报告题目：基于深度学习的全基因组预测方法DNNGP

报告时间：11月18日下午14:30-16:00

报告人：李慧慧  教授/研究员

报告人简介：

研究员，博士生导师，现任中国农业科学院三亚国家南繁研究院副院长，中国农业科学院作物科学研究所作物基因与分子设计中心副主任，大数据智能设计育种创新团队首席。自2005年以来一直致力于作物数量遗传学研究，围绕数量性状遗传解析方法及育种应用，研制了系列方法和软件工具，在国内外多个科研及育种单位广泛应用。在Molecular Plant, Nature Plants, Molecular Ecology, Trends in Plant Science等期刊发表第一/通讯作者37篇，其中单篇他引超过500次的论文3篇，单篇他引超过100次的论文9篇。获国家基金委优秀青年科学基金项目资助，获中国农学会青年科技奖，并入选中国农科院“农科英才”领军人才。担任农学国际主流期刊Frontiers in Plant Science分刊主编，Theoretical and Applied Genetics, Frontiers in Genetics, Journal of Integrative Agriculture (JIA) 和《作物学报》编委，中国作物学会智慧农业专业委员会秘书长。

报告内容：

全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值（GEBV）进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，推动现代育种向精准化和高效化方向发展。统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机。我们提出利用植物海量多组学数据进行全基因组预测的深度学习方法Deep Neural Network for Genomic Prediction（DNNGP）。以玉米、小麦和番茄上四种不同维度的群体数据为测试材料，与其他五种主流预测方法相比，（1）DNNGP可以利用多组学数据开展全基因组预测；（2）DNNGP算法设计中包含批归一化层（BN layer）、回调函数（early stop）和校正线性激活函数（ReLU）等结构，可以有效避免过拟合，提高收敛速度；（3）DNNGP预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；（4）DNNGP的计算时间与传统方法相近，比已有深度学习方法提速近10倍；（5）与已有深度学习方法相比，DNNGP的超参数调整更加用户友好。DNNGP针对具有复杂结构的海量数据进行高效数学建模，实现了育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。

报告方式：腾讯会议791-117-089

会议链接：https://meeting.tencent.com/dm/VdIivTvWodVo

欢迎广大师生积极参加！

生命科学学院

2022年11月15日