本發(fā)明涉及生物信息學(xué)和機器學(xué)習(xí)領(lǐng)域，尤其涉及一種基于機器學(xué)習(xí)的水稻基因型與表型關(guān)聯(lián)預(yù)測的方法。

背景技術(shù)：

1、在現(xiàn)代農(nóng)業(yè)科學(xué)中，水稻作為全球主要糧食作物之一，水稻的產(chǎn)量和品質(zhì)直接影響著人類的食品安全與營養(yǎng)供應(yīng)。傳統(tǒng)的育種方法依賴于表型觀察和經(jīng)驗積累，耗時且效率低下，而水稻的基因型與表型之間的關(guān)聯(lián)研究有助于揭示遺傳基礎(chǔ)，從而為育種提供科學(xué)依據(jù)。隨著基因組學(xué)和生物信息學(xué)的發(fā)展，以及基因組測序技術(shù)的快速進(jìn)步，積累了大量的基因組數(shù)據(jù)，結(jié)合機器學(xué)習(xí)的方法來探索基因型與表型之間的關(guān)聯(lián)，不僅提高了研究的效率，還能夠為水稻的遺傳改良提供科學(xué)依據(jù)，有助于科學(xué)家們在基因組選擇和育種過程中進(jìn)行精確的性狀預(yù)測與篩選，基因型與表型的關(guān)聯(lián)預(yù)測方法必將在水稻育種中發(fā)揮更加重要的作用。

2、綜上，現(xiàn)有的水稻基因型與表型關(guān)聯(lián)預(yù)測的方法存在如下技術(shù)問題：基因型數(shù)據(jù)由于不同基因位點的數(shù)據(jù)分布不均勻或周期性變化而難以準(zhǔn)確捕捉特征信息，尤其是在農(nóng)業(yè)基因型研究中，水稻的基因型數(shù)據(jù)表現(xiàn)出稀疏性，同時，不同基因位點與水稻生長的周期性變化密切相關(guān)，且現(xiàn)有特征提取方法難以識別復(fù)雜特征；在農(nóng)業(yè)基因型與表型預(yù)測方面，尤其是水稻育種、抗病性增強和產(chǎn)量優(yōu)化領(lǐng)域，缺少專門針對生物信息學(xué)特征提取與關(guān)聯(lián)預(yù)測的有效方法，在捕捉基因型復(fù)雜模式和表型預(yù)測上存在局限，難以應(yīng)對水稻基因間的復(fù)雜交互特征；在處理特征冗余時表現(xiàn)不足，導(dǎo)致對某些不重要或冗余特征的過度依賴。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于機器學(xué)習(xí)的水稻基因型與表型關(guān)聯(lián)預(yù)測的方法，以解決基因型數(shù)據(jù)由于不同基因位點的數(shù)據(jù)分布不均勻或周期性變化而難以準(zhǔn)確捕捉特征信息，尤其是在農(nóng)業(yè)基因型研究中，水稻的基因型數(shù)據(jù)表現(xiàn)出稀疏性，同時，不同基因位點與水稻生長的周期性變化密切相關(guān)，且現(xiàn)有特征提取方法難以識別復(fù)雜特征；在農(nóng)業(yè)基因型與表型預(yù)測方面，尤其是水稻育種、抗病性增強和產(chǎn)量優(yōu)化領(lǐng)域，缺少專門針對生物信息學(xué)特征提取與關(guān)聯(lián)預(yù)測的有效方法，在捕捉基因型復(fù)雜模式和表型預(yù)測上存在局限，難以應(yīng)對水稻基因間的復(fù)雜交互特征；在處理特征冗余時表現(xiàn)不足，導(dǎo)致對某些不重要或冗余特征過度依賴的技術(shù)問題。

