基于人工智能算法的小麦全基因组选择育种技术研究
随着小麦等粮食供需矛盾的日益突出,提高作物产量刻不容缓,在影响小麦产量的基因筛选育种领域仍有很多问题亟待研究.该文利用全基因组选择(Genomic Selection,GS)研究冬小麦的基因型和表型数据之间的量化关系,将5种机器学习模型(Linear-SVR、RBF-SVR、Ridge、LightGBM、XGBoost)与2种传统育种模型(GBLUP、BayesA)进行对比,对新育种群体进行表型(如产量、株高、千粒重)预测和选择,进而找到高效的人工智能(AI)算法用于筛选出影响小麦性状的关键基因.研究结果显示,GBLUP,Ridge,Linear-SVR对于小麦产量具有较高的预测准确性,因此机器学习模型结合传统GBLUP模型能够提高基因型预测的准确性,从而为人工智能算法应用于小麦全基因组选择育种开辟新的道路、提供有益的技术支持.
全基因组选择、人工智能算法、机器学习、分子育种、冬小麦
2
S512.1+1(禾谷类作物)
省级大学生创新创业训练计划项目;鲁东大学专创融合课程建设重点项目
2022-10-19(万方平台首次上网日期,不代表论文的发表时间)
共3页
4-6