一个自我监督的预训练的变压器模型,用于准确的猪表型的基因组预测

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.
• 机器学习在基因组学中的应用

背景情况:

• 基因组预测对于养猪至关重要,但传统方法与复杂的非添加性遗传效应作斗争.
• 基因组最佳线性无偏预测 (GBLUP) 在捕捉影响表型的全谱遗传变异方面存在局限性.

研究的目的:

• 开发和验证一种新的深度学习框架,用于对猪进行增强的基因组表型预测.
• 通过捕获非线性遗传信号来提高预测复杂经济特征的准确性.

主要方法:

• 开发了一个自我监督,预训练的编码器-only变压器模型,将SNP序列标记为6mers来学习本地单元型模式.
• 该模型在未标记的基因组数据上使用掩盖的6mer预测任务进行了自我监督的预训.
• 预训练模型在标记数据上进行了微调,以预测经济特征的表型值.

主要成果:

• 拟议的变压器模型在关键经济特征的预测准确性方面始终优于GBLUP和未经预先训练的变压器.
• 自主监督的预训使模型能够捕获线性模型错过的复杂,非线性遗传信号.
• 在猪繁殖应用中,在基因组预测准确度方面表现出卓越的表现.

结论:

• 自主监督学习提供了一种强大的方法来破译复杂的基因组模式,用于繁殖计划中的实际应用.
• 新的框架为基因组表型预测提供了更准确的方法,增强了猪的遗传收益.
• 这项研究验证了先进的机器学习技术在加快牲畜遗传进步方面的潜力.