浙江
气候变化和人口增长给粮食安全带来压力，加速培育优良作物品种需要更精准的基因组预测工具。近日，华中农业大学刘建晓团队在《Nature Communications》发表了题为《Robustly enhancing crop genomic prediction accuracy through ensemble learning and iterative optimization》的研究，他们开发了GEG2P方法，整合20种基础学习器，借助遗传算法和迭代优化动态筛选模型组合并优化权重，在玉米、小麦、水稻、鹰嘴豆和大豆的36个性状上提升了预测精度与稳定性。华中农业大学博士后姚州、博士研究生王李光、朱力和已毕业本科生李鑫乐为论文共同第一作者。作物遗传改良全国重点实验室刘建晓教授为该论文的通讯作者。
在玉米数据的实验中，GEG2P(v1)把统计、机器学习和深度学习的20个基础学习器直接整合在一起，其平均PCC比预测精度最高的SVR提升了3.00%。研究团队把GEG2P(DL)、GEG2P(ML)、GEG2P(SS)和GEG2P(v1)也当作基础学习器，构建出GEG2P(v2)，并且逐步移除预测精度偏低的基础学习器，得到GEG2P(v3)。GEG2P(v3)在玉米全部性状上的平均PCC为0.6560，比GEG2P(v2)提高0.10%，比所有单一基础学习器的平均值提高15.15%。在开花时间、株型和产量相关性状上，GEG2P(v3)的平均PCC分别比单一基础学习器平均提高16.14%、12.41%和17.67%。
在跨物种测试中，研究团队把GEG2P放到小麦、水稻、鹰嘴豆和大豆的数据上检验，GEG2P(v3)的平均PCC比全部单一基础学习器的平均值分别高出14.77%、7.40%、8.05%和8.60%。与SoyDNGP、Cropformer、WheatGP、EGGPT、RKHS和Multi-kernel GBLUP六种主流方法相比，GEG2P在五个物种的所有性状类别上都取得了最高的预测精度，其在玉米中的平均PCC比这六种方法分别高出111.26%、11.03%、77.25%、3.04%、5.94%和5.52%。在水稻、鹰嘴豆和大豆中，GEG2P同样保持领先，Wilcoxon符号秩检验显示它在大多数性状上的预测精度显著优于对比方法。
为了看清预测精度提升的生物学依据，研究团队用SHAP量化了SNP对表型预测的贡献。他们发现权重排名前五的基础学习器与精度排名前五的基础学习器并不相同，GEG2P更倾向于给预测结果独立性更高的基础学习器分配较大权重，DTA权重前五的预测值平均相关性为0.8251，明显低于DTA精度前五的0.9892。不同基础学习器识别的前10%高贡献SNP位点共定位到QTL和基因的数量差异较大，只有少量位点和基因被全部五个基础学习器共享，而这些位点的并集显著富集在花发育调控、细胞分裂、淀粉和脂质代谢等生物学过程中。遗传方差分解结果显示，这些高贡献SNP位点平均解释了大部分表型方差，随着整合的基础学习器数量增加，其解释的遗传方差比例也逐步上升。
READING
BioPeers
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
