动物遗传设计群体混合模型连锁分析方法

研究提出了一个同时含有主效基因和微效多基因的混合模型连锁分析方法。首先应用LASSO方法快速估计线性混合模型(LMM)非零的主效位点,并将这些位点效应视为固定效应;而后把基于约束极大似然法(REML)估计得到的微效多基因效应再放入LMM中作为随机效应;从而最终实现QTL遗传参数估计和基因定位连锁分析。针对系谱群体的定位分析,该模型,即LASSO-LMM法,不仅很好地继承了单独LASSO法的计算速度,而且还具有比单独LMM法更好的遗传参数估计稳健性。为了具体比较这3种定位方法,采用计算机模拟数据验证。结果表明,相比于单独LASSO法和单独LMM法,LASSO-LMM法在QTL遗传参数估计和统计效力上总体表现出更高的估计精确度和检测效率。     

Peak functions for modeling high resolution soil profile data

Parametric and non-parametric depth functions have been used to estimate continuous soil profile properties. However, some soil properties, such as those seen in weathered loess, have anisotropic peak-shaped depth distributions. These distributions are poorly handled by common parametric functions. And while nonparametric functions can handle this data they lack meaningful parameters to describe physical phenomena in the depth distribution of a property such as a peak, an inflection point, or a gradient. The objective of this work is to introduce the use of asymmetric peak functions to model complex and anisotropic soil property depth profiles. These functions have the advantages of providing parameters, which quantify or describe pedogenic processes. We demonstrate the application of the Pearson Type IV (PIV) and the logistic power peak (LPP) functions to high resolution soil property depth profiles measured by diffuse reflectance spectroscopy in a claypan soil landscape of Northeastern Missouri, USA. Both peak functions successfully fit clay, silt, and pH data for an example soil profile from a summit landscape position (R² = 0.90 for pH and 0.98 for silt and clay). The LPP function was further demonstrated to fit clay depth distribution for a shoulder, backslope, footslope, and a depositional landscape position (R² = 0.98, 0.96, 0.96, 0.91). Relationships between the fitted parameters of these profiles were useful to describe landscape trends in their morphological features and show promise to continuously describe pedogenic processes in three dimensions. Peak functions are a useful companion to high-resolution soil profile data collected by sensors and their combined use may allow more intensive mapping and better explanation of soil landscape variability.     

基于多层级特征筛选和无人机影像的冬小麦植株氮含量预测

氮素是冬小麦生长发育必不可少的大量元素,无人机超高分辨率影像丰富的光谱信息和纹理信息为冬小麦植株氮含量精准预测提供了重要的技术途径,但是过多变量造成了信息冗余和模型复杂的问题。针对此问题,该研究提出了一种“相关分析+共线性分析+LASSO（least absolute shrinkage and selection operator）特征筛选”的多层级植株氮含量敏感特征的筛选方法,引入约束系数向量的L1正则化实现特征的稀疏性,将某些特征的系数缩小为0,基于冬小麦关键生育期（拔节期、孕穗期、开花期、灌浆期）无人机影像提取的65个光谱和纹理特征,采BP神经网络（random forest,BP）、Adaboost、随机森林（random forest,RF）和线性回归（random forest,LR）4种机器学习算法构建了冬小麦植株氮含量预测模型。结果表明：相关分析筛选出51个通过0.01显著性检验的变量,基于共线性分析,当LASSSO正则化参数λ取值为0.08时, 17个敏感特征变量被筛选。基于筛选的敏感特征变量,BP、Adaboost、RF和LR 4种算法建立的植株氮含量预测模型均达到了0.01水平差异显著性,且BP、Adaboost和RF 3种预测模型的精度具有高度的一致性,模型R²均为0.81,RMSE分别为0.48%、0.45%和0.44%,说明该研究提出的多层级特征筛选方法不仅使得模型变得简洁,而且稳健性高,可为智慧农业氮肥精准监测、智慧管理提供技术支撑。     

采用多源信息融合的妊娠猪舍环境质量评价方法

妊娠猪舍作为养殖场猪只繁育的基础条件,其环境质量对母猪的生产性能有显著影响。为合理评价妊娠猪舍环境质量,该研究提出一种基于模拟退火的粒子群算法（Simulated Annealing-Particle Swarm Optimization,SA-PSO）、套索算法（Least Absolute Shrinkage and Selection Operator,LASSO）和反向传播（Back Propagation,BP）神经网络的环境质量评价模型。利用卡尔曼滤波和分批估计自适应加权融合算法,实现多节点环境数据的时间与空间数据融合;构建猪舍环境质量非线性评价模型,采用LASSO算法,筛选得出与环境质量强相关的特征参数,实现输入降维;融合SA-PSO算法实现网络初始权值和阈值的优化,形成SA-PSO-LASSO-BP神经网络评价模型。通过对数据采集系统获取的实际妊娠猪舍环境数据进行验证,结果表明：提出的环境质量模型决定系数为0.918、总准确率为95.85%,相比单纯使用BP神经网络,加入LASSO和SA-PSO算法后决定系数与总准确率分别提高了37.43%、11.09%,具有更高的评价精度和性能,可更好地拟合复杂环境参数与环境质量间的非线性关系,为妊娠猪舍环境质量评价提供参考。     

基于LASSO算法的多QTL定位的模拟研究

此篇文章中,应用一种基于LASSO的算法去同时定位多个数量性状位点(QTL)。在QTL定位方法中,迭代加权最小二乘法(IRLS)和极大似然法(ML)在参数估计准确性和检测效率方面效果几乎一致。但是在参数估计的稳健性和计算速度方面,迭代加权最小二乘法又明显优于极大似然估计。结合参数的先验分布信息,基于贝叶斯理论的极大似然估计能够分析多QTL模型。然而迭代加权最小二乘估计不能很好的检测多QTL。目前贝叶斯分析已经成为一个多QTL定位的重要的途径,但它主要缺点是计算时间过长,并缺乏简单有效的显著性检验。通过循环坐标下降的LASSO方法可将全模型的系数同时压缩并使之趋进于零,因此该方法能应用于快速同时估计整个基因组的非零遗传效应位点。在这个研究中,应用基于LASSO的算法去同时定位多QTL。模拟证明LASSO方法比迭代加权最小二乘法具有更高的估计精度和检测效率。