从使用GWAS和机器学习的全球多环境数据中,对中的开花时间的特征关联
Shriprabha R Upadhyaya1,2, Hawlader A Al-Mamun1,2,3, Monica F Danilevicz4
1Centre for Applied Bioinformatics, The University of Western Australia, Perth, WA 6009, Australia.
Plants (Basel, Switzerland)
|March 14, 2026
概括
机器学习模型补充了全基因组关联研究 (GWAS),用于识别与植物开花时间相关的遗传标记. 这些先进的方法通过捕捉复杂的基因相互作用和环境影响来改善特征预测.
科学领域:
- 植物遗传学 植物遗传学
- 农业科学 农业科学
- 计算生物学是一种计算生物学.
背景情况:
- 开花时间是一个关键的植物特征,受基因和环境的影响.
- 全基因组关联研究 (GWAS) 识别了遗传标记,但往往错过了复杂的相互作用.
- 机器学习 (ML) 可以建模这些相互作用,并改善特征预测.
研究的目的:
- 为了识别与的开花时间相关的遗传标记 (Lens culinaris Medik. ) 的情况.
- 为了比较GWAS和ML方法在检测开花时间相关的位置上的有效性.
- 利用可解释的人工智能 (XAI) 来提高模型的解释性.
主要方法:
- 使用GWAS分析多环境镜片数据.
- 应用随机森林和XGBoost机器学习模型.
- 使用夏普利添加式解释 (SHAP) 进行模型解释性.
主要成果:
- GWAS确定了八个显著的位置,最高的SNP在Chr2_530433205.5.
- ML方法检测到九个标记,最高的SNP在Chr7_523220088.8.
- 大多数已识别的标记物与已知的开花时间基因有关;ML也表明了潜在的表观病.
结论:
- 机器学习作为一种强大的补充工具,用于特征关联研究的GWAS.
- 机器学习模型增强了发现基因架构的基础复杂的特征,如开花时间的发现.
- 这项研究为开发改进的豆品种提供了宝贵的遗传见解.
