用于基于SNP的葡萄基因型至表型预测的线性-Transformer混合模型
基因组学
2026-05-11 v1 人工智能
摘要
稳健的基因型至表型（G2P）预测对于加速育种决策和遗传增益至关重要。然而，在不同田间条件和跨年份间测量复杂性状仍具挑战性。在本研究中，我们提出了一种线性-Transformer 方法 LiT-G2P（Linear-Transformer Genotype-to-Phenotype），这是一个自动化预测框架，利用全基因组单核苷酸多态性（SNPs）数据，将加性遗传方差效应与基于 Transformer 的非线性交互相集成。我们在一组多样的葡萄种质资源上评估了 LiT-G2P，这些资源使用 SNP 标记进行基因分型，并在连续两年中测量了表型。目标表型性状包括葡萄的叶毛密度和毛状体密度。在单年和跨年测试场景中，与基线模型相比，LiT-G2P 均持续提升了预测性能。对于叶毛密度，LiT-G2P 在单年和跨年评估中均实现了最低误差，RMSE 分别为 0.469 和 0.454，同时保持了 79.2% 和 74.6% 的强耐受准确率。对于毛状体密度，LiT-G2P 也表现出最佳的总体 G2P 性能。此外，我们从注意力权重中提取了模型优先关注的 SNPs，并应用基因型分层分析，为下游验证提供可解释的候选标记。这些结果表明，将稳定的加性效应与学习到的交互模式相集成，能够增强跨年鲁棒性，并支持用于基因组选择的实用基于 SNP 的预测建模。
引用
@article{arxiv.2605.06762,
title = {A Linear-Transformer Hybrid for SNP-Based Genotype-to-Phenotype Prediction in Grapevine},
author = {Yibin Wang and Murukarthick Jayakodi and Silvas Kirubakaran and Ambika Chandra and Azlan Zahid},
journal= {arXiv preprint arXiv:2605.06762},
year = {2026}
}
备注
15 pages, 4 Figures