近日，中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所/三亞南繁研究院大數(shù)據(jù)智能設(shè)計(jì)育種創(chuàng)新團(tuán)隊(duì)聯(lián)合多家單位提出利用植物海量多組學(xué)數(shù)據(jù)進(jìn)行全基因組預(yù)測(cè)的深度學(xué)習(xí)方法（Deep Neural Network for Genomic Prediction, 簡稱DNNGP），可以實(shí)現(xiàn)育種大數(shù)據(jù)的高效整合與利用，將助力深度學(xué)習(xí)在全基因組選擇中的應(yīng)用，為智能設(shè)計(jì)育種及平臺(tái)構(gòu)建提供有效工具。相關(guān)研究成果在《分子植物（Molecular Plant）》上在線發(fā)表。

 

　　全基因組選擇作為新一代育種技術(shù)，通過構(gòu)建預(yù)測(cè)模型，根據(jù)基因組估計(jì)育種值進(jìn)行早期個(gè)體的預(yù)測(cè)和選擇，從而縮短育種世代間隔，加快育種進(jìn)程，節(jié)約成本，推動(dòng)現(xiàn)代育種向精準(zhǔn)化和高效化方向發(fā)展。統(tǒng)計(jì)模型作為全基因組選擇的核心，極大地影響了全基因組預(yù)測(cè)的準(zhǔn)確度和效率。傳統(tǒng)預(yù)測(cè)方法基于線性回歸模型，難以捕捉基因型和表型間的復(fù)雜關(guān)系。相較于傳統(tǒng)模型，非線性模型（如深度網(wǎng)絡(luò)神經(jīng)）具備分析復(fù)雜非加性效應(yīng)的能力，人工智能和深度學(xué)習(xí)算法為解決大數(shù)據(jù)分析和高性能并行運(yùn)算等難題提供了新的契機(jī)，深度學(xué)習(xí)算法的優(yōu)化將會(huì)提高全基因組選擇的預(yù)測(cè)能力。

 

　　研究團(tuán)隊(duì)以玉米、小麥和番茄四種不同維度的群體數(shù)據(jù)為測(cè)試材料，通過創(chuàng)新深度學(xué)習(xí)算法框架開發(fā)了全基因組選擇新方法DNNGP。與其他五種主流預(yù)測(cè)方法（即：基于線性模型的GBLUP；基于機(jī)器學(xué)習(xí)的LightGBM和SVR；基于深度學(xué)習(xí)的DeepGS和DLGWAS）相比，DNNGP有以下優(yōu)點(diǎn)：可以利用多組學(xué)數(shù)據(jù)開展全基因組預(yù)測(cè)；算法設(shè)計(jì)中包含批歸一化層、回調(diào)函數(shù)和校正線性激活函數(shù)等結(jié)構(gòu)，可以有效降低模型錯(cuò)誤率，提高運(yùn)行速度；預(yù)測(cè)精度穩(wěn)健，在小型數(shù)據(jù)集上的表現(xiàn)與目前主流預(yù)測(cè)模型相當(dāng)，在大規(guī)模數(shù)據(jù)集上預(yù)測(cè)優(yōu)勢(shì)更加明顯；計(jì)算時(shí)間與傳統(tǒng)方法相近，比已有深度學(xué)習(xí)方法提速近10倍；超參數(shù)調(diào)整對(duì)用戶更加友好。DNNGP針對(duì)具有復(fù)雜結(jié)構(gòu)的海量數(shù)據(jù)進(jìn)行高效數(shù)學(xué)建模，實(shí)現(xiàn)了育種大數(shù)據(jù)的高效整合與利用，將助力深度學(xué)習(xí)在全基因組選擇中的應(yīng)用，為智能設(shè)計(jì)育種及平臺(tái)構(gòu)建提供有效工具。

 

　　作科所已畢業(yè)碩士研究生王軻麟為本文第一作者，團(tuán)隊(duì)首席李慧慧研究員為通訊作者。研究得到了國家重點(diǎn)研發(fā)計(jì)劃、國家自然科學(xué)基金、海南崖州灣種子實(shí)驗(yàn)室和中國農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程等項(xiàng)目資助。

 

　　論文鏈接：

 

　　https://doi.org/10.1016/j.molp.2022.11.004