申请/专利权人：中国海洋大学

申请日：2022-04-01

公开（公告）日：2024-03-15

公开（公告）号：CN114639446B

主分类号：G16B40/00

分类号：G16B40/00;G16B5/20;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.15#授权;2022.07.05#实质审查的生效;2022.06.17#公开

摘要：本发明提供一种基于MCP稀疏深层神经网络模型估计水产动物基因组育种值的方法，针对SNP直接加性和互作上位效应利用基于最小最大凹度惩罚函数MCP正则化稀疏深层神经网络DNN‑MCP模型估计水产动物基因加性效应及非线性上位效应，并解析生长或抗逆性状进行基因组育种值估计。通过深层神经网络DNN模型进行MCP正则化约束，压缩基因互作较小SNP效应DNN‑MCP模型的稀疏结构，最终求得深层稀疏结构MCP‑DNN的输出结果，解决因SNP互作效应引起参数“高维灾难”，导致深层神经网络DNN过度拟合问题，进而显著提高基因组育种值估计的准确性。

主权项：1.一种基于MCP稀疏深层神经网络模型估计水产动物基因组育种值的方法，其特征在于，该方法包括：步骤S1、获得某一水产动物未知品种的基因组SNP标记数据；步骤S2、对所述步骤S1中SNP数据进行筛选，筛选出的SNP具有可以准确鉴定和区分现有的水产动物品种的信息含量；步骤S3、对所述步骤S2中所筛选的SNP使用均态分布和最小等位基因频率信息量大的SNP，减少或删除处于高度连锁不平衡的SNP；步骤S4、利用基于最小最大凹度惩罚函数MCP正则化稀疏深层神经网络DNN-MCP模型估计水产动物基因加性效应及非线性上位效应，并解析生长或抗逆性状进行基因组育种值估计；步骤S5、对于深层稀疏结构神经网络，考虑了加性效应的基本线性回归模型可以表示为： 其中，yi表示不同个体的性状数据，μ表示模型截距，xij为位点分型信息，βj表示每个位点的等位基因替代效应，εi表示残差；深层稀疏结构神经网络所建立的稀疏深层神经网络基于一个单隐藏层前馈神经网络，其公式为： 在隐藏层中，使用原有的线性回归模型进行训练，其中引入了偏差值bk建立初始模型，约束条件为k∈[1,S]，通过与神经网络激活函数gk结合引入非线性因素，产生单个隐藏神经元的输出，为了建立起输入数据与模型估计结果之间的非线性关系，采用双曲线切线函数进行计算，输出结果中使用W表示所采取的权重值；步骤S6、通过对模型进行MCP得数据之间相似度负对数的最小值得到模型的稀疏结构，最终求得深层稀疏结构神经网络的输出结果，获取标记效应值gi，从而根据得到的所有个体估计育种值；对所述步骤S6使用MCP稀疏优化方法产生稀疏解来解决因SNP互作效应引起参数“高维灾难”，导致深层神经网络DNN过度拟合问题，通过最大化数据稀疏性对参数的非凸惩罚MCP的似然对数，得到神经网络模型的稀疏解的估计： 其中,λ＞0，并且γ是MCP的凹度参数，它本质上表征了MCP正则化项的凹度，γ越大，正则化项的凹度越小。

全文数据：

权利要求：

百度查询： 中国海洋大学 一种基于MCP稀疏深层神经网络模型估计水产动物基因组育种值的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD