伊朗杂交马（纯血马×土库曼马）赛马关键性能性状育种值预测的机器学习模型评估

《Journal of Equine Veterinary Science》：Evaluation of Machine Learning Models for Predicting Breeding Values of Key Performance Traits in Iranian Crossbred (Thoroughbred?×?Turkmen) Racehorses

　　

研究人员系统评估了机器学习方法在赛马性能性状估计育种值（Estimated Breeding Values, EBVs）预测中的应用。研究人员分析了一个大规模数据集，包含来自5,296匹伊朗杂交马（纯血马×土库曼马）的55,070条比赛记录。研究人员比较了十三种机器学习算法，包括线性模型、基于树的集成方法、提升方法以及人工神经网络（Artificial Neural Network, ANN）。人工神经网络在比赛完成时间（Race Completion Time, RCT）、最终名次（Rank at the End of Competition, REC）和平均速度（Average Speed, AS）方面取得了最高的预测精度。集成学习模型（随机森林、XGBoost、LightGBM、梯度提升）表现出强大且稳定的预测性能。机器学习方法优于传统的单性状混合模型，提高了EBV预测的准确性和可靠性。

赛马是马匹育种行业中重要的运动和经济动物，伊朗杂交马（纯血马×土库曼马）结合了亲本的优良运动特质，在竞技方面具有较高潜力。赛马性能通常以比赛完成时间（Race Completion Time, RCT）、比赛结束名次（Rank at the End of Competition, REC）和平均速度（Average Speed, AS）等性状衡量，这些性状是评估竞技能力和指导选择育种的直接指标。传统遗传评估方法，如最佳线性无偏预测（Best Linear Unbiased Prediction, BLUP）及其基因组扩展方法，能够处理大规模系谱和表型数据，但性能表型可能受遗传背景、环境、管理、年龄、性别和比赛特征等多种异质性因素影响，存在复杂的非线性关联。机器学习（Machine Learning, ML）作为一种数据驱动方法，能够高效建模非线性、高噪声数据，且训练后计算成本较低，已在其他牲畜性状（如生长、肉质、抗病性）的育种值预测中表现出优势。然而，尚未有研究系统评估ML方法在赛马性能性状估计育种值（Estimated Breeding Value, EBV）预测中的应用。因此，本研究旨在评估多种ML算法预测伊朗杂交马赛马性能性状EBV的可行性，并比较其与传统单性状模型（Single-Trait Model, STM）的性能。

研究人员从伊朗马术联合会赛马副代表官方数据库获取了1983年至2023年间5,296匹伊朗杂交马（纯血马×土库曼马）的55,070条比赛记录。数据预处理包括基于四分位距（IQR）剔除异常值，并对少量缺失的RCT记录进行重构。统计分析首先使用普通最小二乘（Ordinary Least Squares, OLS）模型校正固定效应，获得预测表型和校正表型；随后拟合7个不同随机效应结构的单性状混合模型（STM），采用受限最大似然（Restricted Maximum Likelihood, REML）估计方差组分和遗传力，根据AIC和BIC选择最优模型（M7，包含遗传、永久环境、骑师和HC效应）。以最优STM的EBV作为目标标签，使用13种ML算法（包括线性回归、树集成、提升方法及人工神经网络等）进行预测，预测变量包括校正表型、预测表型、目标编码的骑师和Handicap–Race Condition（HC）类别，以及由系谱构建的亲缘关系矩阵（A）的前十个特征向量（Eig₁–Eig₁₀）。模型性能采用线性回归（LR）验证方法评估准确性、相关、偏差和离散，并计算平均绝对误差（MAE）和均方误差（MSE）。数据按时间划分，75%为训练集（出生至2016年），25%为测试集（2017–2023年）。

3.1 模型选择与遗传参数：通过比较7种模型（M1–M7），根据AIC和BIC确定M7为最优模型。基于M7的估计显示，RCT的遗传力（h²）为0.006±0.001，REC为0.090±0.02，AS为0.008±0.001；重复力分别为0.013±0.006、0.116±0.03和0.011±0.005。HC效应解释了RCT和AS表型方差的大部分（分别约69.5%和76.6%），骑师效应在REC中相对重要（6.5%）。这表明三个性状的加性遗传变异均较低，其中REC的遗传信号相对最强，RCT和AS的遗传力极低。

3.2 单性状模型（STM）的验证：通过LR方法评估STM预测性能，结果显示RCT、REC、AS的准确性分别为0.42、0.48和0.40，相关分别为52%、55%和50%，偏差接近零（-0.02至-0.03），离散系数接近1（0.97–1.04）。这表明STM可作为ML模型参考标签的合理来源。

3.3 机器学习预测育种值：所有13种ML算法在三个性状上的预测准确性均高于STM。其中人工神经网络（Artificial Neural Network, ANN）表现最佳，在RCT、REC、AS上的准确性分别达到0.63、0.72和0.56，相关性分别达到75%、86%和71%，并具有最低的MAE（0.37、0.30、0.18）和MSE（0.18、0.15、0.23）。XGBoost和LightGBM次之，准确性分别达到0.58–0.66和0.57–0.65，也明显优于STM。梯度提升（GB）和随机森林（RF）同样表现良好。线性回归模型（LR、MLR、BRR）改进幅度较小，决策树（DT）、极端随机树（ERT）、K近邻（KNN）、支持向量回归（SVR）和CatBoost（CB）居中。

3.4 机器学习性能跨性状比较：算法在三个性状上的排名一致，ANN最优，其后依次为XGB、LGBM、GB和RF。线性回归模型排名低于集成方法。REC在所有算法中的预测性能最高，AS最低，这与遗传力大小顺序一致。低遗传力限制了可预测的遗传信号，ML算法难以完全克服这一限制。

讨论部分指出，RCT和AS的遗传力极低，与文献中其他马种群估计存在差异，可能反映了种群构成、管理方式、环境异质性和模型结构的不同；REC的遗传力中等，反映其相对竞争性质。ML性能受到遗传架构、数据质量、群体结构和训练-预测群体亲缘关系的影响。ANN等非线性模型的优势在于捕捉复杂模式，但不能超越性状本身的遗传信息。所有ML算法均优于STM，但ML应视为BLUP评估的补充工具而非替代，因为其性能依赖于可靠的参考EBV和群体特定训练数据。研究局限性包括：训练标签依赖STM假设、参考基准与验证群体存在一定程度的信息依赖、模型可解释性较差，以及低遗传力条件下预测精度受限等。

研究结论翻译：本研究证明，机器学习算法能够显著提高伊朗杂交赛马性能性状育种值预测的准确性。在评估的模型中，人工神经网络（ANN）在RCT、REC和AS上均达到最高预测性能，其次为XGBoost和LightGBM，且所有ML模型均优于传统单性状模型（STM）。这些改进体现在更高的准确性和相关性，以及更低的预测误差和最小偏差。然而，ML模型应被视为传统混合模型评估的补充工具而非替代品，因为其性能依赖于可靠的BLUP衍生的参考EBV和群体特定的训练数据。总体而言，所提出的框架提供了一种在保持BLUP遗传评估原则的同时加速常规EBV预测的实用方法，从而支持赛马育种计划中更高效的选择决策。