AGP：拟南芥基因组学-表型组学数据集及其超图基线基准测试
基因组学
2025-08-22 v1 机器学习
摘要
理解哪些基因控制哪些生物性状仍然是生物学的核心挑战之一。尽管数据收集技术取得了显著进展，但我们映射基因到性状的能力仍然有限。这一基因组到表型组(G2P)挑战横跨多个问题领域，包括植物育种，需要能够处理高维、异质和生物学结构化数据的模型。然而，目前许多数据集仅捕获遗传信息或仅捕获表型信息。此外，表型数据非常异质，许多数据集未能完全捕捉。关键缺陷在于这些数据集未进行整合，即它们未相互关联以描述相同的生物标本。这限制了机器学习模型从标本各方面获取信息的能力，影响了所学习相关关系的广度，从而限制了其做出更准确预测的能力。为了填补这一空白，我们提出了拟南芥基因组学-表型组学(AGP)数据集，这是一个经过整理的模态数据集，将基因表达谱与拟南芥的表型性状测量相关联。拟南芥是植物生物学中的模式生物。AGP支持表型预测和可解释图学习等任务。此外，我们对常规回归和解释性基线进行了基准测试，包括一个生物学信息的超图基线，以验证基因-性状关联。据我们所知，这是首个为同一拟南芥标本提供多模态基因信息和异质性状或表型数据的数据集。通过AGP，我们旨在推动研究社区利用基因信息、高阶基因配对和来自多个来源的性状数据，准确地理解基因型与表型之间的关联。
引用
@article{arxiv.2508.14934,
title = {AGP: A Novel Arabidopsis thaliana Genomics-Phenomics Dataset and its HyperGraph Baseline Benchmarking},
author = {Manuel Serna-Aguilera and Fiona L. Goggin and Aranyak Goswami and Alexander Bucksch and Suxing Liu and Khoa Luu},
journal= {arXiv preprint arXiv:2508.14934},
year = {2025}
}