编辑推荐:
专业术语翻译:
基因组预测(Genomic Prediction, GP)正在变革植物育种领域,但需要超参数调优的人工智能(Artificial Intelligence, AI)模型因其复杂性和可用软件的稀缺而仍未得到充分利用。NV4GP(Nested Va
专业术语翻译:
基因组预测(Genomic Prediction, GP)正在变革植物育种领域,但需要超参数调优的人工智能(Artificial Intelligence, AI)模型因其复杂性和可用软件的稀缺而仍未得到充分利用。NV4GP(Nested Validation for Genomic Prediction)通过一个基于Python的图形界面弥补了这一缺口,该界面执行嵌套交叉验证和独立验证,能够在无信息泄漏的情况下实现无偏的超参数调优和可预测性估计。该软件包含三个模块:用于数据集准备的标记过滤模块;嵌套验证模块(其核心组件,支持15种预测模型:3种参数模型、11种非参数模型和1种集成模型),包括交叉验证和独立验证;以及用于可视化和比较模型性能的结果汇总模块。安装和使用详情可在GitHub上获取。NV4GP降低了严格模型测试的技术门槛,拓宽了机器学习(Machine Learning, ML)和深度学习(Deep Learning, DL)方法在基因组预测中的应用途径。
论文解读文章
一、研究背景与问题
数量遗传学在育种程序的多个阶段提供支撑,从精心设计的试验到预测方法的发展。在预测育种的背景下,基因组预测(Genomic Prediction, GP)及其实际应用——基因组选择(Genomic Selection, GS)——在提高育种程序效率方面发挥着关键作用。GS是一种依赖分子标记、基于目标性状预测来选择候选品系的育种方法。在GS中,通常使用全基因组标记信息和来自所谓训练群体(Training Population, TP)的表型记录来训练统计或机器学习(Machine Learning, ML)模型,然后将该模型应用于预测仅具有基因型信息的育种群体(Breeding Population, BP)的表现。模型有效工作的前提是TP与BP具有密切的亲缘关系。
在GP模型中,分子标记的效应被估计为基于回归的问题。交叉验证(Cross-validation, CV)被广泛用于评估GP模型的可预测性(Predictability, PA)。多种CV策略已被提出,包括单环境内的随机或k折CV、多环境CV方案以及用于稳健超参数调优的嵌套CV方法。嵌套CV策略在评估复杂参数和非参数模型时尤为重要,因为它能够在最小化过拟合的同时提供无偏的可预测性评估。相比之下,独立验证策略在GP研究文献中的应用较少,该策略允许使用独立数据集进行训练和测试,从而进行公平的模型比较,模拟真实育种场景中育种者必须使用TP预测未知分离BP的情况。
然而,CV和实际GS实施不仅需要数量遗传学原理的知识,还需要编程技能。因此,追求植物育种、生物统计或数量遗传学职业的研究生和早期职业研究人员在将理论知识转化为实际应用时常常面临挑战。过去15年间,已开发出多种支持GP验证和应用的软件程序。R语言包BGLR和rrBLUP是GP模型测试和应用中使用最广泛的工具,提供岭回归(Ridge Regression, RR)和Bayes Alphabet等多种模型。随后开发了sommer和MegaLMM等R包。然而,这些软件基于代码,限制了其广泛应用。2014年,solGS使非专家研究人员更容易使用GP。近期,Yu等人(2024)开发了R Shiny应用ShinyGS,可运行16种GP模型。2024年还发布了CHiDO软件,支持多组学整合和多种验证策略。Ramasubramanian等人(2025)开发的GS4PB软件则覆盖从标记过滤到模型验证再到前瞻性基因组选择应用的整个育种流程。
尽管取得了这些进展,能够执行嵌套交叉验证和独立验证、对参数和非参数GP模型进行系统性超参数调优的用户友好型软件仍然有限。NV4GP(Nested Validation for Genomic Prediction)软件正是为满足这一需求而开发的,为GP中基于嵌套CV的模型评估提供了可访问、高效且可复现的框架。
二、研究内容与结论
NV4GP软件完全使用Python编写,采用自定义函数和Scikit-learn包中的函数。软件包含三个主要模块:标记过滤、嵌套验证和结果汇总。标记过滤模块允许用户上传基因型文件,可以是数值矩阵或HapMap格式,支持.txt或.csv文件。HapMap文件应遵循IUPAC核苷酸命名法,数值矩阵编码为:2表示主要等位基因,1表示杂合子,0表示次要等位基因。分子标记可按缺失数据、次要等位基因频率(Minor Allele Frequency, MAF)和杂合度进行过滤,基因型也可按缺失数据和杂合度过滤。可选地,可通过均值或主要等位基因进行填补。
