一种基于图像表型预测可靠性的鱼类基因组选择育种方法与流程

摘要: 本发明属于水产动物遗传育种领域,特别是涉及一种基于图像表型预测可靠性的鱼类基因组选择育种方法。背景技术:1、在水产动物遗传育种领域,体长、体重等生长性状的精准评...
一种基于图像表型预测可靠性的鱼类基因组选择育种方法与流程

本发明属于水产动物遗传育种领域,特别是涉及一种基于图像表型预测可靠性的鱼类基因组选择育种方法。

背景技术:

1、在水产动物遗传育种领域,体长、体重等生长性状的精准评估是实施良种选育的核心前提。长期以来,鱼类表型的获取高度依赖人工逐尾测量,操作人员需对个体进行捕捞、固定并借助物理工具完成数据记录。这种方式不仅劳动强度大、耗时费力,而且测量结果极易受到操作手法、个体挣扎状态以及测量环境等主观与客观因素的干扰,难以满足现代大规模育种群体对高通量、标准化表型数据的迫切需求。与此同时,随着分子育种技术的推进,全基因组关联分析与基因组选择已成为挖掘优异基因和进行早期遗传评估的关键手段,而上述先进遗传分析方法的有效实施,高度依赖于大样本量、高精度的表型数据作为支撑。因此,如何实现鱼类表型的高效、精准获取,并将其与遗传分析流程无缝衔接,是当前水产育种领域亟待解决的技术瓶颈。

2、近年来,计算机视觉技术为鱼类表型的自动化获取提供了新的思路。然而,现有基于图像的水产表型分析技术仍存在显著的局限性。一方面,现有研究多集中于单一表型的分类或简单回归,难以从单张侧面图像中同时解析出具有不同量纲和分布特征的多个经济性状。例如,体脂率要求输出非负值,肥满度具有特定的比例区间,而体长和体重则呈现连续的无界分布,这种多任务间的异质性导致传统的单头回归网络在特征提取阶段容易产生优化冲突,无法在单一模型中实现多表型的同步高精度预测。另一方面,水产育种场景下的图像采集往往受到拍摄角度、光照条件及鱼体姿态的限制,单张图像包含的信息有限,且高质量配对基因型的样本规模远小于自然图像数据集。在有限数据条件下直接训练深度网络极易引发过拟合,导致模型泛化能力急剧下降,预测结果出现系统性偏差,这种低质量的图像预测表型若直接输入后续的遗传分析模型,将严重误导关联信号与选择准确性的评估。

3、更为关键的是,现有技术流程中图像表型获取与基因组选择分析长期处于割裂状态,缺乏一套系统性的误差控制机制。在全基因组关联分析中,不同统计算法对群体结构和亲缘关系的校正能力存在固有差异,单一方法筛选出的候选遗传标记往往存在较高的假阳性或假阴性,导致跨群体验证时稳定性极差。而在基因组选择阶段,标记密度与预测模型的选择高度依赖经验,缺乏基于图像预测表型特性的针对性优化策略。特别是当图像预测表型存在噪声时,现有技术无法有效区分表型数据的可靠性差异,只能将所有预测结果一视同仁地用于模型构建,这种噪声累积使得基因组预测的准确性难以突破瓶颈。

技术实现思路

1、有鉴于此,本发明旨在提出一种基于图像表型预测可靠性的鱼类基因组选择育种方法,以解决现有技术中表型获取效率低、多任务预测冲突、以及遗传评估稳定性差的问题。

2、为实现上述目的,本发明采用以下技术方案:一种基于图像表型预测可靠性的鱼类基因组选择育种方法,所述方法包括:

3、获取待测鱼类群体的多个个体的侧面rgb图像,并对各所述侧面rgb图像进行标准化预处理,得到统一尺寸的标准化图像;

