Plant Com | 浙大樊龙江团队构建作物AI育种数据库（BreedingAIDB）

浙江大学农业与生物技术学院樊龙江团队在Plant Communications在线发表了题为“BreedingAIDB: a database integrating crop genome-to-phenotype paired data with machine learning tools applicable in breeding”的论文。该研究搭建了作物基因组-表型成对数据库BreedingAIDB（http://ibi.zju.edu.cn/BreedingAIDB/），助力智能设计育种。

https://doi.org/10.1016/j.xplc.2024.100894

育种4.0作为下一代育种技术，致力于整合各类先进技术以应对粮食安全的巨大挑战。基于机器学习（Machine learning，ML）的基因组到表型（Genome-to-phenotype，G2P）预测是育种4.0的核心研究内容之一。数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。目前已积累了大量的作物基因组（包括基因型）和表型数据，相应的数据库也已得到了很好发展，但一直缺乏基因组-表型成对数据（即一份材料既有基因组信息，同时也有对应的表型数据）的收集，阻碍了机器学习在G2P领域的研究应用。因此，BreedingAIDB（v1版）目前收集了水稻、玉米、大豆基因型数据及其对应的表型数据，包含了14.3万对水稻、1.3万对玉米和28.4万对大豆基因组-表型数据对，从而为作物育种领域机器学习模型开发等研究提供重要的数据支撑。

提供原始数据对特征工程领域的研究至关重要。以往的数据库多以群体基因型矩阵的方式提供基因组数据，这类数据经过了群体过滤，缺失了部分原始信息，不适合支持特征工程（Feature engineering）的开发研究。特征工程又称特征提取，是使用领域知识从原始数据中提取特征（特征、属性、特性）的过程。BreedingAIDB提供了每个样本更为原始的数据：GVCF（Genomic Variant Call Format）和VCF（Variant Call Format）文件，除了每个样本的SNP信息，基因组上仍然有其它更多的信息可能对基因组的表征至关重要，GVCF文件包含了基因组中所有位点的信息，也包括Indel和CNV等变异信息。

BreedingAIDB 提供了三个机器学习核心功能模块：特征提取、表型预测和 ML项目。特征提取模块的引擎是GSCtool，可以帮助用户完成基因组特征提取。GSCtool是该团队前期开发的一个基因组表征工具（Shen et al., 2023; Advanced Intelligent Systems），该工具受自然语言识别领域词袋（BoW）算法的启发，利用基因组上每个基因SNP的频率信息表征基因组信息，在G2P预测方面的效果优于基因组矩阵编码方式。表型预测模块，目前暂时部署了水稻粒长和粒宽两个预测模型，该团队正在开发和优化更多的预测模型。ML项目模块可以帮助用户构建LightGBM模型，定义超参数空间，用户也可以自行修改这些超参数空间的参数，Optuna会在定义的超参数空间中寻找出最拟合用户数据的LightGBM模型。

浙江大学海南研究院博士生沈子杰为论文第一作者，叶楚玉教授为通讯作者。项目研究得到了科技创新2030—“智能设计育种技术创新与应用”重大项目和海南省重点科技攻关项目的资助。