基于自动化CNN模型的小麦非生物胁迫性状SNP预测方法技术

本发明专利技术涉及人工智能技术领域，具体是基于自动化CNN模型的小麦非生物胁迫性状SNP预测方法，该方法从GWAS Atlas数据库收集了与小麦相关的GWAS数据，并构建了一个高质量的突变位点数据集；使用DNA原始序列、基于文本的特征以及基于结构的特征对数据集进行特征提取，使用SHAP方法对输入特征的重要性进行排序并辅助特征选择，解释预测模型的结果；然后构建了一个自动架构搜索框架，采用自动神经架构搜索，使模型在指定的搜索空间内进化，在验证集上实现最佳性能，并在测试集上评估模型的精确度、AUPR和AUC。本发明专利技术提供了一种高效、准确且可解释的深度学习框架，用于预测小麦生物胁迫相关的SNP，从而推动小麦抗逆育种和基因组学研究的发展。

【技术实现步骤摘要】

本专利技术涉及人工智能，具体是基于自动化cnn模型的小麦非生物胁迫性状snp预测方法。

技术介绍

1、单核苷酸多态性（snp）是基因组中最常见的变异类型，与作物的多种性状相关，包括抗病性和抗逆性。全基因组关联研究（gwas）是识别与特定性状相关的snp的主要方法之一。然而，尽管gwas在识别与生物胁迫抗性相关的主要数量性状位点（qtls）方面取得了显著进展，但仍有许多次要基因控制的snp未被识别。此外，高质量基因型数据的缺乏限制了gwas的进一步应用。

2、近年来，深度学习（dl）技术在生物信息学和基因组学领域取得了显著进展。dl方法，特别是卷积神经网络（cnn），在从dna序列中提取结构和局部特征方面表现出色，已被用于预测功能位点、识别遗传变异和预测复杂表型。例如，pau bellot等人使用dl预测人类基因组区域中的功能位点，swat-cnn使用dl识别与表型相关的snp，tlvar使用深度迁移学习模型预测人类基因组序列中的功能非编码变异。尽管这些方法在人类疾病预测中取得了成功，但它们在小麦基因型-表型研究中的应用仍然有限。

3本文档来自技高网...

【技术保护点】

1.基于自动化CNN模型的小麦非生物胁迫性状SNP预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于自动化CNN模型的小麦非生物胁迫性状SNP预测方法，其特征在于，在所述高质量数据集的构建中，包括：

3.根据权利要求2所述的基于自动化CNN模型的小麦非生物胁迫性状SNP预测方法，其特征在于，在所述使用随机森林模型计算每个特征的SHAP值的过程中，采用下式计算SHAP值：

4.根据权利要求3所述的基于自动化CNN模型的小麦非生物胁迫性状SNP预测方法，其特征在于，所述初始化搜索空间与参数，基于控制器生成子模型架构的步骤，包括：

...

【技术特征摘要】

1.基于自动化cnn模型的小麦非生物胁迫性状snp预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于自动化cnn模型的小麦非生物胁迫性状snp预测方法，其特征在于，在所述高质量数据集的构建中，包括：

3.根据权利要求2所述的基于自动化cnn模型的小麦非生物胁迫性状snp预测方法，其特征在于，在所述使用随机森林模型计算每个特征的shap值的过程中，采用下式计算shap值：

4.根据权利要求3所述的基于自动化cnn模型的小麦非生物胁迫性状snp预测方法，其特征在于，所述初始化搜索空间与参数，基于控制器生成子模型架构的步骤，包括：

5.根据权利要求4所述的基...

【专利技术属性】
技术研发人员：蔡梦杰，岳振宇，高羽佳，桂健峰，鲁全，高乐，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人