基于芯片数据的长白猪繁殖性状基因组选择研究
Research on Genomic Selection of Reproductive Traits in Landrace Pigs Based on Chip Data
摘要旨在比较不同基因组预测模型预测准确性与运行效率,以探究支持向量机(SVM)回归与随机森林(RandomForest)回归在基因组预测中的应用价值与应用前景.本研究使用博瑞迪猪50K液相芯片,采用GBLUP、BayesB、BayesLASSO、SVM回归和RandomForest回归等基因组预测模型,对1 001头长白猪繁殖性状进行基因组预测评估.研究发现,在总产仔数、产活仔数、窝重等繁殖性状中,使用SVM回归径向基函数核的评估准确性均最高;产活仔数、窝重在参数C值为1时评估准确性达到最大值,总产仔数在参数C值为2时评估准确性达到最大值.在总产仔数、产活仔数、窝重等繁殖性状中,使用RandomForest回归评估ntree、mtry、nodesize等参数时发现,基因组预测准确性随着参数的变化展现一定的随机性.RandomForest回归模型在总产仔数、产活仔数、窝重中的评估准确性均最高,其次为SVM回归,GBLUP、BayesB、BayesLASSO等模型遗传评估准确性较差且保持一致.交叉验证相关性显示,不同模型遗传评估结果存在较强的相关性,为0.806~0.995.SVM回归与RandomForest回归等非参数机器学习模型在猪繁殖性状基因组选择中具有一定的优势,但运行时间在一定程度上限制了这些算法的使用.随着算法的研究优化,SVM回归与RandomForest回归等非参数机器学习模型将具有良好的应用前景.
更多相关知识
- 浏览2
- 被引5
- 下载1

相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文


换一批



