EBMGP:基于弹性网特征选择和来自变压器嵌入和多头注意力聚合的双向编码器表示的基因组预测的深度学习模型
概括
一个新的深度学习框架,EBMGP,通过将SNP视为语言来改善基因组预测的准确性. 这种方法增强了育种计划中的早期选择,加速了遗传收益.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 基因组估计的繁殖值加速了繁殖计划.
- 深度学习 (DL) 方法越来越多地用于基因组预测 (GP).
研究的目的:
- 引入一个新的DL框架,EBMGP,用于增强基因组预测.
- 提高预测准确度,减少GP的计算负担.
主要方法:
- EBMGP使用弹性网进行功能选择.
- 采用来自变压器嵌入的双向编码器表示和多头注意力聚合.
- 模型将SNP视为"单词",并将相邻的SNP组视为"句子",以捕捉遗传相互作用.
主要成果:
- 在各种植物和动物数据集中,EBMGP表现出卓越的预测性能.
- 在16个任务中,在13个任务中表现优于竞争对手的模型,精度比第二好的模型提高了0.74-9.55%.
- 与一热的代表性相比,取得了明显的改进.
结论:
- EBMGP为基因组预测提供了一种强大而有效的方法.
- 强调DL的潜力,特别是基于变压器的方法,在生命科学应用中.
- 通过提升早期选择加速遗传收益.
