本發(fā)明屬于動植物選育，具體涉及基于ml算法的最優(yōu)親本組合選配方法、電子設(shè)備和存儲介質(zhì)。

背景技術(shù)：

1、農(nóng)業(yè)育種是一項復雜且耗時的工作，傳統(tǒng)方法主要依賴于專家經(jīng)驗和大量的田間試驗。然而，隨著基因組學和信息技術(shù)的發(fā)展，能夠收集和分析的大規(guī)模數(shù)據(jù)越來越多，傳統(tǒng)的方法顯得效率低下且難以充分利用這些數(shù)據(jù)。

2、在相關(guān)技術(shù)中，使用傳統(tǒng)模型進行選種，在標記數(shù)和樣本數(shù)很大情況下，運行效率和準確率都不高。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于ml算法的最優(yōu)親本組合選配方法、電子設(shè)備和存儲介質(zhì)，以解決現(xiàn)有技術(shù)中存在的選種效率低且準確率不高的問題。

2、第一方面，本發(fā)明提供了一種基于ml算法的最優(yōu)親本組合選配方法，包括：獲取種子樣本的性別信息、基因型數(shù)據(jù)和表型數(shù)據(jù)；基于ml算法對所述種子樣本進行交叉驗證，得到最優(yōu)模型；根據(jù)所述性別信息對所述種子樣本進行排列組合，得到親本組合情況；計算出所有所述親本組合情況的育種能力；采用所述最優(yōu)模型，并根據(jù)所述育種能力識別出最優(yōu)親本組合。

3、在一些實施方式中，基于ml算法對所述種子樣本進行交叉驗證，得到最優(yōu)模型，具體包括：根據(jù)所述種子樣本，采用lgbm機器算法構(gòu)建初步模型；對所述初步模型進行交叉驗證，得到模型真實情況；根據(jù)所述模型真實情況，采用貝葉斯算法計算出優(yōu)化超參數(shù)；根據(jù)所述優(yōu)化超參數(shù)獲得所述最優(yōu)模型。

4、在一些實施方式中，基于ml算法對所述種子樣本進行交叉驗證，得到最優(yōu)模型，具體還包括：根據(jù)所述優(yōu)化超參數(shù)構(gòu)建中間模型；采用交叉驗證法識別出所述中間模型的四個指標；根據(jù)所述四個指標得到所述最優(yōu)模型。

5、在一些實施方式中，所述交叉驗證的次數(shù)為十次。

6、在一些實施方式中，任一項所述的基于ml算法的最優(yōu)親本組合選配方法還包括：對所述種子樣本的基因型數(shù)據(jù)進行清洗，得到質(zhì)量型基因型數(shù)據(jù)；對所述種子樣本的表型數(shù)據(jù)進行清洗，得到質(zhì)量型表型數(shù)據(jù)；根據(jù)所述質(zhì)量型基因型數(shù)據(jù)和所述質(zhì)量型表型數(shù)據(jù)得到質(zhì)量型樣本；其中，基于所述質(zhì)量型樣本得到所述最優(yōu)模型。

7、在一些實施方式中，基于ml算法的最優(yōu)親本組合選配方法還包括：采用圴方根誤差和皮爾森相關(guān)系數(shù)對所述最優(yōu)模型進行評估，得到評估圖。

8、在一些實施方式中，根據(jù)所述性別信息對所述種子樣本進行排列組合，得到親本組合情況，具體包括：模擬每個組合后代的基因型概率；根據(jù)所述基因型概率計算出每個組合的育種值，得到所述親本組合情況。

9、在一些實施方式中，采用所述最優(yōu)模型，并根據(jù)所述育種能力識別出最優(yōu)親本組合，具體包括：根據(jù)所述育種值按從高到低進行排序，得到排序結(jié)果；根據(jù)所述排序結(jié)果識別出所述最優(yōu)親本組合。

