近日，中國農(nóng)業(yè)科學院作物科學研究所/三亞南繁研究院大數(shù)據(jù)智能設計育種創(chuàng)新團隊聯(lián)合多家單位提出利用植物海量多組學數(shù)據(jù)進行全基因組預測的深度學習方法（Deep Neural Network for Genomic Prediction, 簡稱DNNGP），可以實現(xiàn)育種大數(shù)據(jù)的高效整合與利用，將助力深度學習在全基因組選擇中的應用，為智能設計育種及平臺構建提供有效工具。相關研究成果在《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，通過構建預測模型，根據(jù)基因組估計育種值進行早期個體的預測和選擇，從而縮短育種世代間隔，加快育種進程，節(jié)約成本，推動現(xiàn)代育種向精準化和高效化方向發(fā)展。統(tǒng)計模型作為全基因組選擇的核心，極大地影響了全基因組預測的準確度和效率。傳統(tǒng)預測方法基于線性回歸模型，難以捕捉基因型和表型間的復雜關系。相較于傳統(tǒng)模型，非線性模型（如深度網(wǎng)絡神經(jīng)）具備分析復雜非加性效應的能力，人工智能和深度學習算法為解決大數(shù)據(jù)分析和高性能并行運算等難題提供了新的契機，深度學習算法的優(yōu)化將會提高全基因組選擇的預測能力。

 

　　研究團隊以玉米、小麥和番茄四種不同維度的群體數(shù)據(jù)為測試材料，通過創(chuàng)新深度學習算法框架開發(fā)了全基因組選擇新方法DNNGP。與其他五種主流預測方法（即：基于線性模型的GBLUP；基于機器學習的LightGBM和SVR；基于深度學習的DeepGS和DLGWAS）相比，DNNGP有以下優(yōu)點：可以利用多組學數(shù)據(jù)開展全基因組預測；算法設計中包含批歸一化層、回調(diào)函數(shù)和校正線性激活函數(shù)等結構，可以有效降低模型錯誤率，提高運行速度；預測精度穩(wěn)健，在小型數(shù)據(jù)集上的表現(xiàn)與目前主流預測模型相當，在大規(guī)模數(shù)據(jù)集上預測優(yōu)勢更加明顯；計算時間與傳統(tǒng)方法相近，比已有深度學習方法提速近10倍；超參數(shù)調(diào)整對用戶更加友好。DNNGP針對具有復雜結構的海量數(shù)據(jù)進行高效數(shù)學建模，實現(xiàn)了育種大數(shù)據(jù)的高效整合與利用，將助力深度學習在全基因組選擇中的應用，為智能設計育種及平臺構建提供有效工具。

 

　　作科所已畢業(yè)碩士研究生王軻麟為本文第一作者，團隊首席李慧慧研究員為通訊作者。研究得到了國家重點研發(fā)計劃、國家自然科學基金、海南崖州灣種子實驗室和中國農(nóng)業(yè)科學院科技創(chuàng)新工程等項目資助。

 

　　論文鏈接：

 

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