作物多组学表型预测方法及装置
本发明涉及智慧农业,尤其涉及一种作物多组学表型预测方法及装置。
背景技术:
1、复杂农艺性状预测是现代作物分子育种中的重要研究内容,对提高早期世代选择效率、缩短育种周期具有重要意义;株高、开花期、产量等复杂农艺性状通常由遗传变异、基因表达调控及多层次分子互作共同决定。
2、相关技术中,通常采用基因组预测方法来预测作物表型数据,该方法是基于全基因组分子标记建立基因型与表型之间的关联模型,主要反映dna(deoxyribonucleic acid,脱氧核糖核酸)序列层面的静态遗传差异,对复杂遗传效应的表征能力低,且在处理高维snp(single nucleotide polymorphism,单核苷酸多态性)数据时,上述关联模型难以刻画位点间的非加性互作信息;传统技术还采用机器学习与深度学习方法来预测作物表型数据,该方法依赖面向特定性状的位点预筛选,从而在建模前丢失位点间的联合与互作信息,导致作物表型预测结果精度低。
技术实现思路
1、本发明提供一种作物多组学表型预测方法及装置,用以解决现有技术预测作物表型时,对复杂遗传效应的表征能力低,且难以表征位点间的互作信息,导致作物表型预测结果精度低的缺陷。
2、本发明提供一种作物多组学表型预测方法,包括:
3、对目标作物的基因组数据、转录组数据和目标农艺性状数据进行预处理,得到基因组特征输入信息和转录组表达矩阵;
4、从所述基因组特征输入信息中提取出初始特征图,并对所述初始特征图沿通道维度进行特征分流,得到浅层旁路特征和主分支输入特征;对所述主分支输入特征在不同尺度进行并行卷积计算,并对并行卷积计算结果及对应权重进行加权计算,得到主分支输出特征;
5、对所述主分支输出特征、所述浅层旁路特征进行特征拼接和映射,得到基因组特征表示,并将所述基因组特征表示与转录组特征表示进行融合,得到联合特征表示;所述转录组特征表示基于所述转录组表达矩阵确定;
6、根据所述联合特征表示对所述目标作物的表型信息进行预测,得到表型预测结果。
7、根据本发明提供的一种作物多组学表型预测方法,所述并行卷积计算结果及对应权重进行加权计算,得到主分支输出特征,包括:
8、从所述主分支输入特征中提取出基础局部特征,并对所述基础局部特征依次进行池化、一维卷积和非线性激活的处理,得到注意力权重;
9、将不同尺度对应的并行卷积计算结果与所述基础局部特征进行融合,得到多尺度融合特征;
10、利用所述注意力权重对所述多尺度融合特征进行门控残差加权,得到所述主分支输出特征。
11、根据本发明提供的一种作物多组学表型预测方法,所述转录组表达矩阵包括多个基因和各基因对应的表达量;
12、所述转录组特征通过如下步骤获取:
13、根据所述转录组表达矩阵确定不同基因之间的调控关系,并以所述多个基因为网络节点,以所述调控关系为网络边构建基因调控网络;
14、以所述各基因对应的表达量为对应网络节点的节点特征,并利用图神经网络沿所述网络边进行结构化特征学习,得到所述转录组特征表示。
15、根据本发明提供的一种作物多组学表型预测方法,所述多个基因包括转录因子与靶基因;
16、所述以所述多个基因为网络节点,以所述调控关系为网络边构建基因调控网络,包括:
17、采用加权基因共表达网络分析法对所述转录组表达矩阵进行处理,得到候选调控关系的搜索范围;
18、根据所述候选调控关系的搜索范围确定所述转录因子与所述靶基因之间的有向调控关系;
19、以特征重要性评分作为候选调控边的初始权重,利用所述初始权重对所述候选调控边进行稀疏化筛选,并对筛选后的调控边的权重进行标准化处理或单调变换,得到所述基因调控网络。
20、根据本发明提供的一种作物多组学表型预测方法,所述利用图神经网络沿所述网络边进行结构化特征学习,得到所述转录组特征表示,包括:
21、以所述基因调控网络中的各个网络节点为目标节点,以所述基因调控网络中沿对应网络边指向所述目标节点的节点为源节点,根据所述源节点的节点特征以及对应网络边的权重计算消息特征,并通过源节点将所述消息特征发送至所述目标节点;
22、对所述目标节点接收的全部源节点的消息特征进行聚合处理,得到邻域聚合特征;
23、对所述邻域聚合特征进行映射与变换,得到节点更新项,并利用所述节点更新项更新所述目标节点的节点特征,得到网络节点的节点级特征表示;
24、计算各个网络节点的门控权重,并利用所述门控权重对全部网络节点的节点级特征表示进行加权求和,得到所述转录组特征表示。
25、根据本发明提供的一种作物多组学表型预测方法,所述利用所述节点更新项更新所述目标节点的节点特征,得到网络节点的节点级特征表示,包括:
26、通过残差连接将所述目标节点的节点特征与所述节点更新项进行相加,得到所述网络节点的节点级特征表示;
27、其中,当所述目标节点在所述基因调控网络中不存在对应的源节点时,所述目标节点的邻域聚合特征配置为零向量。
28、根据本发明提供的一种作物多组学表型预测方法,在所述得到表型预测结果值后,所述方法还包括:
29、采用解释分析法计算基因组特征输入信息和/或转录组表达矩阵中的各输入特征对所述表型预测结果的贡献值;
30、根据所述贡献值筛选出高贡献特征集合,并将所述高贡献特征集合作为与所述目标农艺性状相关的候选功能基因。
31、本发明还提供一种作物多组学表型预测装置,包括:
32、预处理模块,用于对目标作物的基因组数据、转录组数据和目标农艺性状数据进行预处理,得到基因组特征输入信息和转录组表达矩阵;
33、特征计算模块,用于从所述基因组特征输入信息中提取出初始特征图,并对所述初始特征图沿通道维度进行特征分流,得到浅层旁路特征和主分支输入特征;对所述主分支输入特征在不同尺度进行并行卷积计算,并对并行卷积计算结果及对应权重进行加权计算,得到主分支输出特征;
34、特征融合模块,用于对所述主分支输出特征、所述浅层旁路特征进行特征拼接和映射,得到基因组特征表示,并将所述基因组特征表示与转录组特征表示进行融合,得到联合特征表示;所述转录组特征表示基于所述转录组表达矩阵确定;
35、预测模块,用于根据所述联合特征表示对所述目标作物的表型信息进行预测,得到表型预测结果。
36、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述作物多组学表型预测方法。
37、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述作物多组学表型预测方法。
38、本发明提供的作物多组学表型预测方法及装置,通过对目标作物的原始多源数据进行预处理,消除了不同组学数据间的量纲和格式差异;通过非线性映射与特征分流机制对snp序列进行特征升维,通过多尺度卷积与注意力加权机制获取不同长度区段内snp位点间的非加性互作和协同效应,增强了对作物复杂遗传效应的表征能力;通过拼接映射与跨模态融合策略复杂性状提供了全面、互补的特征描述;最后通过联合特征表示预测目标作物的表型信息,提高了作物表型预测结果精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com