.png){kind=icon}
返回
An interpretable integrated machine learning framework for genomic selection
.png){kind=icon}
OA
AI
DOI：10.1016/j.atech.2025.101138.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管机器学习（ML）方法在基因组选择（GS）中展现出日益增长的潜力，但若干关键挑战阻碍了其广泛应用。本研究开展了一项综合分析，比较了各类机器学习模型的性能，并探讨了参数优化、降维、特征选择以及“黑箱”问题。我们还提出了一种高效且可解释的框架NTLS（NuSVR + TPE + LightGBM + SHAP）。在约克夏猪群的预测中，NTLS优于基因组最佳线性无偏预测（GBLUP）模型，在100 kg日龄（DAYS）、100 kg背膘厚（BF）和活产仔猪数（NBA）的预测准确率上分别提升了5.1%、3.4%和1.3%。此外，我们引入了NuSVR模型，该模型在九种比较算法中达到了最高的准确率。本研究结果进一步强调了可解释学习在GS中的重要性，并提供了SHAP算法的详细多层级应用。
Keyword:
Genomic selection
Pig
Machine learning
Dimensionality reduction
Interpretability
期刊
IF:
5.7
论文数:
2.5K
被引数:
2.5K
机构
引用论文
.png){kind=icon}
Effect of polymorphisms in the CAMKMT gene on growth traits in Ujumqin sheepCAMKMT基因多态性对Ujumqin绵羊生长性状的影响
PREAI
分享收藏Predicting Mortality in Intensive Care Unit Patients With Heart Failure Using an Interpretable Machine Learning Model: Retrospective Cohort Study使用可解释的机器学习模型预测重症监护病房心力衰竭患者的死亡率: 回顾性队列研究OAAI
OAAI分享收藏Genome‐wide epistatic interactions of litter size at birth in Chinese indigenous pigs中国地方猪种初生窝产仔数全基因组上位性互作
PREAI
分享收藏PC‐DOT: Improving genomic prediction ability of principal component regression by DOT productPC‐DOT：通过点积运算改进主成分回归的基因组预测能力
PREAI
分享收藏
查看更多内容