技術特征：

1.一種基于深度學習的全基因組選擇方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于深度學習的全基因組選擇方法，其特征在于，步驟s1中所述的elastic?net結(jié)合了l1和l2懲罰項，通過參數(shù)調(diào)節(jié)控制二者的比例，確保非零系數(shù)標記數(shù)分別超過500、3000、6000、9000和12000個。

3.根據(jù)權利要求1所述的一種基于深度學習的全基因組選擇方法，其特征在于，步驟s1中所述的特征選擇僅在訓練集上進行，避免人為提高預測準確性。

4.根據(jù)權利要求1所述的一種基于深度學習的全基因組選擇方法，其特征在于，步驟s3中所述的池化策略multi-head?attention?pooling具體包括以下步驟：

技術總結(jié)
本發(fā)明涉及深度學習和動植物分子育種領域，公開了一種基于深度學習的全基因組選擇方法EBMGP。本發(fā)明結(jié)合了基于彈性網(wǎng)(Elastic?Net,EN)的特征選擇方案來優(yōu)化特征集，以減少計算負擔并提升預測準確性。通過采用雙向編碼器表示(Bidirectional?Encoder?Representations?from?Transformers,BERT)嵌入將SNP模擬為類似人類語言的結(jié)構，有效地捕捉了單個SNP以及連鎖不平衡區(qū)塊層面的復雜遺傳相互作用。此外，本發(fā)明還提出了多頭注意力池化(Multi?head?attention?pooling)技術，能夠在學習來自多個子空間的特征時，智能地為特征分配權重，實現(xiàn)對高層次的語義信息的深入理解。相較于7個參比模型，本發(fā)明在五個不同任務中均展現(xiàn)出卓越的平均預測精度。因此EBMGP是一種很有前景的全基因組選擇模型。

技術研發(fā)人員：吉璐,李蘭芝,袁哲明
受保護的技術使用者：湖南農(nóng)業(yè)大學
技術研發(fā)日：
技術公布日：2025/5/15