JGG | 多视图数据的植物基因组预测新方法MVBLUP

文章简介

基于基因组等多组学数据预测植物表型为快速、高效育种提供了便利。随着生物技术的发展，越来越多的生物大数据涌现，为提升表型预测精度提供了丰富的信息资源。多视图数据(Multi-view data)指来自多个来源的数据，可以从不同角度对同一生物对象进行互补性描述。整合多视图数据可以提高预测精度，然而其数据间存在复杂的相关性和异质性问题，目前仍缺乏有效的方法将这些数据进行充分整合利用。

近日，Journal of Genetics and Genomics在线发表华中农业大学杨文宇副教授团队题为“Multi-view BLUP: a promising solution for post-omics data integrative prediction”的研究论文。该研究提出一种多视图最佳线性无偏预测模型MVBLUP (https://github.com/bjwu555/MVBLUP)，可以将多视图信息有效整合到表型预测中，提高植物复杂性状预测能力。

MVBLUP是一种灵活的机器学习方法。它基于差分进化算法，通过为多视图数据分配权重的方式，有效整合多维度、多视角信息，实现对复杂性状的精准预测。差分进化算法借鉴自然界中物种的进化机制，模拟进化过程中的变异(Mutation)、重组(Crossover)和选择(Selection)等生物学过程，经过多代演化，最终携带多视图数据最优权重的个体被保留下来。通过在番茄、水稻、玉米等多个数据集中对MVBLUP方法进行验证，发现MVBLUP能够有效提升农作物产量等复杂性状的预测精度，与BLUP、LASSO和XGBoost等模型相比，提升幅度最高可达20%。综上所述，MVBLUP技术将有助于加速选育农作物新品种，为未来农作物基因组设计育种提供技术支持。

MVBLUP模型工作流程图

MVBLUP算法及特点

MVBLUP算法步骤

1. 标准化（Normalization）：

• 输入向量通过Z分数方法进行标准化处理。

• 为差分进化（DE）算法初始化随机权重，建立初始种群。

3. 训练（Training）：

• 利用差分进化算法的“变异和交叉”步骤更新权重向量。

• 使用更新后的权重向量通过相似性函数计算多视角亲缘关系矩阵。

• 利用差分进化算法的“选择”步骤更新权重向量，使用五折交叉验证的平均预测准确度作为适应度函数。

• 重复以下步骤K次或使用早停机制（early stopping mechanism）：

5. 预测（Prediction）：

• 使用优化后的多视角亲缘关系矩阵进行表型预测。

MVBLUP算法特点

1. 多视角数据整合：

• MVBLUP方法能够整合来自不同来源（视角）的数据，这些数据可以提供互补信息，以更全面地描述生物学对象。

3. 自适应权重调整：

• 通过差分进化算法（DE）动态确定多视角特征的最佳整合权重，以反映每个视角的重要性。

5. 提高预测准确性：

• 与单视角方法相比，MVBLUP在多个数据集上显示出提高的预测准确性。

7. 差分进化算法（DE）：

• DE算法用于优化权重，模拟自然进化过程，通过变异、交叉和选择操作进化种群，寻找最优解。

9. 早期停止机制：

• 当适应度函数值的最大误差低于指定容忍度或达到最大迭代次数时，DE算法将停止，以节省计算成本。

11. 灵活性和可扩展性：

• MVBLUP算法灵活，可以适应不同的多视角场景，并且可以扩展到更广泛的多视角数据整合，包括RGB图像和基于光谱图像的表型数据等。

具体参见源码GitHub：https://github.com/bjwu555/MVBLUP

MVBLUP使用

1. 输入数据准备

1.1 多视角文件（Multi_view file）：

• 需要包含表头，第一列显示个体名称。

• 基因型文件中的基因型（如AA, AT, TT）需要转换为基于等位基因频率的整数格式（0, 1, 或 2）。

• 转录组数据、代谢组数据和其他特征数据也必须是数值格式。

1.2 表型文件（Phenotypic file）：

• 必须包含表头，代表性状名称。

• 第一列显示个体名称，性状值为数值格式，缺失值表示为NA。

2. 使用方法

2.1 分析前准备：

• 准备表型数据和多视角数据文件，确保所有文件中的个体顺序一致。

2.2 读取文件：

• 使用R代码读取多视角数据和表型数据文件。

# read multi-view data
Multi_view1 <- read.table("./data/Multi_view1.txt",
header=TRUE,
sep="",
stringsAsFactors=0,
check.names=FALSE)
# read phenotype
Phenotype <- read.table("./data/Phenotype.txt",
header = TRUE,
sep = "",
stringsAsFactors = 0,
check.names = FALSE)

2.3 划分训练集和测试集：

• 准备一个文本表格，包含个体的集合信息，第一列是个体名称，第二列是集合身份（训练或测试）。

• 使用R代码读取集合信息。

train_test_id <- read.table("./data/train_test_id.txt",
header = TRUE,
sep = "",
stringsAsFactors = 0,
check.names = FALSE)

