TKOA-GPNN：一种用于杜洛克猪基因型到表型预测的模型框架

《BMC Genomics》：TKOA-GPNN: a model framework for genotype-to-phenotype prediction in Duroc pigs

　　

摘要

背景

基因组预测已成为猪育种中的强大工具，通常涉及大规模基因组数据集的分析。神经网络模型以其强大的模式识别能力而闻名，已成功应用于从这种高维基因组数据中提取复杂的遗传模式。

目标

由于生长性状是猪育种中的关键经济指标，因此准确预测这些性状对于遗传改良至关重要。然而，这些性状的潜在遗传结构非常复杂，受众多基因位点的调控。鉴于并非所有位点都对生长性状有显著影响，且传统神经网络在捕捉全基因组范围内的遗传相互作用方面存在挑战，因此迫切需要一个更高效、更准确的预测框架。

方法

为了解决这一挑战，我们提出了一种新型模型TKOA-GPNN，该模型包含两个组成部分：一个两阶段的基因组特征选择模块和一个基因组预测神经网络。首先，使用对称不确定性相关性分析来减少特征空间。随后，应用结合了帐篷映射（tent mapping）的开普勒优化算法（Kepler optimization algorithm）来选择与性状相关的位点。然后将选定的特征输入神经网络（GPNN）进行基因组预测。

结果与结论

实验结果表明，TKOA-GPNN在准确性和效率方面均优于14种现有模型。基于后代数据的测试显示其在基因分型阵列数据上的表现良好，而使用全基因组测序数据进行的进一步验证证实了该模型的稳健性。这些结果表明，TKOA-GPNN适用于不同类型和质量的基因组数据。

意义

总体而言，TKOA-GPNN提高了预测准确性和计算效率，为猪育种的智能育种和遗传改良提供了有效的解决方案。