《Genes》:BiMSGP: A Bidirectional Mamba-Based Model for Scalable and Accurate Genomic Prediction in Plants
编辑推荐:
背景/目标: 从高维基因组标记中准确预测复杂性状在植物育种中仍具挑战性。线性模型对非线性交互作用的表征能力有限,且许多深度学习模型在长标记序列上扩展性不佳。本研究提出BiMSGP,一种基于双向Mamba的可扩展基因组预测模型。方法: BiMSGP扩展了选择性状
背景/目标: 从高维基因组标记中准确预测复杂性状在植物育种中仍具挑战性。线性模型对非线性交互作用的表征能力有限,且许多深度学习模型在长标记序列上扩展性不佳。本研究提出BiMSGP,一种基于双向Mamba的可扩展基因组预测模型。方法: BiMSGP扩展了选择性状态空间模型(selective state space model, SSM),通过前向与后向处理使每个标记能够从两个方向整合序列上下文,同时保持线性计算复杂度;这是对长程标记依赖关系的建模手段,而非生物学上位效应的证明。回归任务在Wheat599、Wheat2000和SoyBase三个数据集上评估,分类任务在SoyBase上评估,采用共享折分配的10折交叉验证(10-fold cross-validation),无内部验证集划分;留出折同时用于检查点选择、学习率调整及结果报告。消融研究比较了双向与单向堆叠及不同深度。采用折间皮尔逊相关系数(Pearson correlation coefficient, PCC)差异的探索性配对检验,以在该协议下区分数值排名与配对差异。结果: 在所报告的评估协议下,BiMSGP在Wheat599全部四个环境、Wheat2000八个性状中的六个以及SoyBase七个数量性状中的五个取得了数值最高的平均PCC。其中若干数值排名与最强基线相比未达到探索性显著水平;GBLUP在SoyBase含油量上平均PCC更高。在Wheat599环境1上,浅层双向设计比深层及单向变体具有更高的平均PCC。在较大数据集上训练成本高于轻量级基线,但推理仍处于毫秒量级。结论: 在该协议下,双向选择性状态空间建模取得了有竞争力的平均分数,但训练成本高于轻量级基线。这些分数是探索性的,可能偏乐观;并非泛化性能的无偏估计。将模型选择与评估分离的验证方案,以及在独立群体、年份或环境中的测试,仍是未来工作方向。
论文解读
一、研究背景与问题
在植物育种与遗传学领域,从基因组数据准确预测复杂表型性状是核心挑战之一,对加速遗传增益、提升作物生产力具有重要意义。基因组预测(genomic prediction, GP)利用全基因组标记在候选材料完成表型鉴定之前估算育种值或表型结果。然而,许多育种数据集呈现高维、低样本量的结构特征,标记数量远超个体数量,给实际应用带来困难。
传统统计方法如基因组最佳线性无偏预测(genomic best linear unbiased prediction, GBLUP)和岭回归BLUP计算高效且仍是强基线,但其以加性效应为主的模型设定在表征复杂性状中涉及的非线性效应与交互作用方面能力有限。为此,比较研究探索了机器学习和深度学习替代方案,同时表明性能高度依赖于性状遗传结构、样本量和模型调优。卷积模型如DeepGS和DLGWAS可学习局部标记模式,DNNGP、SoyDNGP、DeepCCR等新系统将深度基因组预测扩展至多组学、大豆和大型水稻群体,但固定局部感受野以及长标记序列建模成本仍是重要制约。
长程序列模型已展示整合远距离基因组上下文的价值,从混合卷积-循环网络、长上下文调控模型到基因组语言模型均属此类。状态空间模型提供了另一条长上下文建模路径:HiPPO和S4建立了高效的结构化记忆公式,Mamba引入具有线性序列复杂度的输入依赖选择性状态空间。在此基础上,研究人员提出BiMSGP,一种专为植物基因组预测设计的双向Mamba架构。
二、研究内容与意义
研究人员提出BiMSGP(Bidirectional Mamba-based model for Scalable and Accurate Genomic Prediction),通过前向和后向两个方向处理基因组标记序列,使每个标记能够整合两侧的上下文信息。这种双向扫描有助于模型利用长程标记依赖关系,但并非远距离位点间生物学上位效应的直接证据。模型保留了Mamba的线性复杂度扫描特性。在三个规模递增的数据集上采用数据集内10折交叉验证评估:Wheat599(599份材料、1279个标记)、Wheat2000(2000份材料、33709个标记)和SoyBase(性状特异性样本量最高达15878份材料、处理矩阵中42195个SNP)。留出折同时用于检查点选择,因此所报告分数在该协议下是探索性的。研究同时分析精度-效率权衡:模型参数量远大于轻量级基线(Wheat599上4200万对DeepGS的8.1万),在Wheat2000和SoyBase上训练成本更高,但训练完成后推理处于毫秒量级,这是其操作层面的优势。
