Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jun 13, 2025

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
08:47

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

Published on: February 9, 2024

1.3K

用人工图像对象和卷积神经网络建模豆生产力

Mikhail Bankin1, Yaroslav Tyrykin1, Maria Duk1

  • 1Mathematical Biology and Bioinformatics Lab, PhysMech Institute, Peter the Great St. Petersburg Polytechnic University, 195251 St. Petersburg, Russia.

Plants (Basel, Switzerland)
|September 14, 2024
PubMed
概括

这项研究开发了一种基因组预测模型,用于豆生产力特征,在预测千种种子重量 (TSW) 和每种种子数量 (SNpP) 中达到84-85%的准确性. 这种方法有助于培育所需的豆品种.

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

P1PK blood group antigens in birds: implications for veterinary blood transfusion, human and pet health.

BMC veterinary research·2025
Same author

Bioenergetic Model of Retrotransposon Activity in Cancer Cells.

Life (Basel, Switzerland)·2025
Same author

Modeling Floral Induction in the Narrow-Leafed Lupin <i>Lupinus angustifolius</i> Under Different Environmental Conditions.

Plants (Basel, Switzerland)·2025
Same author

Human Pluripotent Stem Cell Colony Migration Is Related to Culture Environment and Morphological Phenotype.

Life (Basel, Switzerland)·2024
Same author

Pangenomics of flax fungal parasite <i>Fusarium oxysporum</i> f. sp. <i>lini</i>.

Frontiers in plant science·2024
Same author

Morphological Signal Processing for Phenotype Recognition of Human Pluripotent Stem Cells Using Machine Learning Methods.

Biomedicines·2023

科学领域:

  • 农业科学 农业科学
  • 遗传学 遗传学 是一个
  • 计算生物学 计算生物学

背景情况:

  • 小是一种重要的全球作物,在饮食上越来越重要.
  • 预测豆的生产力特征对于农业的进步至关重要.
  • 基因组数据为增强作物育种策略提供了潜力.

研究的目的:

  • 为两个关键的豆生产力特征开发一个预测模型:千种子重量 (TSW) 和每个植物的种子数量 (SNpP).
  • 通过先进的计算方法识别重要的基因组区域和影响这些特征的基因.
  • 为了证明基因组预测在豆繁殖计划中的实用性.

主要方法:

  • 基因组数据被编码为人工图像对象.
  • 卷积神经网络 (CNN) 和用稀疏编码的字典学习被用于特征提取.
  • 极端梯度提升 (XGBoost) 用于基于回归的TSW和SNPP预测.
  • 密集回归注意力图被用来识别重要的基因组因素.

主要成果:

  • 开发的模型实现了TSW和SNP的预测准确度为84-85%.
  • 在34个基因内确定了与SNPP相关的显著基因组区域.
  • 与TSW相关的显著基因组区域在49个基因内被确定.
关键词:
在GWAS中,GWAS就是GWAS.人工图像对象的人工图像对象豆是什么意思 豆是什么意思气候因素 气候因素卷积神经网络是一种卷积神经网络.基因组预测 基因组预测

更多相关视频

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.0K
Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
06:41

Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes

Published on: March 28, 2025

728

相关实验视频

Last Updated: Jun 13, 2025

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
08:47

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

Published on: February 9, 2024

1.3K
Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.0K
Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
06:41

Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes

Published on: March 28, 2025

728
  • 注意地图突出了关键的SNP,这些SNP有助于特征预测.

    • 结论:

    • 基因组预测模型,比如开发的模型,可以准确预测豆的生产力特征.
    • 这种方法有助于识别影响重要农业特征的基因.
    • 该模型支持育种计划,利用遗传多样性开发具有所需表型的改良豆品种.