Machine Learning Algorithms Translate Big Data into Predictive Breeding Accuracy

Dr_Zhang

网站链接
【PubMed】【Trends in Plant Science】

引用
参考文献格式由参考文献格式化助手（https://dataholdcn.cn/ckwx/）生成。

Crossa J, Montesinos-Lopez O, Costa-Neto G et al. (2024) Machine learning algorithms translate big data into predictive breeding accuracy. Trends in Plant Science . https://doi.org/10.1016/j.tplants.2024.09.011

统计机器学习（ML）从大量的基因组、表型和环境数据中提取模式。ML 算法可以自动识别相关特征，并使用交叉验证来确保模型的稳健性，从而提高在新株系中的预测可靠性。此外，ML 对基因型与环境（G×E）相互作用的分析可以提供对影响特定环境中性能的遗传因素的深入了解。通过利用历史育种数据，ML 可以简化策略并自动化分析，以揭示基因组模式。在这篇综述中，我们探讨了大数据对植物育种中基因组支持预测的变革性影响，包括多性状基因组学、表型学和环境协变量等内容。我们讨论了大数据和 ML 如何通过提高预测准确性、加深对 G×E 相互作用的理解以及通过分析广泛和多样化的数据集来优化育种策略，从而彻底改变该领域。


何塞·克罗萨（José Crossa）是国际玉米和小麦改良中心（CIMMYT）生物统计部门的杰出科学家。他的研究工作涉及全基因组预测模型以及基因型与环境互作模型，旨在帮助CIMMYT的研究人员实现他们的目标。克罗萨还教授统计遗传学课程。他的办公室位于墨西哥城。克罗萨因其显著的研究影响而受到认可，他和其他CIMMYT科学家的论文位于高引用论文的前1%。

2024_Trends-Plant-Sci_Crossa-Jose_Machine-learning-algorithms-translate-big-data.pdf (396.02 KB, 下载次数: 15)

2025-12-20 08:35 上传

点击文件名下载附件