
-
生物通官微
陪你抓住生命科技
跳动的脉搏
用于基因组选择的前馈神经网络:对不同显性遗传水平的洞察
《BMC Genomics》:Feed-forward neural networks for genomic selection: insights into varying levels of dominance heritability
【字体: 大 中 小 】 时间:2026年04月07日 来源:BMC Genomics 3.7
编辑推荐:
摘要 基因组选择能够从高维标记数据中预测遗传值和育种值,从而提高育种计划的选择效率。前馈神经网络(FFNN)是一种深度学习模型,通过相互连接的神经元层来近似标记与性状之间的复杂非线性关系。本研究的目的是评估
基因组选择能够从高维标记数据中预测遗传值和育种值,从而提高育种计划的选择效率。前馈神经网络(FFNN)是一种深度学习模型,通过相互连接的神经元层来近似标记与性状之间的复杂非线性关系。本研究的目的是评估FFNN相对于参数化方法(GBLUP、BayesB、BayesL)和其他机器学习(ML)方法的预测性能,这些方法包括基于核的(支持向量机,SVM)和基于树的集成方法(随机森林,RF)。研究对象包括具有不同水平狭义(加性)遗传力($\({h}_{a}^{2}\) = 0.05, 0.20, 0.50)和显性遗传力($\({h}_{d}^{2}\) = 0.00, 0.05, 0.10, 0.20)的性状。预测准确性通过皮尔逊相关系数(PCC)、平均绝对误差(MAE)和均方误差(MSE)进行评估,而模型稳定性则通过100次蒙特卡洛重复实验的变异系数来衡量。此外,还使用了Cohen的d效应量来评估方法之间的差异程度。结果表明,在没有显性的情况下,参数化方法显示出更高的PCC,但在存在显性的情况下这种优势消失了;因此在加性遗传力较低到中等的情况下,机器学习方法显示出更高的PCC。在机器学习方法中,FFNN、RF和SVM在没有显性的情况下分别在低、中、高加性遗传力水平上表现出较高的PCC。此外,FFNN方法在存在显性的情况下也能表现得更好,尤其是在加性遗传力较高时。当加性遗传力处于中等至高水平时,所有方法的PCC都会下降,而在低加性遗传力情况下则没有观察到这种现象。FFNN方法在没有显性的情况下表现出最高的MAE和MSE,但随着显性遗传力的增加,该方法在所有方法中表现最佳。在100次蒙特卡洛重复实验中,具有高加性遗传力的性状显示出最高的估计稳定性。显性方差显著影响了预测模式,这强调了在模型选择中考虑非加性遗传效应的重要性。这些发现突显了FFNN在复杂遗传结构中进行准确和稳健的基因组预测的有效性,并表明纳入显性遗传力可以优化育种计划中的模型性能。
基因组选择能够从高维标记数据中预测遗传值和育种值,从而提高育种计划的选择效率。前馈神经网络(FFNN)是一种深度学习模型,通过相互连接的神经元层来近似标记与性状之间的复杂非线性关系。本研究的目的是评估FFNN相对于参数化方法(GBLUP、BayesB、BayesL)和其他机器学习(ML)方法的预测性能,这些方法包括基于核的(支持向量机,SVM)和基于树的集成方法(随机森林,RF)。研究对象包括具有不同水平狭义(加性)遗传力($\({h}_{a}^{2}\) = 0.05, 0.20, 0.50)和显性遗传力($\({h}_{d}^{2}\) = 0.00, 0.05, 0.10, 0.20)的性状。预测准确性通过皮尔逊相关系数(PCC)、平均绝对误差(MAE)和均方误差(MSE)进行评估,而模型稳定性则通过100次蒙特卡洛重复实验的变异系数来衡量。此外,还使用了Cohen的d效应量来评估方法之间的差异程度。结果表明,在没有显性的情况下,参数化方法显示出更高的PCC,但在存在显性的情况下这种优势消失了;因此在加性遗传力较低到中等的情况下,机器学习方法显示出更高的PCC。在机器学习方法中,FFNN、RF和SVM在没有显性的情况下分别在低、中、高加性遗传力水平上表现出较高的PCC。此外,FFNN方法在存在显性的情况下也能表现得更好,尤其是在加性遗传力较高时。当加性遗传力处于中等至高水平时,所有方法的PCC都会下降,而在低加性遗传力情况下则没有观察到这种现象。FFNN方法在没有显性的情况下表现出最高的MAE和MSE,但随着显性遗传力的增加,该方法在所有方法中表现最佳。在100次蒙特卡洛重复实验中,具有高加性遗传力的性状显示出最高的估计稳定性。显性方差显著影响了预测模式,这强调了在模型选择中考虑非加性遗传效应的重要性。这些发现突显了FFNN在复杂遗传结构中进行准确和稳健的基因组预测的有效性,并表明纳入显性遗传力可以优化育种计划中的模型性能。