深度学习和基因组最佳线性无偏预测集成:一种方法来识别特征之间的潜在非线性遗传关系

科学领域:

• 动物遗传学动物遗传学
• 生物信息学是一种生物信息学.
• 机器学习在动物育种中的应用

背景情况:

• 基因组预测 (GP) 通常假定特征之间的线性遗传关系,可能会限制复杂特征的准确性.
• 像GBLUP这样的传统方法无法捕捉非线性遗传相互作用,阻碍了多特征选择中的遗传进步.
• 深度学习 (DL) 擅长在没有先前假设的情况下识别复杂的模式,为模型非线性提供了一种新的方法.

研究的目的:

• 开发和验证用于基因组预测的混合深度学习和GBLUP模型 (DLGBLUP).
• 评估DLGBLUP识别和利用特征之间的非线性遗传关系的能力.
• 将DLGBLUP与传统的GBLUP取得的预测准确度和遗传进展进行比较.

主要方法:

• 开发了一种新的混合模型 (DLGBLUP),将DL与GBLUP集成,以获得增强的预测遗传值 (PGV).
• 用线性和非线性遗传关系模拟数据集来测试DLGBLUP的性能.
• 将DLGBLUP应用于真实的法兰西霍尔斯坦乳牛数据集,以检测繁殖数据中的非线性关系.

主要成果:

• 对于具有强大的模拟非线性遗传关系的特征,DLGBLUP始终产生更准确的PGV.
• 在七代的时间里,DLGBLUP通过考虑非线性,比GBLUP取得了更大的遗传进步.
• 在法国荷尔斯坦牛群中,DLGBLUP检测到诸如受孕率和蛋白质含量,SCC和脂肪产量等特征之间的非线性遗传关系,尽管预测准确度没有显著增加.

结论:

• 将深度学习集成到GP中使得以前未被解决的特征之间的非线性遗传关系的建模成为可能.
• 在真实数据中检测非线性关系表明了改进多特征评估和选择策略的潜力.
• DL可以通过提高其性能来补充常规遗传评估中的现有统计方法,而不是取代它们.