利用机器学习技术优化荣昌猪生长性状的基因组育种值预测

《Machine Learning with Applications》：Optimization of genomic breeding value prediction for growth traits in Rongchang pigs through machine learning techniques

基因组预测技术在荣昌猪中的优化研究。比较了传统方法（GBLUP、Bayes等）与机器学习模型（KRR、SVR、GBDT等）在3个生长性状的预测性能，采用不同SNP密度数据集。结果表明ML方法整体提升6.6-8.1%，其中KRR在30万SNP密度下表现最优，抵抗过拟合能力显著。分隔符：

　　在当前的生物技术发展背景下，基因组预测（Genomic Prediction, GP）作为一项重要的育种工具，正在迅速改变动物育种的实践方式。特别是在大规模基因组测序数据日益增多的今天，传统的方法在处理这些高维度数据时面临诸多挑战。因此，科学家们开始探索机器学习（Machine Learning, ML）技术在基因组预测中的应用，以提高预测的准确性和效率。本研究通过使用485头荣昌猪的测序数据和基因组关联分析（Genome-Wide Association Study, GWAS）结果，对六种传统方法和六种机器学习方法在荣昌猪的三种生长性状（背膘厚度、胸背高和胸围）上的预测效果进行了比较，旨在寻找适用于本地猪种的最优预测方法。

### 基因组预测的背景

随着基因组测序技术的快速发展，我们能够获取更详细的遗传信息，这为育种提供了前所未有的机会。然而，传统的基因组预测方法，如基因组最佳线性无偏预测（Genomic Best Linear Unbiased Prediction, GBLUP）和贝叶斯方法，在面对高维度数据时表现出一定的局限性。这些方法通常假设遗传标记效应遵循特定的先验分布，这在某些情况下可能无法准确捕捉复杂的基因-表型相互作用。此外，传统方法在处理大规模数据集时，容易出现过拟合问题，尤其是在样本量较小的情况下。

机器学习方法则因其对高维数据的处理能力而受到广泛关注。与传统方法不同，ML方法能够通过算法框架捕捉复杂的非线性关系，从而在某些情况下表现出更高的预测效率和准确性。尽管ML方法在许多物种和研究中展现出潜力，但其效果也因数据质量、样本结构和性状特征的不同而有所差异。因此，本研究旨在通过荣昌猪的数据，探索机器学习方法在基因组预测中的应用，并评估其在不同数据维度下的表现。

### 研究方法与数据处理

本研究的数据来源于荣昌猪群体，其中包括500头个体的基因组信息和表型数据。这些数据经过预处理，包括基因型质量控制、基因组关联分析（GWAS）以及基因型矩阵（G-matrix）的构建。在基因型质量控制过程中，移除了位置信息缺失或位于性染色体上的标记，并筛选出符合特定质量标准的SNP（单核苷酸多态性）。最终保留了22,686个高质量的SNP。

为了进一步提升预测的准确性，研究者还采用了GWAS结果进行加权处理。具体而言，根据GWAS分析结果，筛选出与性状显著相关的SNP，并将其用于构建加权的G矩阵。这一过程有助于突出那些对表型具有较大影响的遗传标记，从而提高模型的预测能力。在这一基础上，研究者还对不同SNP密度的数据集进行了分析，以评估数据维度对预测性能的影响。

研究使用了多种机器学习方法，包括支持向量回归（SVR）、随机森林（Random Forest, RF）、梯度提升决策树（Gradient Boosting Decision Tree, GBDT）、轻量级梯度提升树（Light Gradient Boosting Machine, LightGBM）、K近邻回归（Kernel Ridge Regression, KRR）和Adaboost。为了优化这些模型的参数，研究者采用贝叶斯优化方法，并进行了300次迭代以找到最佳的超参数设置。此外，为了评估模型的预测准确性，研究者采用了五折交叉验证和独立测试两种方式。

### 研究结果

在五折交叉验证和独立测试中，机器学习方法在大多数情况下表现优于传统方法。例如，在背膘厚度（BF）性状的预测中，机器学习方法的预测准确率比传统方法提高了6.6–8.1 %。其中，KRR方法在SNP密度为300,000时表现出极强的抗过拟合能力，这使得它在预测性能上具有显著优势。同时，GBDT方法在计算效率方面也表现出色，显示出其在基因组预测中的应用潜力。