2.4 获取多视角亲缘关系矩阵：

• 定义相似性函数来量化两个个体之间的相似性，并用它来计算多视角亲缘关系矩阵。

• 首先，使用单视角数据集的内积计算初始关系矩阵。

• 然后，使用MVBLUP模型获得的权重对初始单视角亲缘矩阵进行加权求和，得到多视角初始亲缘矩阵。

• 将这个矩阵纳入相似性函数，得到精细的多视角亲缘矩阵。

A_N <- similarity_inner_product(Multi_dataset, n)
A <- similarity_kinship(A_M)
# Notes:
# 1.Multi_dataset: a list composed of multi-view datasets.
# 2.n: the number of multi-view datasets.
# 3.A_M: a multi-view initial kinship matrix, constructed through the weighted integration of inner products derived from single-view data.

2.5 优化单视角数据集的权重：

• 在训练集中，构建差分进化算法来寻找最优权重集合，这些权重代表不同单视角数据在表型预测中的重要性。

• 使用“MVBLUP_weights”函数获得最优权重值。

MVBLUP_results <- MVBLUP_weights(NP, n,
CR, Mu,
s0, s1,
thre, iter,
cv, trid,
A_N,
Phenotype,
train_test_id)
#Notes:
#1.NP: the size of population.
#2.n: the number of multi-view datasets.
#3.CR: crossover factor.
#4.Mu: scaling factor.
#5.s0: the lower bounds of the search space for weights.
#6.s1: the upper bounds of the search space for weights.
#7.thre: threshold of the early stopping mechanism.
#8.iter: maximum iteration.
#9.cv: the number of folds for cross validation.
#10.trid: which trait.
#11.A_N: the single-view inner product for calculating multi-view kinship matrix.
#12.Phenotype: demonstrative phenotypic data with 100 individuals and 2 traits.
#13.train_test_id : file that identifies the sample IDs for the training and test sets.

2.6 测试MVBLUP模型的准确性：

• 在测试集中，将上述最优权重值与多视角数据整合用于预测，并计算测试集中观测值与预测值之间的相关性，作为MVBLUP模型的准确性。

MVBLUP_accuracy <- MVBLUP_PreTest(kinship_test,
testop1_ex,
trainop1_ex)
#Notes:
#1.kinship_test: multi-view kinship matrix obtained from the MVBLUP model.
#2.testop1_ex: true phenotypes of the test set.
#3.trainop1_ex: true phenotypes of the train set.

3. 输出结果

3.1 输出不同单视角数据集的权重：

• “MVBLUP_weights”函数可以学习不同视角数据集的最优权重，以最大化基因组预测性能。

• 用户可以通过“MVBLUP_results$MVBLUP_information”获得最优权重。

3.2 输出预测的表型和测试集的准确性：

• “MVBLUP_PreTest”函数计算MVBLUP模型的准确性，用户可以通过“MVBLUP_accuracy”获得预测值和预测准确性。

3.3 可视化MVBLUP算法的学习工作流程：

• 使用“plot_learning”函数可视化MVBLUP算法的学习工作流程，生成两个图表：1）八种不同数据类型的迭代训练过程；2）MVBLUP模型学习过程中最优权重的变化。

plot_learning(MVBLUP_results$Training_Accuracy,
MVBLUP_results$Training_Weight,
MVBLUP_results$MVBLUP_information,
output_path)
#Notes:
#1.MVBLUP_results$Training_Accuracy: the average accuracy obtained from each iteration of five-fold cross-validation on the training set.
#2.MVBLUP_results$Training_Weight: the optimal weights obtained in each iteration.
#3.MVBLUP_results$MVBLUP_information: the optimal weight values and the number of iterations required for convergence
#4.output_path: the path for storing the output results.

碎碎念

多视图数据在GS中也发了不少文章了，如很多研究将基因组、转录组、代谢组、蛋白组等数据整合到G矩阵中，但几乎都不区分不同组学的权重，认为它们具有相同的效应。MVBLUP主要就是把每一类数据集都训练赋予权重值，进而建模预测。这实际上是杨老师TOP（Target-Oriented Prioritization）算法的延伸，只不过TOP是对不同表型性状进行权重预测，在一定程度上替代了常见的综合选择指数。

算法很好，值得借鉴研究。但限于成本，多组学数据在短期内是不可能直接应用于育种的。当然，多视图数据不局限多组学（具有不同特征集的相同样本），多类型数据（同一特征集测量的不同样本组）、多环境数据（在不同条件下由同一特征集测量的相同样本）、多关系数据（同一系统中的不同特征和不同样本）都是可以尝试的。

现代育种是一个非常系统化的工程，GS交叉性极强，需要不同专业的人来做，最好既能懂育种、又懂算法、还能搞开发，才能落地实践。