基于深度学习与卫星影像的海水养殖区精准测绘及碳汇评估研究

本文开发了多输入神经网络MNNDR（Multi-input Neural Network for Disease Resistance），通过整合基因组序列信息和多性状（MT）框架，显著提升了水产养殖抗病性状的基因组预测精度。相比传统线性模型（GBLUP/PBLUP）和单架构深度学习模型（CNN/FCN），MNNDR在模拟数据集（Hig-ADE/Med-ADE）中个体预测准确率提高3.6-33.3%，在真实数据集（Trout1935/Carp1259）中家族水平预测提升14.3-45.5%，为抗病育种提供了高效非线性建模工具。

　　

亮点

我们开发的MNNDR模型通过多输入架构整合基因组序列（0/1/2编码）和基因组关系矩阵的Cholesky分解，利用局部连接层捕捉区域特异性生物学效应，结合卷积层提取SNP序列模式，在模拟和真实数据集中均展现出卓越性能。

个体预测精度

表1显示，在单性状（ST）预测中，MNNDR较全连接神经网络（FCN）在Med-ADE和Hig-ADE数据集上个体准确率提升3.6-3.8%，与基因组最佳线性无偏预测（GBLUP）和卷积神经网络（CNN）相当。在真实数据集Trout1935和Carp1259上，MNNDR分别实现5.3-14.3%和5.9-33.3%的精度提升。多性状（MT）预测框架下，MNNDR在Hig-ADE/Med-ADE数据集的家族水平预测中较CNN提升14.3-45.5%，尤其对显性-上位效应（ADE）主导的性状优势显著。

讨论

MNNDR通过非线性激活函数有效捕捉阈值性状的复杂遗传架构，其多输入设计克服了传统CNN对SNP阵列功能关联性不敏感的局限。MT框架通过共享层参数整合遗传相关性状（如太平洋牡蛎夏季死亡率SR与热耐受性C-SR），在低遗传力性状（h²=0.17）预测中展现出比线性模型更强的鲁棒性。

结论

MNNDR以计算高效的方式实现抗病性状的高精度预测，其多特征整合能力为水产育种提供了新范式，有望加速抗病种质创制进程。