研究还发现，加权数据的引入显著提升了机器学习方法的预测性能。对于某些性状，如胸围（GC），加权数据的引入使预测准确率提高了33.5 %。此外，加权数据的使用还增强了模型的稳定性，特别是在面对高SNP密度数据时。KRR方法在加权数据下的表现尤为突出，其预测准确率在所有性状中均保持了较高的稳定性。

在独立测试中，KRR方法的预测准确率下降幅度最小，显示出其对过拟合的抵抗能力最强。此外，研究者还通过SHAP（SHapley Additive exPlanations）方法对模型的特征重要性进行了分析，发现某些SNP标记对预测结果具有显著影响。这些标记往往与脂肪沉积和生长相关，这为理解基因组对性状的影响提供了新的视角。

### 机器学习方法的比较

在本研究中，不同机器学习方法的表现存在差异。KRR方法在预测准确率和计算效率方面均表现出色，特别是在高SNP密度情况下。相比之下，SVR方法虽然在某些性状中表现优异，但在面对复杂数据时可能更容易过拟合。GBDT方法在预测准确率上表现出色，但在某些情况下其性能不如KRR。Adaboost方法在加权数据下的表现尤为突出，特别是在GC性状的预测中。

此外，研究还发现，不同性状对机器学习方法的响应存在差异。例如，对于背膘厚度（BF）性状，机器学习方法的预测准确率显著高于传统方法；而对于胸背高（LTH）性状，机器学习方法的预测准确率提升幅度相对较小。这可能与性状的遗传结构和表型变异有关。此外，研究者还发现，不同SNP密度对预测性能的影响显著，随着SNP密度的增加，预测准确率先上升后下降，这表明存在一个最佳的SNP密度范围。

### 讨论与分析

荣昌猪作为中国本土的一个重要猪种，其生长性状的预测对于育种实践具有重要意义。研究结果表明，机器学习方法在预测这些性状时具有显著优势，尤其是在处理高密度基因组数据时。然而，研究也指出了一些挑战，例如在高SNP密度下，模型可能因过多的标记信息而变得不稳定，从而影响预测性能。此外，研究者还发现，某些机器学习方法在处理加权数据时表现更优，这表明加权策略在提高预测准确率方面具有重要价值。

研究还强调了样本量对模型性能的影响。尽管机器学习方法在处理大规模数据时具有一定的优势，但在样本量较小的情况下，其预测性能可能受到影响。因此，在实际应用中，需要合理选择样本规模和数据质量，以确保模型的稳定性和准确性。此外，研究还指出，GWAS结果对基因组预测的准确性具有重要影响，特别是在加权数据的构建过程中。

总的来说，本研究展示了机器学习方法在基因组预测中的巨大潜力，同时也指出了其在实际应用中需要注意的几个关键问题。未来的研究可以进一步优化这些方法，以提高其在不同物种和性状中的适用性。此外，研究还为基因组育种提供了新的思路，特别是在如何利用高密度基因组数据进行有效预测方面。

### 结论

本研究通过对荣昌猪的基因组预测方法进行比较，发现机器学习方法在大多数情况下表现优于传统方法。特别是在高SNP密度数据下，KRR方法表现出最佳的预测性能和抗过拟合能力，显示出其在基因组预测中的巨大潜力。此外，研究还表明，加权数据的引入可以显著提升预测准确性，这为未来的基因组育种实践提供了新的思路。

研究还强调了样本量和数据质量对模型性能的影响，指出在样本量较小的情况下，机器学习方法可能面临过拟合的风险。因此，在实际应用中，需要合理选择样本规模和数据处理策略，以确保模型的稳定性和准确性。此外，研究还为未来的研究提供了方向，特别是在如何优化模型结构、提升预测性能和减少过拟合风险方面。

通过本研究，科学家们不仅验证了机器学习方法在基因组预测中的有效性，还为未来的基因组育种实践提供了理论支持和实际应用的指导。随着技术的不断进步，机器学习方法有望在更多物种和性状中得到应用，为育种实践带来更大的变革。