Детальная информация

Работа посвящена проблеме поиска эффективного решения задачи фенотипирования, в условиях растущего спроса создавать сорта сельскохозяйственных культур с более высоким потенциалом урожайности и устойчивости к абиотическим стрессам. Современные методы молекулярной селекции растений требуют точных инструментов для прогнозирования фенотипа на основе генетической информации. В частности, в сельском хозяйстве важно учитывать не только средние прогнозные значения признаков, но и их возможные колебания, обусловленные изменениями условий внешней среды.  В данном исследовании представлен инновационный подход, сочетающий архитектуры трансформеров и вариационный автоэнкодер (VAE), для предсказания фенотипов нута: массы 1000 семян (TSW) и высоты растения(Ptht) на основе генотипических данных. В рамках исследования также изучаются современные методы обучения на основе ансамблевых регрессионных моделей для сравнительного анализа эффективности и точности по сравнению с полученной трансформенной архитектурой. В результате исследования удалось обучить регрессионные модели, способные предсказывать фенотипические признаки для нута на основе его генетической информации, а также провести анализ между перспективными инструментами для селекции сельскохозяйственных культур.

The work is devoted to the problem of finding an effective solution to the problem of phenotyping, in the context of growing demand to create varieties of agricultural crops with higher yield potential and resistance to abiotic stress. Modern methods of molecular plant breeding require precise tools for predicting the phenotype based on genetic information. In particular, in agriculture it is important to consider not only the average predicted values of traits, but also their possible fluctuations due to changes in environmental conditions. This study presents an innovative approach combining transformer architectures and variational autoencoder (VAE) to predict chickpea phenotypes: thousand seed weight (TSW) and plant height trait (Ptht) from genotypic data. The study also examines state-of-the-art ensemble regression model learning methods to compare their performance and accuracy with the resulting transform architecture. The study resulted in training regression models capable of predicting phenotypic traits for chickpea based on its genetic information, as well as conducting an analysis between promising crop breeding tools.