摘要
水稻抗旱性是一种复杂的数量性状，难以从高维基因组数据中加以预测。我们开发了一个可解释的深度学习框架，利用426份水稻材料的表现型和全基因组SNP基因型数据。通过主成分分析和隶属函数整合了七个抗旱响应的农艺性状，得出一个连续的抗旱性指数。我们评估了四种基因组表示方法，并将卷积神经网络（CNN）与多头自注意力机制和伯努利输入掩码相结合。通过最大信息系数（MIC）筛选，所提出的模型获得了最高的平均皮尔逊相关系数（PCC）为0.6114，分别比DeepGS和DNNGP提高了5.39%和6.01%。注意力机制衍生出的位置重要性评分优先识别了以位于Os03g0221300、Os03g0372500和Os12g0586300区域内的SNP为中心的基因组信号。在同一材料面板中进行的探索性主成分校正加性等位基因剂量分析为所有三个优先位点提供了额外的关联证据。在该水稻材料面板中，该框架将基因组预测与模型衍生的候选位点优先排序和探索性群体结构校正标记-表型关联分析相结合。
