多输入神经网络MNNDR提升水产抗病性状基因组预测精度：单性状与多性状分析的突破

（编辑推荐）本研究创新性开发多输入神经网络MNNDR，通过整合基因组关系矩阵与基因型序列特征，显著提升水产抗病性状预测精度。相比传统线性模型（GBLUP/PBLUP）和单输入深度学习模型（FCN/CNN），MNNDR在模拟数据集（Med-ADE/Hig-ADE）中个体预测准确率提高3.6-33.3%，多性状框架下家族水平预测提升14.3-45.5%，为非加性遗传效应主导的复杂性状育种提供新范式。

　　

Highlight

我们开发了抗病多输入神经网络MNNDR，通过多输入架构整合多样化特征，并采用多性状（MT）框架融合遗传相关表型。在模拟与真实数据集测试中，MNNDR展现出显著优势：

个体预测精度

• 单性状预测：在Med-ADE/Hig-ADE模拟数据集上比全连接网络（FCN）提升3.6-3.8%，鳟鱼（Trout1935）和鲤鱼（Carp1259）真实数据分别实现5.3-14.3%和5.9-33.3%的精度飞跃

• 多性状预测：对Hig-ADE/Med-ADE数据集比卷积神经网络（CNN）提高5.3-9.1%，在鲤鱼数据中保持9.4-29.6%优势

家族水平突破

针对强非加性遗传效应（Hig-ADE）性状，MNNDR将家族内预测准确率推高14.3-45.5%，显著优于其他模型。

Discussion

MNNDR通过以下机制实现突破：

1）局部连接层捕捉区域特异性生物学效应

2）卷积层解析SNP序列模式

3）基因组关系矩阵整合群体结构

4）多性状共享层挖掘遗传相关性

Conclusion

MNNDR兼具计算高效性与预测鲁棒性，其多特征融合架构为水产抗病育种提供新工具，尤其适用于阈值性状和复杂遗传架构解析。