Details

Объектом исследования является коллекция из 408 образцов нута (\textit{Cicer arietinum}) из генбанка ВИР, охарактеризованная по однонуклеотидным полиморфизмам и фенотипическим признакам. Цель работы заключается в разработке модели прогнозирования фенотипических признаков по геномным данным, представленным в виде синтетических изображений. В работе реализовано кодирование ОНП-маркеров на основе отклонений от равновесия Харди--Вайнберга и преобразование последовательностей в синтетические изображения методами углового поля Грама (GAF) и поля переходов Маркова (MTF). Предложено трёхканальное представление, объединяющее указанные кодировки в одном изображении. Выполнено сравнительное исследование моделей глубокого обучения, ансамблевых методов и классических алгоритмов машинного обучения. Установлено преимущество кодировки MTF над GAF для большинства исследованных признаков. Наилучший результат получен для признака форма боба: точность классификации составила 0.918 для модели DenseNet-121. С использованием метода Grad-CAM выявлены геномные регионы, оказывающие наибольшее влияние на прогноз устойчивости к аскохитозу. Результаты работы могут быть использованы для предварительной оценки коллекций нута в селекционных программах и адаптированы для других сельскохозяйственных культур. Разработанный подход подтверждает возможность эффективного прогнозирования фенотипических признаков по геномным данным с использованием синтетических изображений.

The object of the study is a collection of 408 chickpea (\textit{Cicer arietinum}) accessions from the VIR genebank characterized by single nucleotide polymorphisms and phenotypic traits. The aim of the work is to develop a model for predicting phenotypic traits from genomic data represented as synthetic images. An SNP encoding approach based on deviations from Hardy--Weinberg equilibrium was implemented together with transformation of genomic sequences into synthetic images using Gramian Angular Field (GAF) and Markov Transition Field (MTF) methods. A three-channel representation combining these encodings into a single image was proposed. Comparative analysis of deep learning models, ensemble methods, and classical machine learning algorithms was performed. The results demonstrate the superiority of MTF encoding over GAF for most studied traits. The best performance was achieved for the pod-shape trait, where DenseNet-121 reached an accuracy of 0.918. Grad-CAM analysis was used to identify genomic regions that contribute most to the prediction of ascochyta blight resistance. The proposed approach can be applied to the preliminary evaluation of chickpea collections in breeding programs and adapted to other crop species. The obtained results confirm the feasibility of effective phenotype prediction from genomic data using synthetic images.