Обзор применения глубокого обучения для геномного отбора

Введение: Предложено несколько традиционных байесовских и небайесовских методов геномного прогнозирования, включая стандартную модель аддитивного генетического эффекта, в которой дисперсионные компоненты оценивают с помощью уравнений смешанной модели. В последние годы методы глубокого обучения (ГО) стали применять для геномного прогнозирования. ГО представляет собой непараметрический подход, гибко адаптирующийся к сложным взаимосвязям между данными и результатом и способный выявлять крайне сложные закономерности.

Основная часть: Мы обобщаем результаты применения методов глубокого обучения в геномном отборе, чтобы сформировать целостное представление об эффективности геномного отбора и показать, как эти инструменты могут помочь в решении сложных задач селекции растений. Кроме того, мы приводим общие рекомендации по эффективному применению методов глубокого обучения, включая их основные принципы и требования к корректному использованию. Обсуждаются преимущества и недостатки этого подхода по сравнению с традиционными методами геномного прогнозирования, а также современные направления применения глубокого обучения.

Выводы: Основное требование для применения глубокого обучения — наличие качественных и достаточно больших обучающих данных. Однако анализ современной литературы по геномному отбору в селекции растений и животных не выявил убедительных преимуществ глубокого обучения перед традиционными моделями геномного прогнозирования с точки зрения точности предсказаний. Вместе с тем имеются убедительные данные о том, что алгоритмы глубокого обучения эффективнее выявляют нелинейные закономерности, чем традиционные геномные модели. Они способны объединять данные из разных источников, что обычно необходимо в селекции с использованием геномного отбора, и могут повышать точность прогнозирования при работе с большими массивами данных в селекции растений. Важно применять глубокое обучение к большим обучающим и тестовым наборам данных.