使用双路径卷积神经网络框架提高基因组选择的准确性:一个类病例研究.

科学领域:

• 植物遗传学和育种.
• 基因组学就是基因组学.
• 代谢学 代谢学 代谢学

背景情况:

• 基因组选择 (GS) 对于加速森林树木早期繁殖至关重要.
• 了解类生物合成的遗传基础是改善Litsea cubeba等物种有价值的特征的关键.
• 传统的育种方法可能很慢,需要先进的基因组工具来进行高效的基因改进.

研究的目的:

• 为了研究Litsea cubeba中类生物合成的遗传结构.
• 开发和评估一种基于深度学习的新型基因组选择 (GS) 模型 (PKDP),以提高预测准确度.
• 为了确定关键的基因和途径,涉及到类合成的分子育种.

主要方法:

• 从945个Litsea cubeba的生殖质中进行全基因组再测序.
• 气色谱-质谱法 (GC-MS) 用于在310个样本中量化化物.
• 全基因组关联研究 (GWAS) 和PKDP深度学习模型的开发,集成GWAS位置和全基因组标记.

主要成果:

• GWAS确定了125个类生物合成候选基因,包括合成酶 (TPS) 基因群和MVA/MEP通路酶.
• 与传统的rrBLUP相比,PKDP深度学习模型显示了对关键类 (citral,geranial,neral) 的预测能力提高了2-10%.
• 影响Litsea cubeba terpenoid合成的关键遗传因素得到了阐明.

结论:

• 该研究确定了Litsea cubeba terpenoid合成的关键遗传因素,推动了分子机制研究.
• PKDP模型有效地整合了多个规模的基因组信息,显著提高了GS预测的准确性.
• 这项研究为Litsea cubeba的遗传改进提供了有效的工具,并提供了创新的策略,用于在森林树木中培育复杂的特征.