De vooruitgang in whole-genome sequencing heeft de karakterisering van plantensoorten gerevolutioneerd door een overvloed aan genotypische gegevens te verschaffen voor analyse. De combinatie van genomische selectie en neurale netwerken, vooral deep learning en auto-encoders, biedt een veelbelovende methode om complexe eigenschappen te voorspellen op basis van deze gegevens.
Ondanks succes in toepassingen zoals plantenfenotypering, zijn er nog steeds uitdagingen bij het nauwkeurig vertalen van visuele informatie van beelden naar meetbare gegevens voor genoomonderzoek.
In november 2023 publiceerde Plant Phenomics een wetenschappelijk artikel getiteld “GenoDrawing: Auto-encoder Raamwerk voor Beeldvoorspelling op basis van SNP Markers.” Dit onderzoek introduceert een vernieuwende benadering die gebruik maakt van een auto-encoder netwerk en een ingebedde voorspeller om appelbeelden te vereenvoudigen tot 64 dimensies en fruitvormen te voorspellen op basis van moleculaire gegevens (SNPs).
Deze methode, bekend als GenoDrawing, omvat het trainen van een auto-encoder op een grote dataset van appelbeelden. De gegenereerde embeddings, samen met SNP-gegevens, worden vervolgens gebruikt om appelvormen te voorspellen en te reconstrueren.
Het onderzoek toonde aan dat gerichte SNPs (tSNPs) consequent beter presteerden dan willekeurig geselecteerde SNPs (rSNPs) bij de voorspelling van beeld-embeddings, wat leidde tot nauwkeurigere voorspellingen van fruitvormen.
De beste modellen met behulp van tSNPs behaalden lagere Mean Absolute Errors (MAE) en genereerden distributies die dicht bij de oorspronkelijke gegevens lagen in vergelijking met rSNPs. Bovendien voorspelde de versie op basis van tSNPs een breder scala aan fruitvormen, wat haar effectiviteit demonstreerde om de diversiteit van appel-phenotypes vast te leggen.
Het onderzoek onthulde echter bepaalde beperkingen, zoals moeilijkheden bij het nauwkeurig vastleggen van specifieke fruitkenmerken en de impact van omgevingsfactoren op appel-phenotypes.
Ondanks deze uitdagingen vertegenwoordigt deze benadering een belangrijke vooruitgang in genomische voorspelling en toont het de potentie om beeldanalyse te combineren met moleculaire gegevens om complexe eigenschappen in gewassen te begrijpen.
Samenvattend suggereren de resultaten dat de selectie van geschikte SNPs cruciaal is voor nauwkeurige voorspellingen, en dat GenoDrawing effectief kan leren om fruitvormen te voorspellen met de juiste markers.
Dit onderzoek legt de basis voor toekomstig onderzoek gericht op het verbeteren van de nauwkeurigheid en bruikbaarheid van genomische voorspellingsmodellen door beeldgegevens op te nemen en SNP-selectiestrategieën te verbeteren.
FAQ:
The source of the article is from the blog shakirabrasil.info