NV4GP实现了15种模型,包括3种参数模型(RR、贝叶斯岭回归Bayesian Ridge、LASSO)、11种非参数模型(核岭回归Kernel Ridge、支持向量回归Support Vector Regression、弹性网络Elastic Net、随机梯度下降Stochastic Gradient Descent、偏最小二乘Partial Least Squares、最近邻Nearest Neighbors、高斯过程回归Gaussian Process Regression、决策树Decision Tree、随机森林Random Forest、梯度提升Gradient Boosting、多层感知机Multilayer Perceptron)和1种集成算法(投票回归器Voting Regressor)。
嵌套CV模块是软件核心。在基于搜索网格的嵌套CV中,外层循环CV使用传统k折CV方案评估模型性能,每个外层循环训练集内部再进行内层循环CV,将训练数据进一步分割为k折。内层循环CV用于评估搜索网格中定义的所有超参数组合,选择预测误差最低或PA最高的组合,然后用于相应的外层循环TP。该过程通过防止模型调优和评估之间的信息泄漏来确保无偏的性能估计。独立验证场景中,对训练集执行内部k折交叉验证以选择最佳超参数,随后使用整个TP和最佳超参数训练完整模型,使用独立数据集测试模型,可预测性对应独立集预测值与观测值之间的皮尔逊相关系数。
结果汇总模块处理嵌套CV分析的输出并可视化模型性能。用户可上传一个或多个结果文件,为每个模型分配自定义名称,软件生成带标准误差条的柱状图。NV4GP通过用户定义的随机种子控制确保可复现性,已在Linux、Windows和MacOS操作系统上独立测试,产生相同结果。软件通过与BGLR R包中GBLUP模型的基准测试验证了正确性。
三、关键技术方法
研究人员开发NV4GP软件主要采用了以下关键技术方法:基于Python编程语言和Tkinter图形用户界面库构建交互式桌面应用;利用Scikit-learn机器学习库实现15种预测模型;设计嵌套交叉验证框架,外层循环用于模型评估,内层循环用于超参数搜索;实现独立验证策略模拟真实育种场景;采用网格搜索法进行超参数调优;通过皮尔逊相关系数(PA)、均方误差(MSE)、平均绝对误差(MAE)等指标评估模型性能。案例研究使用了wheat599数据集(599个个体、1279个分子标记、4个环境下的籽粒产量表型)和已发表的连续两年小麦数据集进行独立验证。
四、研究结果
交叉验证结果:使用wheat599数据集对15种模型进行5轮5折嵌套CV(外层5折、内层4折),并以BGLR包中的GBLUP模型作为基准。可预测性在模型间差异显著:目标变量1(TV 1)中,SVR表现最佳(PA约0.6),DT表现最差(PA约0.0);TV 2中,基准模型GBLUP表现最佳(PA接近0.5),GPR表现最差;TV 3中,SVR再次最准确,GPR最差;TV 4中,KR模型表现最佳(PA大于0.5),DT最差。运行时间方面,TV 1从RR的15秒到MLP的约12小时不等。
独立验证结果:使用连续两年(13-14和14-15)的籽粒产量数据,以13-14年作为训练集、14-15年作为测试集,在两个模拟环境(B5IR和F5IR)下进行。可预测性排名在环境间显著变化:B5IR环境中,PA从SGD的-0.01到SVR的0.32;F5IR环境中,PA从SGD的-0.02到MLP的0.16。运行时间显著低于嵌套CV,B5IR环境中从RR、LASSO和NN的4秒到VR的1小时46分钟。
五、讨论与结论
NV4GP解决了在基因组预测研究中严格应用ML和DL模型的需求。通过在一个标准化流程中对15种预测模型进行无偏、无泄漏的超参数调优,NV4GP开启了此前需要大量定制编码才能实现的系统性基准测试问题。嵌套CV消除了调优和评估混淆的混杂因素,使跨研究、跨模型的ML/DL预测方法比较更加可复现和可访问。独立验证允许用户执行无泄漏的验证,更好地模拟真实场景。对于目标用户(如没有较强编程背景的研究生和早期职业育种者或数量遗传学家),NV4GP改变了常规基因组预测工作中模型选择决策的方式,用户可以快速筛选多个模型族,为其特定性状和群体选择经验上表现最佳的模型。
软件局限性包括:穷举网格搜索可能计算密集,建议在常规笔记本电脑上对数百个品系和数千个标记的数据集将网格搜索规模控制在50个超参数组合以下;加载大型标记矩阵可能产生显著的RAM需求;当前版本每次运行仅支持单性状/单环境分析,不支持多环境多性状分析。
结论:NV4GP是专为通过嵌套k折交叉验证和独立验证促进GP中严格模型评估而开发的Python软件。软件整合了标记过滤、嵌套验证和结果汇总三个主要模块,为GP分析提供了结构化和用户友好的工作流程。NV4GP旨在弥合建模理论与实际ML和DL实施之间的差距,特别是针对研究生和早期职业研究人员。通过简化嵌套交叉验证和独立验证的应用,NV4GP促进了GP模型测试的方法论严谨性,代表了向GP分析中更标准化、更严格模型测试迈出的一步。