在彩虹鱼中使用基因组信息和机器学习进行性别鉴定

科学领域:

• 水产养殖是水产养殖的一种方式.
• 基因组学就是基因组学.
• 机器学习 机器学习

背景情况:

• 精确的养殖鱼的性别识别对于有效的种群管理和繁殖计划至关重要,特别是在视觉确定具有挑战性的青少年阶段.
• 水产养殖中基因组数据的日益普及,加上光鱼的多样性性别确定系统,需要先进的识别方法.
• 现有的基因组性别识别方法往往依赖于预先识别的标记物和概率方法,这些方法可能不适用于所有人群.

研究的目的:

• 开发和评估一种新的机器学习方法,用于使用基因组数据预测养殖鱼的性别.
• 评估极端梯度增强 (XGBoost) 方法在模拟和真实数据集上的性能,特别是当遗传标记物的适用性事先未知时.
• 为了确定不同基因型错误率的拟议方法的准确性和稳定性.

主要方法:

• 利用极端梯度提升 (XGBoost) 算法,监督机器学习技术,从未归算的基因组数据进行性别预测.
• 评估了该方法的准确性,使用四个模拟数据集与受控的基因型错误率 (5%和50%) 和芬兰彩虹鱼繁殖计划的一个真实数据集.
• 将XGBoost方法的预测准确度与已知方法进行了比较,这些方法的标记者适合性事先已知.

主要成果:

• XGBoost 方法在模拟和真实数据集上都显示出高的预测质量.
• 在模拟数据上实现了完美的精度 (1.0),基因型错误率为5%,精度为0.60,错误率为50%.
• 在真实彩虹鱼数据集中,该方法的预测准确度达到98%,表明该方法适用于水产养殖的实际,常规应用.

结论:

• 监督机器学习,特别是极端梯度提升,提供了一个强大而准确的工具,用于使用基因组数据识别养殖鱼的性别,即使没有事先了解与性别相关的标记.
• 开发的方法是强大的,在不同的基因型错误水平上表现良好,使其成为水产养殖繁殖计划的宝贵资产.
• 在现实数据中获得的高精度表明,这种方法可以很容易地在日常水产养殖实践中实现高效和可靠的性别确定.