Use of deep learning algorithms for genomic prediction and guidance for breeding goals

Utilisation d'algorithmes d'apprentissage profond pour la prédiction génomique et l'appui aux objectifs de sélection

• Auteur / Autrice : Fatima Shokor
• Direction : Pascal Croiseau
• Type : Projet de thèse
• Discipline(s) : Génétique animale
• Date : Inscription en doctorat le 03/10/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Agriculture, alimentation, biologie, environnement, santé (Paris ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : GABI - Génétique animale et Biologie intégrative
• Partenaire(s) de recherche : Equipe de recherche : Génétique et Génomique Bovine (G2B)
• Partenaire(s) de recherche : Référent : AgroParisTech

Mots clés

Mots clés libres

Apprentissage profond

Sélection génomique

Indice de sélection

Plans d'accouplement

Deep learning

Genomic selection

Selection index

Mating plans

Résumé

La prédiction génomique (PG) utilise l'association linéaire entre les marqueurs génomiques, comme polymorphismes nucléotidiques simples (SNP) et les phénotypes observés pour prédire valeurs génomiques d'élevage (Genomic Breeding Value ou GBV) des animaux. Bien qu'il n'y ait aucun doute sur le succès de méthodes statistiques, les individus qui diffèrent substantiellement de la majorité de la population en ce qui concerne leur génétique présenteront une plus grande erreur dans leur GBV. De plus, on pense qu'une bonne partie de la perte de précision de la prédiction est due à l'absence d'effets génétiques non additifs dans les modèles PG. Basé sur le fait que les techniques d'apprentissage automatique (Machine Learning ou ML) sont puissantes dans la modélisation des relations non linéaires (telles que les effets génétiques non additifs), ML est devenu le centre d'un certain nombre d'études en prédiction génomique, dans l'espoir qu'une telle méthode pourrait encore améliorer la précision de la prédiction des GBV. En fait, des études antérieures ont montré que les techniques d'apprentissage en profondeur (Deep Learning ou DL) - un sous-ensemble de ML - peuvent atteindre une précision PG équivalente à celles obtenues en utilisant les méthodes traditionnelles. Les applications DL aux PG, cependant, ne doivent pas se limiter à l'obtention de GBV et peuvent être appliquées de manière innovante pour améliorer les programmes de sélection. Ces préoccupations sont importantes dans les programmes d'élevage qui utilisent une stratégie de croisement, qui peut combiner les forces des races pures tout en compensant leurs faiblesses. Ce projet propose d'appliquer les techniques DL à la PG de manière innovante. 1. En appliquant le DL pour optimiser l'indice de sélection basé sur deux caractères ou plus, pour améliorer spécifiquement la sélection simultanée de caractères négativement corrélés ; 2. En utilisant le DL combiné avec des indices de sélection pour concevoir des schémas d'accouplement optimaux ; 3. En adaptant les deux premiers objectifs aux systèmes de croisement continu.

Genomic prediction (GP) uses the linear association between genomic markers, such as single nucleotide polymorphisms (SNPs) and observed phenotypes to predict the Genomic Breeding Value (GBV) of animals. Although there is no doubt about the success of statistical methods, individuals that differ substantially from the majority of the population in their genetics will have a greater error in their GBV. In addition, much of the loss of predictive accuracy is thought to be due to the absence of non-additive genetic effects in GP models. Based on the fact that Machine Learning (ML) techniques are powerful in modeling non-linear relationships (such as non-additive genetic effects), ML has become the focus of a number of studies in genomic prediction, with the hope that such a method could further improve the accuracy of GBV prediction. In fact, previous studies have shown that deep learning (DL) techniques-a subset of ML-can achieve GP accuracy equivalent to those obtained using traditional methods. DL applications to GPs, however, need not be limited to obtaining GBVs and can be applied in innovative ways to improve selection programs. These concerns are important in breeding programs that use a crossbreeding strategy, which can combine the strengths of pure breeds while compensating for their weaknesses. This project proposes to apply DL techniques to GP in an innovative way. 1. applying DL to optimize selection index based on two or more traits, specifically to improve simultaneous selection of negatively correlated traits; 2. using DL combined with selection indices to design optimal mating schemes; 3. adapting the first two objectives to continuous crossing systems.