物和动物基因组预测的强大而有效的工具.
• 结合图形卷积层有效地建模复杂的基因组关系,以提高预测准确度.
• 与传统的GWP方法相比,GCN-RS提供了一个有前途的进步,特别是对于大型和复杂的基因组数据集.