4、将各所述标准化图像输入预先训练的多任务表型预测模型,所述多任务表型预测模型以预训练残差网络作为共享特征提取骨干,并在所述共享特征提取骨干的输出端连接多个相互独立的表型预测分支,每个所述表型预测分支对应一个连续型形态性状并输出该性状的预测值;其中,以体长性状所在分支的输出作为图像预测体长表型,并以除体长性状之外的其余形态性状所在分支的预测结果与所述图像预测体长表型之间的统计一致性度量,表征该个体图像表型预测的可靠性;

5、根据所述可靠性对所述个体进行筛选,仅保留可靠性高于预设阈值的个体所对应的图像预测体长表型,作为后续遗传分析的目标表型;

6、以所述目标表型及对应个体的基因型数据,分别采用三种不同的关联分析方法在全基因组范围内进行关联分析,各自得到一组显著snp;

7、对所述三种关联分析方法得到的显著snp集合取交集,得到稳定关联snp集合;

8、基于所述稳定关联snp集合构建不同snp密度的候选标记子集,并采用多种基因组选择模型对所述候选标记子集进行基因组预测,根据预测结果确定目标gwas方法、目标snp密度和目标基因组选择模型;

9、依据所述目标gwas方法、目标snp密度和目标基因组选择模型,对待测个体进行育种值估计并作出选择决策。

10、进一步的,还提出一种优选方式,所述多任务表型预测模型通过以下方式训练得到:

11、获取包含多个训练个体的侧面rgb图像、以及各训练个体的真实体长、真实体重、真实体脂率和真实肥满度组成的多标签训练样本集;

12、以预训练resnet50v2去除顶部分类层后的网络作为所述共享特征提取骨干,并在其输出端依次连接全局平均池化层和三级全连接特征映射模块,其中所述三级全连接特征映射模块包含逐层递减的多个全连接层,每一全连接层后接归一化层和随机失活层;

13、在所述三级全连接特征映射模块的输出端连接多个相互独立的表型预测分支,每个分支包含一个第一全连接层和一个单神经元输出层,各分支分别对应体长、体重、体脂率和肥满度中的一个性状;

14、以各性状的预测值与真实值之间的均方误差之和作为总损失,并按照各性状对应的预设权重对各个均方误差进行加权求和;其中,体长和体重对应的权重高于体脂率和肥满度对应的权重;

15、采用训练样本集对模型进行端到端训练,训练过程中对所述共享特征提取骨干采用分层冻结策略,即固定底层特征提取层参数、仅使高层特征提取层参与训练。

16、进一步的,还提出一种优选方式,所述三级全连接特征映射模块包含512、256、128个神经元的三个全连接层,激活函数为relu;所述随机失活层的随机失活比例沿网络方向逐层递减;所述全局平均池化层将深层特征图转换为一维全局特征向量。

17、进一步的,还提出一种优选方式,各所述表型预测分支的单神经元输出层采用与对应性状的数值范围相匹配的激活函数:体脂率分支采用softplus激活函数,肥满度分支采用sigmoid激活函数,体长和体重分支采用线性激活函数。

18、进一步的,还提出一种优选方式,所述统计一致性度量包括:对同一所述标准化图像,将除体长性状之外的其余形态性状所在分支输出的多个预测值经逆标准化后,与体长分支的输出之间进行一致性计算,得到表征该个体图像表型预测可靠程度的量化值,基于该量化值表征所述可靠性。

19、进一步的,还提出一种优选方式,所述三种不同的关联分析方法包括基于线性混合模型的关联分析方法、结合固定效应与随机效应的循环迭代关联分析方法、以及广义线性模型关联分析方法;所述取交集为对三种关联分析方法各自得到的显著snp集合求公共交集。

20、进一步的,还提出一种优选方式,所述不同snp密度包括500、1k、5k、10k和50k五种标记密度梯度;所述基于稳定关联snp集合构建候选标记子集,包括:按照各显著snp的关联显著性由高到低排序,分别从所述稳定关联snp集合中截取前n个snp构成所述候选标记子集,其中n取所述五种标记密度之一。

