Надёжное повышение точности геномного прогнозирования у сельскохозяйственных культур с помощью ансамблевого обучения и итеративной оптимизации

В условиях изменения климата и роста мирового населения ускорение селекции высокопродуктивных сортов культур имеет решающее значение для продовольственной безопасности. Геномное прогнозирование, использующее генетические маркеры по всему геному для предсказания признаков растений, играет важную роль в интеллектуальной селекции. Однако существующие методы часто не обеспечивают стабильной и высокой точности применения между разными культурами и признаками. Здесь мы предлагаем GEG2P — метод ансамблевого обучения для предсказания от генотипа к фенотипу на основе генетического алгоритма, который интегрирует 20 базовых алгоритмов, динамически отбирает их комбинации с помощью итеративной стратегии оптимизации и оптимизирует их веса с использованием генетического алгоритма. По сравнению с наилучшего работающими одиночными базовыми алгоритмами GEG2P повышает точность предсказания в среднем на 4,02% для кукурузы, пшеницы, риса, нута и сои. Мы используем SHAP (SHapley Additive exPlanations) для количественной оценки вклада однонуклеотидных полиморфизмов (SNP) в предсказание фенотипа и обнаруживаем, что SNP с большими эффектами, захваченные разными базовыми алгоритмами, функционально дополняют друг друга. Данное исследование представляет надёжный и точный метод геномного прогнозирования для селекции культур и демонстрирует применение GEG2P для повышения точности предсказания признаков в различных культурах.