神经网络和降低维度降低以提高复杂性状的预测效率

使用大型分子标记数据库对复杂性状的研究已重塑遗传育种程序，因为它允许从大量分子标记中直接纳入信息以预测基因组值。但是，大量标记可能会导致计算需求，多重共线性和维度的问题。我们在基因组广泛的选择研究中评估了多层感知神经网络来解决此问题，并提出了一种称为探针子集选择方法的新维度降低方法，以预测遗传值。我们使用模拟的F1人群来实现12个定量性状，包括不同的建模结构，平均优势和遗传力。多层感知器神经网络以及所提出的探针子集选择方法比RR-Blup方法提供了更准确的预测，并将均方根误差从577.249减少到低于24的值。计算智能在繁殖程序中的使用是一种有希望的出于预测目的的工具，由于上毒和优势并不是提出的多层感知神经网络方法的限制因素。