Les progrès dans le séquençage du génome entier ont révolutionné la caractérisation des espèces végétales, fournissant une richesse de données génotypiques à analyser. La combinaison de la sélection génomique et des réseaux neuronaux, notamment l’apprentissage profond et les auto-encodeurs, s’est révélée être une méthode prometteuse pour prédire des traits complexes à partir de ces données.
Malgré le succès d’applications telles que le phénotypage végétal, des défis subsistent pour traduire avec précision les informations visuelles des images en données mesurables pour les études génomiques.
En novembre 2023, Phénomique des plantes a publié un article de recherche intitulé « GenoDrawing : un cadre d’encodeur automatique pour la prédiction d’images à partir de marqueurs SNP« .
L’étude présente une approche innovante utilisant un réseau d’auto-encodeurs et un prédicteur intégré pour simplifier les images de pommes en 64 dimensions et prédire les formes des fruits à partir de données moléculaires (SNP).
Cette méthode, connue sous le nom de GenoDrawing, consiste à entraîner l’auto-encodeur avec un grand ensemble de données d’images de pomme. Les intégrations générées, ainsi que les données SNP, sont ensuite utilisées pour prédire et reconstruire les formes des pommes.
La méthode a montré que les SNP ciblés (tSNP) surpassaient systématiquement les SNP sélectionnés au hasard (rSNP) dans la prédiction des intégrations d’images, ce qui permettait d’obtenir des prédictions plus précises de la forme des fruits.
Les meilleurs modèles utilisant les tSNP ont obtenu des erreurs absolues moyennes (MAE) plus faibles et ont produit des distributions plus proches des données originales par rapport aux rSNP. De plus, la version basée sur le tSNP prédit une plus large gamme de formes de fruits, démontrant ainsi son efficacité à capturer la diversité des phénotypes de pomme.
Cependant, l’étude a révélé des limites, notamment l’incapacité du modèle à capturer avec précision certaines caractéristiques du fruit et l’influence des facteurs environnementaux sur les phénotypes des pommes.
Malgré ces défis, l’approche représente une avancée significative dans la prédiction génomique, démontrant le potentiel de la fusion de l’analyse d’images avec des données moléculaires pour comprendre des caractéristiques complexes des cultures.
En résumé, les résultats suggèrent que la sélection des SNP pertinents est cruciale pour des prédictions précises et que GenoDrawing peut apprendre efficacement à prédire la forme des fruits lorsqu’on lui donne les marqueurs appropriés.
Cette recherche jette les bases de futures études visant à améliorer la précision et l’applicabilité des modèles de prédiction génomique en incorporant des données d’image et en améliorant les stratégies de sélection des SNP.
Plus d’information:
Federico Jurado-Ruiz et al, GenoDrawing : un cadre d’encodeur automatique pour la prédiction d’images à partir de marqueurs SNP, Phénomique des plantes (2023). DOI : 10.34133/plantphenomics.0113
Fourni par Plant Phenomics