10、第二方面，本發(fā)明還提供了一種電子設(shè)備，包括：至少一個處理器；與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠：獲取種子樣本的性別信息；基于ml算法對所述種子樣本進行交叉驗證，得到最優(yōu)模型；根據(jù)所述性別信息對所述種子樣本進行排列組合，得到親本組合情況；計算出所有所述親本組合情況的育種能力；采用所述最優(yōu)模型，并根據(jù)所述育種能力識別出最優(yōu)親本組合。

11、第三方面，本發(fā)明提供了一種存儲介質(zhì)，存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)任一項所述的基于ml算法的最優(yōu)親本組合選配方法。

12、本發(fā)明的有益效果為：

13、本發(fā)明利用lgbm算法從海量的種子樣本數(shù)據(jù)中自動提取和選擇與目標性狀相關(guān)的重要特征，構(gòu)建適用于農(nóng)業(yè)育種的預測模型。通過交叉驗證方法對模型進行優(yōu)化，提升了模型的準確率。再通過計算出所有親本組合情況的育種能力，提高了育種的確定性。

技術(shù)特征：

1.一種基于ml算法的最優(yōu)親本組合選配方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于ml算法的最優(yōu)親本組合選配方法，其特征在于，基于ml算法對所述種子樣本進行交叉驗證，得到最優(yōu)模型，具體包括：

3.根據(jù)權(quán)利要求2所述的基于ml算法的最優(yōu)親本組合選配方法，其特征在于，基于ml算法對所述種子樣本進行交叉驗證，得到最優(yōu)模型，具體還包括：

4.根據(jù)權(quán)利要求2所述的基于ml算法的最優(yōu)親本組合選配方法，其特征在于，所述交叉驗證的次數(shù)為十次。

5.根據(jù)權(quán)利要求1至4中任一項所述的基于ml算法的最優(yōu)親本組合選配方法，其特征在于，還包括：

6.根據(jù)權(quán)利要求5所述的基于ml算法的最優(yōu)親本組合選配方法，其特征在于，還包括：采用圴方根誤差和皮爾森相關(guān)系數(shù)對所述最優(yōu)模型進行評估，得到評估圖。

7.根據(jù)權(quán)利要求1至4中任一項所述的基于ml算法的最優(yōu)親本組合選配方法，其特征在于，根據(jù)所述性別信息對所述種子樣本進行排列組合，得到親本組合情況，具體包括：

8.根據(jù)權(quán)利要求7所述的基于ml算法的最優(yōu)親本組合選配方法，其特征在于，采用所述最優(yōu)模型，并根據(jù)所述育種能力識別出最優(yōu)親本組合，具體包括：

9.一種電子設(shè)備，其特征在于，包括：

10.一種存儲介質(zhì)，其特征在于，存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至8中任一項所述的基于ml算法的最優(yōu)親本組合選配方法。

技術(shù)總結(jié)
本發(fā)明屬于動植物選育技術(shù)領(lǐng)域，公開了一種基于ML算法的最優(yōu)親本組合選配方法、電子設(shè)備和存儲介質(zhì)，基于ML算法的最優(yōu)親本組合選配方法包括：獲取種子樣本的性別信息、基因型數(shù)據(jù)和表型數(shù)據(jù)；基于ML算法對種子樣本進行交叉驗證，得到最優(yōu)模型；根據(jù)性別信息對種子樣本進行排列組合，得到親本組合情況；計算出所有親本組合情況的育種能力；采用最優(yōu)模型，并根據(jù)育種能力識別出最優(yōu)親本組合。本發(fā)明利用LGBM算法從海量的種子樣本數(shù)據(jù)中自動提取和選擇與目標性狀相關(guān)的重要特征，構(gòu)建適用于農(nóng)業(yè)育種的預測模型。通過交叉驗證方法對模型進行優(yōu)化，提升了模型的準確率。再通過計算出所有親本組合情況的育種能力，提高了育種的確定性。

技術(shù)研發(fā)人員：喻宇燁,梁產(chǎn)齊,劉芳舟,于海至
受保護的技術(shù)使用者：天津百奧華興基因科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6