2、一種基于機器學(xué)習(xí)的水稻基因型與表型關(guān)聯(lián)預(yù)測的方法，包括以下步驟：

3、s1：收集水稻樣本的基因型數(shù)據(jù)和表型數(shù)據(jù)，采用動態(tài)特征提取算法生成基因型特征，從而得到基因型特征集合；

4、s2：構(gòu)建基因型與表型關(guān)聯(lián)預(yù)測模型，基于基因型特征集合來預(yù)測表型。

5、優(yōu)選的，所述s1，具體包括：

6、基因型特征的計算公式為：

7、

8、其中，表示第個水稻樣本在第個基因位點的基因型特征的值；表示第個基因位點的基因型特征的權(quán)重；表示第個水稻樣本在第個基因位點的基因型數(shù)據(jù)；表示雙曲正切函數(shù)；表示第個基因位點在所有水稻樣本中的均值；表示第個基因位點在所有樣本中的標(biāo)準(zhǔn)差；表示正弦函數(shù)。

9、優(yōu)選的，所述s2，具體包括：

10、基因型與表型關(guān)聯(lián)預(yù)測模型通過對基因型特征的學(xué)習(xí)和提取來預(yù)測表型；基因型與表型關(guān)聯(lián)預(yù)測模型包括輸入層、交互特征學(xué)習(xí)層、殘差連接層、動態(tài)特征選擇層和輸出層。

11、優(yōu)選的，所述s2，具體包括：

12、將基因型特征集合作為輸入特征輸入到輸入層；所述交互特征學(xué)習(xí)層引入生物信息學(xué)中的基因交互特征學(xué)習(xí)機制，通過元素級乘積操作，將基因型特征中的每個元素按位相乘，同時，通過外積操作生成一個矩陣，矩陣中每個元素都表示不同特征之間的非線性交互；通過引入交互特征學(xué)習(xí)層的權(quán)重矩陣，將元素級乘積與外積的結(jié)果轉(zhuǎn)換到輸出特征空間，并使用偏置向量調(diào)整輸出結(jié)果；通過非線性的激活函數(shù)學(xué)習(xí)非線性關(guān)系。

13、優(yōu)選的，所述s2，具體包括：

14、殘差連接層將交互特征學(xué)習(xí)層的輸出結(jié)果與基因型特征集合進(jìn)行組合，并引入門控機制，通過激活函數(shù)控制輸入特征的傳遞；并輸出經(jīng)過殘差連接層后水稻樣本的基因型特征集合。

15、優(yōu)選的，所述s2，具體包括：

16、動態(tài)特征選擇層根據(jù)經(jīng)過殘差連接層后水稻樣本的基因型特征對預(yù)測結(jié)果的貢獻(xiàn)動態(tài)調(diào)整基因型特征的權(quán)重，調(diào)整的依據(jù)有兩個方面：一是每個基因型特征在之前輪次中對損失函數(shù)的貢獻(xiàn)度；二是相似性懲罰機制；并輸出經(jīng)過動態(tài)特征選擇后的水稻樣本的基因型特征集合。

17、優(yōu)選的，所述s2，具體包括：

18、相似性懲罰機制是指在兩個基因型特征的表現(xiàn)非常相似的情況下，會減少其中一個基因型特征的權(quán)重，通過逐步篩選和加權(quán)，將重要的特征進(jìn)行放大，最終使得基因型與表型關(guān)聯(lián)預(yù)測模型關(guān)注對預(yù)測結(jié)果最為關(guān)鍵的特征。

19、優(yōu)選的，所述s2，具體包括：

20、設(shè)計基于特征相似性和基因貢獻(xiàn)度的優(yōu)化損失函數(shù)，判斷預(yù)測效果，并根據(jù)損失函數(shù)值通過反向傳播對各個基因型特征的權(quán)重進(jìn)行更新；基于特征相似性和基因貢獻(xiàn)度的優(yōu)化損失函數(shù)的計算公式為：

21、

22、其中，表示第輪迭代時損失函數(shù)值；表示損失函數(shù)中的平均因子；表示對個水稻樣本進(jìn)行求和；表示對個表型數(shù)據(jù)進(jìn)行求和；表示第個表型數(shù)據(jù)的重要性權(quán)重；表示第個水稻樣本的第個表型數(shù)據(jù)；表示預(yù)測的第個水稻樣本的第個表型數(shù)據(jù)；表示正則化項。

