Plant Phenomics | GenoDrawing：用于SNP的圖像預(yù)測自動編碼框架

高通量基因組測序和基因分型方法的進(jìn)步，使許多植物物種（包括模型和作物）的全基因組鑒定以及種群水平的多樣性分析成為現(xiàn)實(shí)。在這種海量基因型數(shù)據(jù)的情況下，作物基因型和表型之間的聯(lián)系具有巨大的潛力，可以識別與相關(guān)農(nóng)業(yè)性狀自然變異有關(guān)的基因或基因組區(qū)域，并預(yù)測后代在特定環(huán)境中的表現(xiàn)。但由多個(gè)數(shù)量性狀位點(diǎn)調(diào)控的復(fù)雜數(shù)量性狀，由于其效應(yīng)較小，用較少的標(biāo)記難以預(yù)測。而利用深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)進(jìn)行基因組預(yù)測，有望克服傳統(tǒng)方法中的一些挑戰(zhàn)。
 

2023年11月，Plant Phenomics在線發(fā)表了西班牙Center for Research in Agricultural Genomics (CRAG)單位Federico Jurado-Ruiz 和 Maria José Aranzana等人題為GenoDrawing: An Autoencoder Framework for Image Prediction from SNP Markers 的研究論文。
 

本研究引入了一種自動編碼器框架GenoDrawing，用于從低深度單核苷酸多態(tài)性（SNP）陣列中預(yù)測和檢索蘋果圖像，可能有助于預(yù)測難以定義的性狀。作者基于該框架，使用蘋果形狀相關(guān)的SNP預(yù)測其表型，結(jié)果顯示，使用與視覺性狀相關(guān)的SNPs會對生成的圖像產(chǎn)生顯著影響，與生物學(xué)解釋一致。另外，使用大量相關(guān)的SNPs能提升性能，但加入不相關(guān)的SNPs會導(dǎo)致性能下降。
 

圖1 圖形摘要。（1）將蘋果基因型數(shù)據(jù)集分為訓(xùn)練和驗(yàn)證兩個(gè)子集，每個(gè)子集保留了蘋果整體形狀分布。(2) SNP基因型矩陣分為2個(gè)，每個(gè)數(shù)據(jù)集1個(gè)。(3和4)使用訓(xùn)練數(shù)據(jù)集中的圖像來擬合自動編碼器模型。(5和6)每張圖像(64個(gè)嵌入)的編碼值按基因型平均，并與SNP矩陣一起用于訓(xùn)練嵌入預(yù)測模型。(7) GenoDrawing的結(jié)果不是一個(gè)訓(xùn)練模型，而是一個(gè)自動編碼器、解碼器和嵌入預(yù)測器的集合。(8) GenoDrawing預(yù)測的圖像示例。
 

圖2 (左)蘋果原始圖像。(右)蘋果預(yù)測圖像。

總的來說，盡管GenoDrawing存在一定的局限性，但其為未來基于基因組標(biāo)記的圖像預(yù)測研究奠定了基礎(chǔ)。另外，該框架被證實(shí)可用于果樹表型預(yù)測研究，可用于預(yù)測相關(guān)的遺傳性狀。

作者介紹

本文的主要作者為Federico Jurado-Ruiz和Maria José Aranzana，所屬單位為西班牙農(nóng)業(yè)基因組學(xué)研究中心和農(nóng)業(yè)食品技術(shù)研究所。該工作由Federico Jurado-Ruiz和Maria José Aranzana構(gòu)思和設(shè)計(jì)；Federico Jurado-Ruiz進(jìn)行實(shí)驗(yàn)；Federico Jurado-Ruiz和Maria José Aranzana完成手稿。
 

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0113

——推薦閱讀——

Bridging Time-series Image Phenotyping and Functional–Structural Plant Modeling to Predict Adventitious Root System Architecture

https://doi.org/10.34133/plantphenomics.0127

Plant Phenomics | 華盛頓大學(xué)基于時(shí)間序列圖像表型與植物功能結(jié)構(gòu)模型相結(jié)合預(yù)測不定根構(gòu)型

A multi-target regression method to predict element concentrations in tomato leaves using hyperspectral imaging 

https://spj.science.org/doi/10.34133/plantphenomics.0146

Plant Phenomics | 東京大學(xué)利用高光譜圖像預(yù)測番茄葉片中元素含量的多目標(biāo)回歸方法

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國科技期刊卓越行動計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
排版：李芯蕊（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平