DPCformer：面向作物基因组预测的可解释深度学习模型
机器学习
2025-11-11 v2 人工智能
摘要
基因组选择（GS）利用全基因组信息预测作物表型，加速育种进程。然而，传统的GS方法在处理复杂性状和大规模数据时预测精度有限。我们提出DPCformer，一种集成卷积神经网络与自注意力机制的深度学习模型，用于建模复杂的基因型-表型关系。我们将DPCformer应用于五种作物（玉米、棉花、番茄、稻作、鹰嘴豆）中的13个性状。该方法对染色体排序后的SNP数据采用8维独热编码，并使用PMF算法进行特征选择。评估结果表明，DPCformer超越了现有方法。在玉米数据集中，至多提升2.92%的性状预测准确率；棉花数据集中，纤维性状准确率提升8.37%；在小样本番茄数据集中，关键性状的皮尔逊相关系数提升最高可达57.35%；鹰嘴豆中产量相关性提升16.62%。DPCformer展现出卓越的准确性、在小样本情景下的鲁棒性以及增强的可解释性，为精密育种和应对全球粮食安全挑战提供了强大工具。
引用
@article{arxiv.2510.08662,
title = {DPCformer: An Interpretable Deep Learning Model for Genomic Prediction in Crops},
author = {Pengcheng Deng and Kening Liu and Mengxi Zhou and Mingxi Li and Rui Yang and Chuzhe Cao and Maojun Wang and Zeyu Zhang},
journal= {arXiv preprint arXiv:2510.08662},
year = {2025}
}
备注
This work has been accepted by BIBM 2025