机器学习在植物育种的应用

全基因组选择（ Genomic selection, GS ）是利用覆盖全基因组的高密度标记进行选择育种的新方法，简言之就是在全基因组范围内的标记辅助选择。全基因组选择作为新一代的育种技术，通过构建预测模型，根据全基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。统计模型作为全基因组选择的核心，极大地影响着全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。相较于传统模型，非线性模型具备分析复杂非加性效应的能力，机器学习（ Machine Learning ， ML ）和深度学习（ Deep Learning ， DL ）算法为解决大数据分析和高性能并行运算等难题提供了新的契机。

为了响应广大学员在该方向上的学习需求， 北京金智研将于 6 月 28~30 日 举办第三期全基因组选择学习交流会。届时，我们将邀请中国农业科学院作物科学研究所大数据智能设计育种创新团队首席、博士生导师李慧慧研究员为我们系统讲授基于机器学习和深度学习算法的全基因组选择课程。 李老师长期从事基于高通量组学数据全基因组选择育种预测算法的研发和模型构建等生物信息学、统计基因组学和数量遗传学相关研究；在 Molecular Plant, Nature Plants, Plant Biotechnology Journal, Trends in Plant Science 等期刊发表第一 / 通讯作者 45 篇，研究成果获得 2023 年度海南省十大杰出农业科技成果；获国家基金委优秀青年科学基金项目资助，获中国农学会青年科技奖，并入选中国农科院“农科英才”领军人才；担任中国作物学会智慧农业专业委员会秘书长。

本次课程，李老师做了精心的策划设计，仍然遵循理论学习 + 实操演练相结合的原则，兼顾身处不同学习阶段学员的需求，将从统计学基础知识、基因组选择概述入手，涵盖了利用经典统计（ GBLUP ， RRBLUP ）和贝叶斯模型、基于机器学习算法的全基因组选择模型（ SVM ， KRR ， RF ， XGBoost ， GBDT ， LightGBM ）、基于深度学习算法的全基因组选择模型（DNNGP）实现基因组预测；模型优化及实施目标群体预测；特别是相较于前面两期，新增了基于高通量基因组数据预测功能基因的深度学习模型以及利用高通量转录组数据预测功能基因的大语言模型。在此基础上，李老师团队对每个模型都会做详细的预测演示和交叉验证结果评价并实现可视化，带大家利用 KNIME 平台构建深度学习网络，最终让我们利用 组学大数据 基于深度学习算法开展全基因组预测。 课时三天，旨在解决我们在实操过程中遇到的痛点、难点，相信将为大家呈现一场全基因组选择的视听盛宴。

培训形式

所有从事植物、动物、林木、水产、微生物等的遗传育种、数量遗传学及相关领域研究的在读研究生、科研人员及企业研发人员。