通过深度学习对野猪料效率的基因组预测
Olumide Onabanjo1, Theo Meuwissen1, Hans Magnus Gjøen1
1Department of Animal and Aquacultural Sciences, Norwegian University of Life Sciences, 1432 Ås, Norway.
G3 (Bethesda, Md.)
|November 14, 2025
概括
深度学习模型,特别是多层感知器 (MLP),与传统线性模型相比,显示出猪料效率的优越预测能力. 这些先进的模型捕捉到复杂的遗传效应,提高了高达4.1%的预测.
科学领域:
- 动物遗传学动物遗传学
- 基因组选择 基因组选择
- 机器学习在动物育种中的应用
背景情况:
- 基因组选择推进了猪肉生产,但线性模型由于忽视了非添加性遗传效应,难以处理诸如料效率等复杂的特征.
- 深度学习 (DL) 通过对基因组数据中的非线性模式进行建模提供了一个潜在的解决方案.
研究的目的:
- 将DL模型的预测能力与两种野猪种群的线性料效率 (FE) 模型进行比较.
- 估计DL模型捕获的非添加性遗传变异.
- 评估非添加差异对预测能力的影响.
主要方法:
- 利用深度学习模型,包括多层感知子 (MLP) 和卷积神经网络 (CNN),用于基因组预测.
- 在DL模型中使用了平均预测方法.
- 将预测能力与传统的线性基因组预测模型进行比较.
主要成果:
- DL模型,特别是MLP (0.381) 和CNN (0.377),在父系人群中显示出比线性模型 (0.366) 更高的预测能力.
- 在大线人口中,MLP实现了0.364的预测能力.
- DL模型捕获了非添加差异,但它没有显著提高预测性能.
结论:
- 深度学习模型,特别是MLP,为猪的料效率提供了卓越的预测能力,优于线性模型.
- 推DL模型用于预测表型和估计包括非添加成分在内的总遗传效应.
- 随着DL的增强预测能力,计算成本大幅增加.
