MoEGP：一种基于专家混合网络的高效作物基因组预测方法

《Plant Methods》：MoEGP: an efficient crop genomic prediction approach based on the mixture of experts network

基因组预测新方法MoEGP显著提升作物表型分析性能

　　

摘要

背景

基因组预测在评估作物种质资源、加速作物育种和提升遗传改良方面发挥着关键作用。专家混合网络（MoE）已在自然语言处理和图像识别领域得到成功应用。

结果

在这项研究中，我们提出了一种基于MoE的新型、灵活且稳健的基因组预测方法，称为“基因组预测的专家混合模型”（MoEGP）。该方法包括一组用于处理数据特征的专家，以及一个用于分配样本并为每个专家赋予权重分数的门控网络。MoEGP结合了前k个专家的预测结果，并根据相应的权重分数对它们进行加权，作为最终输出。我们使用来自三种主要谷物作物的5个公共数据集中的36个性状案例，将MoEGP的性能与五种知名的基因组预测方法进行了比较。结果表明，在所有36个性状实验中，MoEGP在皮尔逊相关系数（PCC）和平均绝对误差（MAE）方面均表现出更优的性能。与其它五种方法相比，MoEGP的平均PCC提高了33.75%，MAE平均降低了19.55%。凭借其自动化的超参数搜索系统，MoEGP能够灵活地支持由不同数量性状基因座（QTL）架构控制的性状，从而使其在作物基因组预测中具有广泛的应用前景。相应的代码作为开源代码可在GitHub上获取（https://github.com/CNRRI-RGRT/MoEGP）。

结论

我们提出了一种用于基因组预测的新型深度学习网络MoEGP，其性能优于之前报道的五种方法，并在作物基因组选择中展现出强大的应用潜力。