三、关键技术方法
研究采用的主要技术方法包括:其一,双向选择性状态空间模型架构,将Mamba的选择性状态空间机制扩展为前向与后向双路径处理,每条路径包含带残差连接和层归一化的Mamba层堆叠,两方向特征沿特征维度拼接后经轻量级解码头输出;其二,线性嵌入层将单变量标记投影至模型维度;其三,Wheat数据集使用三层wide解码头,SoyBase使用两层compact解码头;其四,10折交叉验证评估框架,回归使用KFold、分类使用StratifiedKFold,共享折分配以保证方法间可比性;其五,消融研究系统评估残差连接、层数、模型维度、状态维度及方向变体等因素。样本队列来源方面:Wheat599为599份小麦品系,经质量控制后含1279个DArT标记,四个环境下测定籽粒产量;Wheat2000为2000份伊朗面包小麦品系,含33709个DArT标记和八个农艺性状;SoyBase为源自公共SoyDNGP/SoyBase资源的大豆群体,处理后的基因型表含15878份已基因分型材料和42195个SNP列。
四、研究结果
Wheat599数据集上的性能表现。 BiMSGP在全部四个环境中取得数值最高的平均PCC。环境1中平均PCC为0.6198±0.0708,高于DeepGS(0.5720)、DNNGP(0.5543)、GBLUP(0.5234)和SoyDNGP(0.5225)。探索性配对t检验显示与GBLUP相比在全部四个环境中均显著;与DeepGS相比在环境1和3显著、环境2和4不显著;与DNNGP相比在环境1、2、4显著,环境3不显著。
Wheat2000数据集上的性能表现。 BiMSGP在八个性状中的六个(GH、GL、GP、SDS、TKW、TW)取得数值最高的平均PCC。与DeepGS相比,这六个差异均未达到探索性显著水平;DeepGS在GW(0.7500对0.7464)和PHT(0.3279对0.3212)上平均PCC更高。与GBLUP相比,GH、GL、GW、TKW、TW显著,GP、SDS、PHT不显著。与DNNGP和SoyDNGP相比,全部八个性状均显著。
大豆数据集(SoyBase)上的性能表现。 七个数量性状中BiMSGP在五个上取得数值最高的平均PCC:Hgt(0.8141)、SdWgt(0.9201)、R1(0.6821)、R8(0.7846)和Yield(0.7900)。GBLUP在Oil(0.8825对0.8816)和Protein(0.7182对0.7171)上平均PCC更高,其中Oil的差异达到探索性显著水平。分类任务中,SoyDNGP在二元性状FC和P_DENS上准确率和平衡准确率最高,DeepGS在三类性状ST上表现最佳,BiMSGP在POD上平衡准确率最高(0.8497)。
模型架构消融研究。 在Wheat599环境1上,双向处理比单向和求和池化变体具有更高的平均PCC;浅层堆叠(L=1或2)配合中等模型维度即足够。残差关闭的L=1变体平均PCC(0.6387)高于残差开启的L=1(0.6191),但该变体未用于主比较表。
计算效率。 BiMSGP在Wheat599上约4200万参数、100轮训练1.52分钟,推理1.7毫秒/样本。在Wheat2000和SoyBase上训练时间大幅增加(分别约174分钟和462分钟每100轮),这是实际应用中的真实制约。
五、讨论与结论
讨论部分指出,模型排名依赖于作物、性状和基线方法,与更广泛的基准测试证据一致——没有单一算法普遍最优。双向扫描使每个标记能利用两个方向的上下文,可能有助于模型利用长程标记依赖,但实验并不证明远距离位点间的生物学上位效应。评估的主要局限在于留出折同时用于检查点选择、学习率调整和性能评估,可能导致乐观的性能估计并影响模型间表观差异,因此所报告比较应视为探索性。此外,标记顺序遵循源文件列顺序,序列化序列中的染色体连接处并非生物学相邻关系;研究未包含多组学输入或独立群体验证。结论部分总结:在所报告的10折协议下,BiMSGP在多个数量性状上取得数值最高的平均PCC,在SoyBase分类性状上取得有竞争力的平均分数;若干与DeepGS或GBLUP的接近比较未达探索性显著水平,GBLUP在SoyBase含油量上平均PCC更高。这些分数是探索性的、可能偏乐观,并非泛化性能的无偏估计,不确立对现有方法的优越性。训练BiMSGP比轻量级基线昂贵得多,毫秒级推理是训练完成后的操作优势。将模型选择与评估分离的验证方案、独立群体或多环境测试以及模型压缩是重要的后续方向。