基于生成式对抗网络与SNP标记的作物生长模型不确定性优化方法研究--以大豆生育期模型为例

This study applies the machine learning idea of Generative Adversarial Networks and Recurrent Neural Networks algorithm to uncertainty optimization research of crop growth simulation model through soybean development process model as the main study object. Explore a new method for automatic optimization of model parameters and model structure which under different conditions of genotypes, temperature and ambient, also combined with SNP molecular tag data and phonological data (seedling stage, initial flowering stage, maturity stage). Solve the problems that the self-learning ability of the molecular tag features and the relationship between temperature and light is missing in the process of model parameters and structural optimization of the soybean development process model. This study includes the following tasks and objectives..1. Construct the framework of automatic correction of various parameters of the soybean development process model with Bayesian estimation method and multi-objective adaptive evolutionary algorithm, further improve the adaptive ability of the model..2. Construct the intelligent agent model of varieties of the parameter of soybean development process model through deep learning of SNP tag data. To improve the self-learning ability of the variety parameters two-stage optimization of the process model..3. Transform the structural optimization of the soybean development process model into the game of generative model and discriminant model. Construct the 'Generation - discrimination' joint prediction framework through the deep learning on the features and relationship between temperature and light in the process model, to enhance the self-learning ability of the structure of process model.

以大豆生育期过程模型为研究对象，将生成式对抗网络的机器学习思想与递归神经网络算法引入到过程模型的不确定性优化研究中。在不同基因型品种和不同温光环境下，使用SNP分子标记数据与物候期数据（苗期、始花期、成熟期），探索过程模型的品种参数与算法结构的自动优化新方法。解决在生育期过程模型的不确定性优化中缺少对分子特征和温光关系的自学习问题。研究包括以下任务和目标：.（1）联合贝叶斯估算方法与多目标自适应进化算法，构建过程模型品种参数的自动校正框架，提升模型的自适应校正能力；.（2）通过对SNP标记数据的深度记忆学习，构建过程模型的品种参数的智能代理模型，提升模型的品种参数两阶段优化的自学习能力；.（3）将生育期过程模型的结构优化问题，转换为物候阶段生成式模型与判别式模型的博弈。通过对过程模型中温光特征与关系的深度学习，建立“生成-判别”联合预测框架，增强对过程模型结构的自学习能力。

利用DSSAT-CROPGRO大豆生育期模拟模型与SNP分子标记信息结合，可以实现大豆种质资源群体的表型快速鉴定与生态适应性评价，辅助智慧育种决策。现有研究均通过过程模拟模型中的品种参数（简称GSPs）链接SNP等分子标记信息，改进与优化机理过程模拟模型，达到从基因型、环境与表型等综合层面模拟大豆种质资源群体物候期的目的。然而在这一过程中，存在着品种参数的遗传可解释性低、利用SNP信息校正品种参数方法的自适应能力弱，机理过程模型结构不确定性带来模拟误差是否能够通过深度神经网络模型加以校正等具有挑战性的研究问题。本项目完成项目研究内容和研究目标，发表论文17篇，其中SCI检索论文13篇。获得授权发明专利1项及3项软件著作权。在以下方面取得了研究成果：1）调查获取了不同生态点、不同光温条件下的江淮大豆种质资源自然群体的4个物候期性状（R1、R3、R5、R7）、气象环境信息以及SNP测序数据，并识别了控制供试大豆物候期性状变异的稳定和特异SNP位点；2）在品种参数的遗传学理解方面，项目以多种智能优化算法校正GSPs为基础，利用多种GWAS方法挖掘了构成GSPs的SNP变异位点，全面分析了GSPs的遗传学基础，论证了GSPs作为遗传系数的合理性；3）在SNP估算品种参数方面，基于4种不同的SNP特征数据集、3种SNP表示方式以及包括rr-BLUP、Ridge和CNN等在内的7种线性、经典机器学习及深度学习算法，评估了SNP特征组合，SNP表示方式以及机器学习预测算法对GSPs估算的影响；在此基础上设计了一种集成学习增量特征降维与局部-全局特征学习网络结合的SNP-GSPs估算方法，有效提升了对高维SNP信息中非线性关系的学习能力和品种参数估算精度；5）在机理过程模型的结构优化方面，以机理过程模型模拟产生的光温效应变量及衍生变量为重要特征，提出一种基于递进式稀疏自编码网络的机理过程模型误差校正方法，构建了过程模拟模型与深度神经网络结合的融合模型，可自动校正机理过程模型误差；6）利用本项目构建的基于SNP的大豆物候期模拟模型，为江淮大豆种质资源群体推荐了适宜的播期和环境广适性品种。