23、優(yōu)選的，所述s2，具體包括：

24、在經(jīng)過交互特征學(xué)習(xí)、殘差連接以及動態(tài)特征選擇處理后，輸出層對處理后的水稻樣本的基因型特征集合進(jìn)行線性變換，并通過激活函數(shù)對線性變換后的結(jié)果進(jìn)行映射；

25、表型數(shù)據(jù)集的預(yù)測公式為：

26、

27、其中，表示預(yù)測的第個水稻樣本的表型數(shù)據(jù)集；表示型激活函數(shù)，用于將線性變換后的結(jié)果映射在之間；表示經(jīng)過動態(tài)特征選擇后的第個水稻樣本的基因型特征集合；表示輸出層的權(quán)重矩陣；表示輸出層的偏置向量。

28、本發(fā)明的技術(shù)方案的有益效果是：

29、1、通過基于生物信息學(xué)優(yōu)化的動態(tài)特征提取算法，有效捕捉了基因型數(shù)據(jù)中的稀疏性、周期性及復(fù)雜的非線性關(guān)系，具體地，采用了對基因型數(shù)據(jù)的標(biāo)準(zhǔn)化處理、對數(shù)變換、雙曲正切函數(shù)及正弦函數(shù)組合的方式，使得提取出的特征準(zhǔn)確且全面，增強了對水稻基因型數(shù)據(jù)中重要信息的捕捉能力，從而提高了預(yù)測水稻表型（如產(chǎn)量、抗病性等）準(zhǔn)確性，有助于加速農(nóng)業(yè)育種過程，提供了精確的水稻基因信息，從而有效提升了作物的產(chǎn)量及抗病性水平。

30、2、在交互特征學(xué)習(xí)層中，利用元素級乘積和外積操作，有效捕捉了基因型特征之間的線性和非線性交互信息，增強了基因型與表型關(guān)聯(lián)預(yù)測模型對基因間復(fù)雜關(guān)系的學(xué)習(xí)能力，從而為水稻的育種優(yōu)化提供了強大的技術(shù)支撐。

31、3、通過殘差連接層，克服了梯度消失或梯度爆炸問題，殘差結(jié)構(gòu)的引入保證了原始特征信息能夠在復(fù)雜學(xué)習(xí)過程中得以保留，即使特征經(jīng)過多層變換后仍然能夠保持原有信息，使得水稻基因型與表型關(guān)聯(lián)預(yù)測能夠在復(fù)雜數(shù)據(jù)條件下依然獲得準(zhǔn)確的結(jié)果。

32、4、在動態(tài)特征選擇層中，通過對不同特征的貢獻(xiàn)度和相似性懲罰機制進(jìn)行調(diào)整，逐步優(yōu)化特征權(quán)重，減少了冗余特征對預(yù)測結(jié)果的影響，有效防止了基因型與表型關(guān)聯(lián)預(yù)測模型過擬合，從而提高了基因型與表型關(guān)聯(lián)預(yù)測模型的泛化能力，能夠適應(yīng)不同水稻種植條件和環(huán)境下的表型預(yù)測需求，顯著增強了基因型與表型關(guān)聯(lián)預(yù)測模型的實用性和穩(wěn)定性，為農(nóng)業(yè)育種及作物改良提供了穩(wěn)健的決策支持。

33、5、基因型與表型關(guān)聯(lián)預(yù)測模型不僅能夠用于水稻的育種優(yōu)化、抗病性增強和產(chǎn)量預(yù)測，還可以擴展應(yīng)用于其他作物的基因型分析，通過機器學(xué)習(xí)方法挖掘基因型與表型之間的復(fù)雜關(guān)系，具有強大的可移植性，為其他農(nóng)業(yè)作物的基因分析和育種工作提供了技術(shù)支撐。

34、6、基于生物信息學(xué)優(yōu)化的動態(tài)特征提取算法與機器學(xué)習(xí)模型的結(jié)合，能夠有效提升水稻及其他作物基因型與表型的關(guān)聯(lián)預(yù)測能力，具有實用性、擴展性和穩(wěn)定性。