Fortschritte bei der Sequenzierung des gesamten Genoms haben die Charakterisierung von Pflanzenarten revolutioniert und eine Fülle genotypischer Daten für die Analyse bereitgestellt. Die Kombination aus genomischer Selektion und neuronalen Netzen, insbesondere Deep Learning und Autoencodern, hat sich als vielversprechende Methode zur Vorhersage komplexer Merkmale aus diesen Daten herausgestellt.
Trotz des Erfolgs bei Anwendungen wie der Pflanzenphänotypisierung bestehen weiterhin Herausforderungen bei der genauen Übersetzung visueller Informationen aus Bildern in messbare Daten für Genomstudien.
Im November 2023, Pflanzenphänomik veröffentlichte einen Forschungsartikel mit dem Titel „GenoDrawing: Ein Autoencoder-Framework für die Bildvorhersage anhand von SNP-Markern.“
Die Studie stellt einen innovativen Ansatz vor, der ein Autoencoder-Netzwerk und einen eingebetteten Prädiktor nutzt, um Apfelbilder in 64 Dimensionen zu vereinfachen und Fruchtformen aus molekularen Daten (SNPs) vorherzusagen.
Bei dieser als GenoDrawing bekannten Methode wird der Autoencoder mit einem großen Datensatz von Apfelbildern trainiert. Die generierten Einbettungen werden dann zusammen mit den SNP-Daten verwendet, um Apfelformen vorherzusagen und zu rekonstruieren.
Die Methode zeigte, dass gezielte SNPs (tSNPs) zufällig ausgewählte SNPs (rSNPs) bei der Vorhersage von Bildeinbettungen durchweg übertrafen, was zu genaueren Fruchtformvorhersagen führte.
Die besten Modelle, die tSNPs verwenden, erzielten im Vergleich zu rSNPs geringere mittlere absolute Fehler (MAEs) und erzeugten Verteilungen, die näher an den Originaldaten lagen. Darüber hinaus sagte die tSNP-basierte Version ein breiteres Spektrum an Fruchtformen voraus und demonstrierte damit ihre Wirksamkeit bei der Erfassung der Vielfalt der Apfelphänotypen.
Die Studie zeigte jedoch Einschränkungen auf, darunter die Unfähigkeit des Modells, bestimmte Fruchtmerkmale und den Einfluss von Umweltfaktoren auf Apfelphänotypen genau zu erfassen.
Trotz dieser Herausforderungen stellt der Ansatz einen bedeutenden Fortschritt in der Genomvorhersage dar und zeigt das Potenzial der Kombination von Bildanalysen mit molekularen Daten zum Verständnis komplexer Merkmale in Nutzpflanzen.
Zusammenfassend deuten die Ergebnisse darauf hin, dass die Auswahl relevanter SNPs für genaue Vorhersagen von entscheidender Bedeutung ist und dass GenoDrawing effektiv lernen kann, Fruchtformen vorherzusagen, wenn die entsprechenden Marker vorhanden sind.
Diese Forschung legt den Grundstein für zukünftige Studien, die darauf abzielen, die Genauigkeit und Anwendbarkeit genomischer Vorhersagemodelle durch die Einbeziehung von Bilddaten und die Verbesserung der SNP-Auswahlstrategien zu verbessern.
Mehr Informationen:
Federico Jurado-Ruiz et al., GenoDrawing: Ein Autoencoder-Framework für die Bildvorhersage anhand von SNP-Markern, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0113
Bereitgestellt von Plant Phenomics