Deep Learning Algorithms for Complex Traits Genomic Prediction

Hayrettin OKUT

doi:https://doi.org/10.51970/jasp.1039713

Article Details

Deep Learning Algorithms for Complex Traits Genomic Prediction

Authors:

Hayrettin OKUT

Publisher:

Federation for Animal Science (FAS)

Main Topics:

Agriculture

Journal:

Journal of Animal Science and Products 2021 Vol.4 Issue 2, pp.225-239

Document Type:

Article

Publication Date:

12/2021

Document Language:

English

Document ID (Org No.):

2000443151

Frequency:

Bi-Annual

eISSN:

2667-4580

DOI:

https://doi.org/10.51970/jasp.1039713

Abstract:

 

The underlying perception of genomic selection (GS) is to use genome-wide from DNA sequence (“SNP markers”) along with phenotypes from an observed population to make prediction for the phenotypic outcomes of untested individuals in crop and livestock breeding programs. GS was firstly described by Meuwissen et al.(2001) in dairy cattle to identify genetically superior animals at an early age. The aim was to capture specific genes across the whole genome that are associated with desired traits. The major challenge in using GS programs is to predict the effect of many SNP markers using phenotypic information from a few individuals (aka small n big p problem, or p >> n). Many approaches including naïve and scaled elastic net, ridge regression BLUP Bayesian approaches (BayesA, BayesB, BayesCπ, BayesDπ) LASSO, Support Vector Regression have been conducted to address the small n big p (aka, p >> n) problem. These methods all perform well for (p>>n) by using linear approximation to set a functional relationship between genotypes and phenotypes. However, these methods may not fully capture non-linear effects which are possible to be crucial for complex traits. To deal with this limitation, many methods including neural networks (NN) were recommended to cover non-linearity for GS. Artificial NNs (ANNs) for GS was first presented by Okut et al. (2011) who establish a fully connected regularized multi-layer ANN (MLANN) comprising one hidden layer to predict the body mass index (BMI) in mice using dense molecular markers. Since then, rather complex ANNs approaches have been applied including deep learning (DL) networks. The different DL algorithms have their own advantages to deal with specific problems in complex trait GS. Four different major classes of DL approaches such as fully connected deep learning artificial neural networks (DL-MLANN), recurrent neural networks (RNN), convolutional neural networks (CNN) and long-short term memory (LSTM) and some variation of these network architectures will be summarized here.

 

Genomik seleksiyon (GS), bitki ve hayvan popülasyonundan gözlenemiyen fenotip ve DNA (SNP belirtiçleri) bilgisi kullanılarak ileriye yönelik fenotipik değerlerinin tahmin edilmesi amaçlanmaktadır. GS ilk olarak süt sığırcılığında erken yaşlarda genetiksel olaraka üstün bireylerin belirlenmesi amaçlanmıştır. Meuwissen ve arkadaşları tarafından 2001 yılında yürütülen bu çalışmada bütün genom içerisinde bazı önemli özellikler ile ilişkili genlerin ortaya koyulmasına çalışılmıştır. GS seleksiyon çalışmalarında bazı zorluklar söz konusudur. En önemli sorun, sadece çok az miktardaki bireye ait fenotipik değer kullanılarak çok miktardaki SNP belirteçin etkisisni araştırmaktır. Teknik anlamada bu soun küçük n büyük p (p>>n) olarak isimlendirilir. Bu sorunla başedebilmek için ridge regresyon BLUP, LASSO, elastic net, Bayesian yaklaşımları (BayesA, BayesB, BayesCπ, BayesDπ), destek vektör (support vector) regresyonu başta olmak üzere çok sayıda istatistiksel yaklaşım önerilmiştir. Bu yaklaşımlar hepsi (p>>n) sorunu ideal yaklaşımlardır. Ancak bu yaklaşımlar sözkonusu fenopit ile genomik seti arasında doğrusal bir ilşki olduğunu, başka bir ifade ile fenotipin SNP belirteşlerinin doğrusal bir fonksiyonu olduğu varsayılmaktadır. Bu yaklaşımlar fenotip ile genomik seti arasındaki doğrusal olmayan ilişkiyi yakalayamamaktadır. Doğrusal ilişki ile birlikte interaksiyon, epistatis gibi doğrusal olmayan ilişkilernin de modele dahil edilmesi kompleks fenotipik özellikler için ayrı bir önem taşıyabilir. GS amaçlı yaklaşımlarda bu sorun ile başedebilmek için ilk olarak 2011 yılında Okut ve arkadaşları tarafından yapay sınır ağları kullanılması önerilmiştir. Okut ve arkadaşları farelerde yoğun moleküler bilgi kullanılarak vücut kitle indeksi (BMI) için GS amaçlı çok katmalı regularize edilmiş tam bağlantılı yapay sinir ağları mimarisini (MLANN) önermişlerdir. Bu çalışmadan sonra derin öğrenme öğrenim algoritması kullanan daha kompleks yaklaşımlar GS amaçlı kullaılmaya başlanmıştır. Çok miktarda değişik derin öğrenme algoritmaları bulunmakta ve GS uygulamaları için her birinkendine özgü avantajlar sunmaktadır. Bu çalışmada, tam bağlantılı derin öğrenme yapay sinir ağları (DL-MLANN), evrişimli sinir ağları (CNN), tekrarlayan sinir ağları (RNN) ve uzun- kısa-süreli bellek (LSTM) yapay sinr ağları olmak üzere dört farklı derin öğrenme algoritmasinin tatıyımı yapılmıştır.

Article Details

Deep Learning Algorithms for Complex Traits Genomic Prediction

Authors: Hayrettin OKUT

Publisher: Federation for Animal Science (FAS)

Main Topics: Agriculture

Journal: Journal of Animal Science and Products 2021 Vol.4 Issue 2, pp.225-239

Document Type: Article

Publication Date: 12/2021

Document Language: English

Document ID (Org No.): 2000443151

Frequency: Bi-Annual

eISSN: 2667-4580

DOI: https://doi.org/10.51970/jasp.1039713

Issues

Authors:

Hayrettin OKUT

Publisher:

Federation for Animal Science (FAS)

Main Topics:

Agriculture

Journal:

Journal of Animal Science and Products 2021 Vol.4 Issue 2, pp.225-239

Document Type:

Article

Publication Date:

12/2021

Document Language:

English

Document ID (Org No.):

2000443151

Frequency:

Bi-Annual

eISSN:

2667-4580

DOI:

https://doi.org/10.51970/jasp.1039713