机器学习育种文档翻译译文英译中.pptxVIP

机器学习育种【文档翻译_译文_英译中】

-11| 介绍22| 材料和方法35.%2| 数据分割46.%2| 超参数优化52.1.2基因型67.%2| 预测模型72.4.3|SVM模型89.%2| 基因组特征选择910| 结果1013.%2| 特征分析

机器学习育种【文档翻译_译文_英译中】接收日期:2023年2月11日|修订日期:2023年3月30日|接受日期:2023年4月25日研究文章利用机器学习实现猪生产性状的遗传位点筛选和基因组预测向涛1李涛2,3,4 |李1李欣2,3,4贾汪2,3,41农业动物遗传育种教育部重点实验室猪遗传育种农业部重点实验室，华中农业大学，中国武汉2中国武汉华中农业大学信息学院3智能农业重点实验室对于农业动物，华中中国武汉农业大学4华中农业大学农业生物信息学湖北省重点实验室，武汉，中国

机器学习育种【文档翻译_译文_英译中】一致

华中农业大学信息学院，中国武汉狮子山街1号，430070

电子邮件:wang.jia@

资助信息国家重点研究发展计划(NKPs)，资助/奖励号:2022YFD1301900中央大学基础研究基金

奖号:2662018JC034、2662022DKYJ004农业关键核心技术攻关项目，

资助/奖励编号:NK2022110602瑛子理工大学华中农业大学食品健康智能研究院，

摘要

基

于求解线性混合模型(LMM)方程的基因组预测是预测家畜经济性状的育种值或表型表现的最流行的方法

随着需要进一步提高基因组预测的性能，非线性方法被认为是一种替代的和有前途的方法

机器学习育种【文档翻译_译文_英译中】01为了研究使用非线性模型实现基因组预测的可行性和可靠性，比较了使用线性基因组选择模型和非线性机器学习模型对猪生产性状进行基因组预测的性能05总体而言，使用ML方法预测pic数据集中性状T1、T2、T3和T5的表型表现和赤峰数据集中的平均日增重(ADG)的准确性高于LMM方法，而使用ML方法预测PIC数据集中性状T4和赤峰数据集中出生仔猪总数(TNB)的准确性略低于LMM方法0203然后，为了减少基因组序列数据的高维特征，不同的机器学习算法，包括随机森林(RF)、支持向量机(SVM)、极端梯度提升(XGBoost)和卷积神经网络(CNN)算法，被用于在减少的特征基因组数据上执行基因组特征选择和基因组预测04所有的分析都是在两个真实的猪数据集上进行的:已发表的PIC猪数据集和一个包含来自中国北方赤峰的国家猪核心群的数据的数据集为了研究使用非线性模型实现基因组预测的可行性和可靠性，比较了使用线性基因组选择模型和非线性机器学习模型对猪生产性状进行基因组预测的性能

机器学习育种【文档翻译_译文_英译中】在所有不同的最大似然算法中，SVM算法是最适合基因组预测的对于基因组特征选择实验，使用XGBoost结合SVM算法获得了跨不同算法的最稳定和最准确的结果通过特征选择，缩写:Adam，自适应矩估计；ADG，平均日增重；CNN，卷积神经网络；DL，深度学习；基因组最佳线性无偏预测；GS，基因组选择；GWAS，全基因组关联研究；LMM，线性混合模型；ML，机器学习；MSE，均方误差；PCC，皮尔逊相关系数；PIC，猪改良公司；ReLU，整流线性单位；RF，随机森林；RFE，递归特征消除；RMSE，均方根误差；RS，随机选择；随机梯度下降；SVM，支持向量机；TNB，出生的小猪总数；XGBoost，极限梯度助推天生向涛和李涛同样对这项研究作出了贡献，并分享了第一作者身份

机器学习育种【文档翻译_译文_英译中】2023年美国实验生物学协会联盟/10.1096/fj.202300245R第1页，共14页FASEB杂志。2023;37:/journal/fsb2授予/奖励编号:IRIFH202209

1| 介绍1.

1| 介绍基因组选择(Genomicselection，GS)是Meuwissen等人在2001年提出的，是一种通过结合表型和覆盖整个基因组的高密度分子遗传标记来估计个体基因组育种值的方法123456随着SNP分型技术的不断发展和成本的降低，GS在猪养殖业中得到了广泛应用与传统的基于系谱的选择相比，GS的准确性得到了显著提高然而，因为GS基于线性混合模型，并且假设所有SNP标记是独立的，所以不同SNP标记之间可能的相互作用被忽略，这可能对基因组预测的性能有害此外，随着SNP标记数量的增加，数据量也增加，需要更大的存储量，因此降低了基因组预测的效率为了在基因组预测中实现高准确性和高效的计算能力，需要一种基于非线性并考虑SNP标记之间可能的相互作用的方法

1| 介绍在大数据时代，机器学习的作用日益突出，并被广泛应用于不同领域，如语音识别、自然语