全基因組選擇作為新一代育種技術，通過構建預測模型，根據基因組估計育種值進行早期個體的預測和選擇，從而縮短育種世代間隔，加快育種進程，節約成本，推動現代育種向精准化和高效化方向發展。統計模型作為全基因組選擇的核心，極大地影響了全基因組預測的準確度和效率。

　　傳統預測方法基於線性回歸模型，難以捕捉基因型和表型間的複雜關係。相較于傳統模型，非線性模型（如深度網路神經）具備分析複雜非加性效應的能力，人工智慧和深度學習演算法為解決大資料分析和高性能並行運算等難題提供了新的契機，深度學習演算法的優化將會提高全基因組選擇的預測能力。

　　中國農業科學院作物科學研究所、三亞南繁研究院大資料智慧設計育種創新團隊以玉米、小麥和番茄3種作物的4種不同維度的群體資料為測試材料，通過創新深度學習演算法框架開發了全基因組選擇新方法。與其他五種主流預測方法相比，該方法有以下優點： 可以利用多組學資料開展全基因組預測；演算法設計中包含批歸一化層(Batch Normalization)、回呼函數和校正線性啟動函數等結構，可以有效降低模型錯誤率，提高運行速度；預測精度穩健，在小型資料集上的表現與目前主流預測模型相當，在大規模資料集上預測優勢更加明顯；計算時間與傳統方法相近，比已有深度學習方法提速近10倍；超參數調整對用戶更加友好。【延伸閱讀】- 全基因組定序揭開蘋果起源演化之旅