CN119446290A 基于自动化cnn模型的小麦非生物胁迫性状snp预测方法 （安徽农业大学）

基于自动化CNN模型的小麦非生物胁迫性状自动化CNN模型的小麦非生物胁迫性状SNP预测SHAP方法对输入特征的重要性进行排序并辅助的SNP，从而推动小麦抗逆育种和基因组学研究2通过基于文本的特征、基于结构的特征对高质量数据集的DNA原始序列进行多维特征构建一个具有搜索空间的深度学习模型，在深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，其基于GWASAtlas数据库中收集与小麦相关的全基因组关联研究数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;式中：表示特征i的SHAP值；M表示随机森林中树的数量；t表示随机森林中树的索xx4.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35.根据权利要求4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;训练后在验证集Dval评估，通过计算AUPR和AUC指标，;;6.根据权利要求2至5任一项所述的基于自动化CNN模型的小麦非生物胁迫性状SNP预利用稀疏自动编码器SAE为每个输入特征7.根据权利要求6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4;;8.根据权利要求7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mlpMLP训练中，通过调整权重参数W学习变量间映射关系，其中，以均方mlp;从MLP第一个参数矩阵收集多粒度加权邻接矩阵S，其元素sij表示变量因果关5[0001]本发明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[0004]目前，已有一些方法尝试使用深度学习技术来预测小麦中的SNP与生物胁迫抗性[0005]本发明实施例的目的在于提供基于自动化CNN模型的小麦非生物胁迫性状SNP预通过基于文本的特征、基于结构的特征对高质量数据集的DNA原始序列进行多维6构建一个具有搜索空间的深度学习模型，在深度学习模型的自动架构搜索框架CD_HIT工具识别和合并高度相似的序;确定每层网络可选计算操作及超参数范围；设定计算操作选择概率分布表示为πWrnn每轮搜索迭代t，控制器依当前架构状态st及输入信息生成每层网络计算操作概;7;;tttt的概率分布；[0011]进一步的，还包括采用多粒度因果结构学习方法识别DNA序列与功能结构的因果以原始微观变量与经SAE粗粒化得到的宏观变量串联作为输入，选用均方误差作为误差;;mlpMLP训练中，通过调整权重参数Wmlp8从MLP第一个参数矩阵收集多粒度加权邻接矩阵S，其元素sij表示变量因[0017]图1为本发明基于自动化CNN模型的小麦非生物胁迫性状SNP预测方法的实现流程图2为本发明基于自动化CNN模型的小麦非生物胁迫性状SNP预测方法中SHAP特征9CD_HIT工具识别和合并高度相似的序[0022]具体的，本发明从GWASAtlas数据库中收集了与小麦相关的全基因组关联研究本发明对收集到的数据经过一系列的处理步骤以构建高质量的突变位点数据集：挑选那些被注释为与非生物胁迫响应或基本代谢过程等无关生物胁迫功能的SNPs作为负[0027]基于以上三种方案，并结合两种序列长度（41和101nt构建得到多个基准数据[0032]关于DNA2vec：DNA2vec模型将DNA序列中的可变长度k_mers编码成一致的向量表概述了DNA结构在蛋白质结合和基因调控中的重要性，关注了基于碱基的读取和形状读取测模型的结果，将步骤S102中四种编码方式提取的数据合并成一个具有1623维的行向量，[0037]具体的，本发明将步骤S102中提取的DNA序列多维特征以one_hot，DNA2vec，;特征子集S和特征i时的预测值。免过拟合等问题，最终得到一个经过优化、更适合用于预测小麦生物胁迫相关SNP的特征每轮搜索迭代t，控制器依当前架构状态st及输入信息生成每层网络计算操作概;;;tttt的概率分布；[0047]进一步的，本发明的预测方法还包括采用多粒度因果结构学习方法识别DNA序列;;mlpMLP训练中，通过调整权重参数Wmlpmlpmsemlpmse[0052]本发明通过独立数据