Logo: to the web site of Uppsala University

uu.sePublications from Uppsala University
Change search
ExportLink to record
Permanent link

Direct link
BETA

Project

Project type/Form of grant
Project grant
Title [sv]
Djup maskininlärning för analys av populationsstruktur och genotyp-fenotyprelationer
Title [en]
Deep Learning for Analyzing Population Structure and Genotype-Phenotype Mapping
Abstract [sv]
”Hur ska vi mätta världen, utan att utarma mångfalden?”Storskaligt jordbruk, inklusive modern djuravel och växtförädling, har lett till oerhört ökad produktion utan någon ökning av arealen. Samtidigt kan vi se baksidorna med denna typ av jordbruk i form av monokulturer som utarmar den omgivande biologiska mångfalden och som skapar känslighet när ett fåtal djurraser eller växtsorter används över stora delar av världen. Sjukdomar, parasiter eller nya omständigheter kan hota en stor del av produktionen samtidigt.Detta projekt syftar till att skapa nya beräkningsmetoder som stöd för bevarandearbete, djuravel och växtförädling. Vi använder en typ av artificiell intelligens som kallas djupinlärning, eller deep learning, för att skapa artificiella neurala nätverk som kan göra förutsägelser utifrån genetisk och annan information om olika provtagna djur eller växter.Den allra enklaste formen av avel består i att man låter de djur fortplanta sig som växer sig stora eller på andra sätt har bra egenskaper, men sedan länge använder man i många professionella avels- och förädlingsprogram i stället förädlingsvärde (”breeding value”). Genom matematiska modeller ser man inte bara hur bra en viss individ presterar inom de mått man valt, utan tar även hänsyn till egenskaperna hos individens släktingar. Ett enskilt djur kan växa sig stort genom slump eller goda foderförutsättningar, men det är ju inte en genetisk egenskap som kommer att gå i arv i ett avelsprogram. Förädlingsvärdet tar hänsyn till det.Förädlingsvärdet har samtidigt begränsningar. De vanligaste metoderna för att beräkna det gör antagandet att om man korsar två individer får deras kullar ett förädlingsvärde som är medelvärdet av föräldrarnas. Det behöver inte stämma. Olika genvarianter kan interagera, så att vissa kombinationer är extra gynnsamma. Erfarenhetsmässigt vet man från både djuravel och växtförädling att hybrider från olika sorter, så kallade F1:or, ofta visar bättre egenskaper än medelvärdet skulle förutsäga. Brister hos den ena föräldern kompenseras av ”goda anlag” från den andra på ett sätt som sammantaget ofta blir mer gynnsamt.I våra modeller kan AI-metoderna identifiera sådana interaktioner. Det går därför att förutse exakt vilka korsningar som blir extra gynnsamma och göra skarpare förutsägelser av förädlingsvärdet för varje individ i ett avelsprogram. Eftersom man sällan har råd att testa väldigt stora antal olika korsningar i praktiken kan AI-metoderna fungera som ett stöd för att hitta de mest lovande kandidaterna att testa. Det möjliggör också mer kraftfulla förädlingsinsatser för lokala sorter. Modellerna kan kombinera information från sorter som är vanliga globalt, med information från de lokala typerna. På det viset kan vi komma närmare högproducerande egenskaper och ändå bevara mer av den lokala variationen och det kulturarv som den också innefattar.En annan del av vårt projekt handlar om att använda våra modeller just för att utforska vilka typer av variation som finns – inte för att förutsäga specifika egenskaper. Genom en bättre förståelse av variationen i vilda populationer och populationer inom lantbruket kan man identifiera grupper som utåt sett uppfattas vara snarlika, men som bevarar en historisk variation som riskerar att gå förlorad om de grupperna inte skyddas. Det skapar också större möjligheter att förstå utarmning och i vilken grad lokala sorter oavsiktligt hybridiserats med mer globalt spridda.Med mer exakta och flexibla modeller ökar möjligheterna att på ett hållbart och kostnadseffektivt sätt bedriva förädling och djuravel som kan se till fler mål än förenklade produktionstal, inklusive påverkan på kringliggande ekosystemtjänster och bevarande av genetisk variation. För att maximera spridningen avser vi att göra grundstrukturen till alla våra modeller fritt tillgänglig, men också delta i samarbeten med kommersiella förädlingsaktörer för att hjälpa dem att utnyttja tekniken.
Abstract [en]
The goal of this project is to bring new power to agricultural and conservational genetics through the use of the artificial intelligence subfield called deep learning. This will be done for two main applications. The first one is exploring and reconstructing population structure based on genetic data, including visualizations of the genetic variation. Understanding the degree and type of variation can help in identifying subpopulations that are to be preserved in order to maximize the variation in the genetic pool, whether it is a matter of wildlife or a controlled breeding program. The models can also be used to elucidate seemingly dissimilar populations being genetically close, or vice versa, which can help explain their agricultural production properties.The second application is models for predicting and exploring genotype-phenotype relationships. In current breeding programs, estimates of breeding value based on pedigree-estimated or measured genetic similarity between individuals form the gold standard. The goal is then to predict the underlying genetic phenotype contribution, rather than the actual phenotype of a single individual. Our models will cope with complex genotype-trait-covariate interactions in a superior way, and they can also predict the expectation in phenotype results for specific matings, using simulations to identify individuals carrying complementary genetic advantages. One example is that the model should predict the heterosis advantages of F1s.
Principal InvestigatorNettelblad, Carl
Coordinating organisation
Uppsala University
Funder
Period
2021-01-01 - 2024-12-31
National Category
Bioinformatics (Computational Biology)GeneticsGenetics and Breeding
Identifiers
DiVA, id: project:9694Project, id: 2020-00712_Formas