通过集成学习与迭代优化显著提升作物基因组预测精度

《Nature Communications》：Robustly enhancing crop genomic prediction accuracy through ensemble learning and iterative optimization

　　

摘要

随着气候变化和全球人口的增长，加快培育优质作物品种对于保障粮食安全至关重要。基因组预测利用全基因组的遗传标记来预测作物性状，在智能作物育种中发挥着重要作用。然而，现有的方法在不同作物和性状上的预测性能往往不够稳定和准确。在此，我们提出了GEG2P，这是一种基于遗传算法的集成学习方法，用于基因型到表型的预测。该方法整合了20个基础学习器，通过迭代优化策略动态选择它们的组合，并利用遗传算法优化各学习器的权重。与表现最好的单个基础学习器相比，GEG2P在玉米、小麦、水稻、鹰嘴豆和大豆上的预测精度平均提高了4.02%。我们使用SHAP工具来量化单核苷酸多态性对表型预测的贡献，发现不同基础学习器所识别的具有较大效应的单核苷酸多态性在功能上是互补的。这项研究为作物育种提供了一种稳健且准确的基因组预测方法。