（来源：南湖新闻网）10月11日，我室王旭彤教授课题组在国际学术期刊Briefings in Bioinformatics在线发表题为最新研究成果。该研究基于卷积神经网络融合CA注意力机制开发出了作物表型预测模型SoyDNGP，并将其应用于大豆性状预测中，与DNNGP、DeepGS等经典预测模型相比，其性能具有明显提升。团队基于该模型搭建了大豆表型预测网站，为该领域研究团队提供免费、开放的预测服务（http://xtlab.hzau.edu.cn/SoyDNGP),为便于各团队自主构建、改进模型算法，得到更加适用的预测模型，团队同时开发出便捷高效的PyPI软件包SoyDNGPNext，为基于基因变异的作物表型预测的相关研究提供了新工具、新方法。

SoyDNGP网页界面

大豆作为我国重要的经济作物，长年高度依赖国外进口，严重影响我国粮食、经济安全。因此，加速我国大豆育种进程，提高国产大豆产量及品质，是作物育种领域至关重要的研究方向。该研究旨在通过根据作物基因型，对种质资源表型的进行高效、准确预测，指导大豆选择育种，从而促进大豆育种研究的进程。算法通过将作物基因型映射至三维矩阵，得到了相较于以往利用One-hot向量所构建的特征图信息密度更高、计算速度更快的模型输入，使用主体为十二层卷积，加入注意力机制的模型在以USDA数据库的5000份种质样本作为训练集，2018年郑州559份大豆样本作为验证集的数据集上进行训练、预测。

模型输入映射示意图

网络结构示意图

在测试集中，该模型在大豆粒重、产量、株高含量等关键性状上相关系数均达到70%，其中粒重达到89%。在验证集上，模型依旧表现出较为良好的性能。模型在野生种与栽培种的蛋白、产量等性状预测比较中，得到了与先验知识相符的实验结果，且在玉米，小麦，番茄以及水稻等作物上均有较为可观的预测效果，证明了该模型具有较好的鲁棒性。

测试集准确率箱型图

验证集相关系数结果图

验证集野生型栽培种预测对比

该项目已获得国家重点研发计划《主要农作物多基因高效聚合技术》(2022YFD1201502) 的经费支持，并由王旭彤教授课题组负责《复杂性状全基因组选择新方法开发》子项目，致力于大豆全基因组选择模型的开发和应用。SoyDNGP模型以其出色的全基因组预测能力，在23个大豆性状的选择模型中实现了高准确度的表型预测，为早期种质资源的快速筛选和种质改良提供了强大的技术支持。同时，将模型应用于杂交双亲的配种后代表型预测，能为育种家筛选提供指导，从而提高目标亲本选择的效率和准确性。

据悉，本研究得到了广州大学孔凡江、方超团队的支持，为模型验证提供了宝贵的种质资源及田间表型数据，并得到了项目首席严建兵教授的帮助。该文章由我校植物科学技术学院智慧农业专业本科生高鹏飞、赵浩楠担任共同第一作者，智慧农业专业本科生罗铮、课题组研究生林依繁、冯万杰、李亚玲为共同作者，我校王旭彤教授、李霞教授与方超副教授担任本文共同通讯作者。

论文链接：https://academic.oup.com/bib/article/24/6/bbad349/7306824?login=true

南湖新闻网链接：http://news.hzau.edu.cn/2023/1016/67996.shtml