21、进一步的,还提出一种优选方式,所述标准化预处理包括:将原始图像转换为rgb格式,统一缩放至300×300像素,并将像素值归一化至[0,1]区间;所述侧面rgb图像的采集满足:鱼体的头部、躯干、尾部和鳍条结构完整呈现,且不同个体的拍摄角度、拍摄距离、背景和光照条件保持一致。

22、基于同一发明构思,本发明还提出一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行根据上述任一项中所述的一种基于图像表型预测可靠性的鱼类基因组选择育种方法。

23、基于同一发明构思,本发明一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述中任一项所述的一种基于图像表型预测可靠性的鱼类基因组选择育种方法的步骤。

24、与现有技术相比,本发明的有益效果是:

25、本发明通过多任务异构表型联合学习机制、基于参数冻结的有限数据泛化控制以及基于预测一致性的可靠性筛选策略,解决了图像表型与遗传评估之间的数据鸿沟。在图像特征提取阶段,本发明利用预训练的resnet50v2网络作为共享骨干,提取鱼体图像的通用视觉特征。针对体长、体重、体脂率和肥满度这四类具有不同数据分布特征(如无界连续值、非负比例值等)的表型,本发明摒弃了传统的单一输出头结构,设计了多分支独立回归架构。该架构在共享特征映射层之后,为不同表型分配独立的全连接分支,并采用差异化的激活函数与损失权重。这种结构使得模型能够在共享底层形态特征的同时,针对各表型的特异性进行解耦优化,从而实现了从单张图像中同步、稳定地解析多维度生长性状。

26、针对水产育种中配对数据规模有限、模型易过拟合的难题,本发明引入了分层冻结的迁移学习策略。通过固定骨干网络底层参数以保留通用的边缘与纹理提取能力,仅对高层网络及回归分支进行微调,有效降低了待训练参数量,避免了在小样本条件下因随机初始化导致的网络退化。同时,结合多分支结构的特性,本发明将各分支的预测结果作为内部校验信号,通过度量多任务输出的一致性来量化单张图像预测结果的可靠性。这种基于结构内生的一致性度量方式,无需额外增加复杂的采样计算,即可有效识别出因拍摄角度异常或特征缺失导致的低置信度预测样本。

27、在遗传分析阶段,本发明将可靠性度量结果转化为数据筛选门槛,仅将高置信度的图像预测表型输入至后续的基因组选择流程。针对单一全基因组关联分析方法易受群体结构干扰而产生假阳性标记的缺陷,本发明并行采用多种关联算法进行独立运算,并通过取交集的方式锁定稳定的候选单核苷酸多态性位点。在此基础上,通过构建多密度梯度与多模型的组合测试空间,实现了对遗传标记利用效率的系统化寻优,确保了最终育种决策的准确性与鲁棒性。

28、本发明实现了单张图像对多维度表型的同步精准解耦,通过构建共享骨干与多分支独立回归相结合的网络结构,并利用差异化激活函数与损失权重进行协同训练,有效克服了不同表型间量纲与分布差异带来的优化冲突。该设计使得模型能够从单一的侧面图像中同时提取出体长、体重、体脂率及肥满度等核心育种指标,显著提升了表型数据采集的通量,避免了多次拍摄或复杂设备带来的操作成本。

29、本发明显著提升了有限数据条件下的模型泛化能力与预测可靠性,通过引入分层冻结策略,本发明充分利用了预训练模型的通用特征,大幅减少了对大规模标注数据的依赖,有效抑制了小样本训练中的过拟合现象。更重要的是,本发明创新性地利用多分支预测的一致性来度量可靠性,这一机制能够自动筛选出受姿态、光照等因素干扰较小的优质表型数据,为后续的遗传分析提供了高纯度的输入,从根本上降低了噪声数据对关联分析与基因组选择的干扰。