作物育种中基于Transformer的基因组选择性能提升方法
机器学习
2024-06-25 v3 人工智能
摘要
基因组选择（GS）作为关键的作物育种策略，在提升粮食产量和应对全球饥荒挑战方面发挥关键作用。当前GS的主要方法围绕统计方法展开预测。然而，统计方法通常存在两个主要局限性：强统计先验和线性假设。近期趋势是利用深度学习捕捉标记之间非线性关系。然而，由于作物数据集常为长序列且样本有限，深度学习模型（尤其是Transformer）的鲁棒性仍面临挑战。本文通过引入简单的技巧（如k-mer分词和随机遮蔽），提出一种基于Transformer的简单而有效的框架，使整个序列可端到端训练。在rice3k和wheat3k数据集上的实验表明，经过k-mer分词和随机遮蔽处理后，Transformer在感兴趣的GS任务上整体性能优于经典方法。
关键词
引用
@article{arxiv.2405.09585,
title = {An Embarrassingly Simple Approach to Enhance Transformer Performance in Genomic Selection for Crop Breeding},
author = {Renqi Chen and Wenwei Han and Haohao Zhang and Haoyang Su and Zhefan Wang and Xiaolei Liu and Hao Jiang and Wanli Ouyang and Nanqing Dong},
journal= {arXiv preprint arXiv:2405.09585},
year = {2024}
}
备注
Accepted by IJCAI2024. Code is available at https://github.com/RenqiChen/Genomic-Selection