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
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.
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.
- 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.
