用于基因组预测猪的定量特征的前神经网络模型的对比测试
Junjian Wang1, Francesco Tiezzi2, Yijian Huang3
1Department of Animal Science, North Carolina State University, Raleigh, NC, United States.
Frontiers in genetics
|July 3, 2025
概括
与传统的线性方法相比,Feed-forward神经网络 (FFNNs) 并没有改善猪特征的基因组预测. 简单的FFNN表现更好,但像SLEMM-WW这样的线性模型提供了精度和效率的优越平衡.
科学领域:
- 动物基因组学 动物基因组学
- 机器学习在农业中的应用
- 量化遗传学 量化遗传学
背景情况:
- 人工神经网络 (ANN) 显示出基因组预测的前景,因为它们能够在高维基遗传数据中建模复杂的非线性关系.
- 然而,在以前的基因组预测研究中,ANN 已经产生了不一致的结果,对大型猪数据集的评估有限.
研究的目的:
- 评估用于猪基因组预测的前神经网络 (FFNN) 模型的预测性能和计算效率.
- 通过使用大量的基因型猪数据集,将FFNNs与六种定量特征的既定线性方法进行比较.
主要方法:
- 使用TensorFlow实现了一到四个隐藏层的前神经网络 (FFNNs).
- 将FFNN模型与五种线性方法进行了比较 (GBLUP,LDAK-BOLT,BayesR,SLEMM-WW,回归).
- 通过对多达27,481头猪进行重复随机亚样本验证,对六个特征进行性能评估,并通过超频段调整进行超参数优化. 计算效率在CPU和GPU上进行了评估.
主要成果:
- 与各种架构中所有测试的线性方法相比,FFNN模型的表现始终不佳.
- 单层FFNN在神经网络模型中实现了最高的预测准确性.
- 在线方法中,SLEMM-WW展示了最佳性能,平衡了线性方法中的预测能力和计算效率. 图形处理器加速了FFNN计算,但没有克服其整体性能较低.
结论:
- 即使FFNNs最多有四层,也不能比传统的线性方法提高猪定量特征的基因组预测准确度.
- 线性模型,特别是SLEMM-WW,仍然是猪基因组预测的首选方法,因为它们的效率和准确性.
- 进一步的研究可能会探索不同的ANN架构或混合方法,以寻找潜在的改进.
