“相較于傳統(tǒng)模型，人工智能和深度學(xué)習(xí)算法，為解決大數(shù)據(jù)分析和高性能并行運(yùn)算等難題，提供了新的契機(jī)。”
近日，記者從中國農(nóng)科院獲悉，一種基于人工智能和深度學(xué)習(xí)算法的新模式，可以實(shí)現(xiàn)育種大數(shù)據(jù)的高效整合與利用。該研究由中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所、三亞南繁研究院大數(shù)據(jù)智能設(shè)計(jì)育種創(chuàng)新團(tuán)隊(duì)聯(lián)合多家單位提出，相關(guān)研究成果發(fā)表于《分子植物》（Molecular Plant）上。
隨著生物技術(shù)的發(fā)展，全基因組選擇作為新一代育種技術(shù)，通過構(gòu)建預(yù)測(cè)模型，根據(jù)基因組估計(jì)育種值進(jìn)行早期個(gè)體的預(yù)測(cè)和選擇，從而縮短育種世代間隔，加快育種進(jìn)程，節(jié)約成本，推動(dòng)現(xiàn)代育種向精準(zhǔn)化和高效化方向發(fā)展。
其中，統(tǒng)計(jì)模型作為全基因組選擇的核心，極大地影響了全基因組預(yù)測(cè)的準(zhǔn)確度和效率。然而，傳統(tǒng)預(yù)測(cè)方法基于線性回歸模型，難以捕捉基因型和表型間的復(fù)雜關(guān)系。相較于傳統(tǒng)模型，人工智能和深度學(xué)習(xí)算法，為解決大數(shù)據(jù)分析和高性能并行運(yùn)算等難題，提供了新的契機(jī)，深度學(xué)習(xí)算法的優(yōu)化，將會(huì)提高全基因組選擇的預(yù)測(cè)能力。
該研究團(tuán)隊(duì)以玉米、小麥和番茄3種作物為對(duì)象，將這3種作物的4種不同維度的群體數(shù)據(jù)作為測(cè)試材料，通過創(chuàng)新深度學(xué)習(xí)算法框架，開發(fā)了全基因組選擇新方法。與其他主流預(yù)測(cè)方法相比，該方法可以利用多組學(xué)數(shù)據(jù)，開展全基因組預(yù)測(cè)；算法設(shè)計(jì)可以有效降低模型錯(cuò)誤率，提高運(yùn)行速度；預(yù)測(cè)精度穩(wěn)健，在小型數(shù)據(jù)集上的表現(xiàn)，與目前主流預(yù)測(cè)模型相當(dāng)，在大規(guī)模數(shù)據(jù)集上預(yù)測(cè)優(yōu)勢(shì)更加明顯；計(jì)算時(shí)間與傳統(tǒng)方法相近，比已有深度學(xué)習(xí)方法提速近10倍；超參數(shù)調(diào)整對(duì)用戶更加友好。
