基于自适应堆叠集成机器学习的可解释基因组选择框架AdaptiveGS

来自国内的研究人员针对基因组选择(GS)中基础模型(BLs)选择缺乏统一框架的问题，开发了基于PR指数（结合Pearson相关系数PCC和标准化均方根误差NRMSE）的自适应堆叠集成学习框架adaptiveGS。该框架通过筛选7种机器学习(ML)模型中排名前3的BLs，在4个物种21个性状数据集上平均预测准确率(PCC)达0.703，较传统方法提升14.4%，并结合SHAP技术解析显著SNPs位点，为分子育种提供高效可解释的GS解决方案。

　　

在分子育种领域，基因组选择(Genomic Selection, GS)技术正掀起革命浪潮。这项研究创新性地提出了adaptiveGS框架——一个基于自适应堆叠集成学习(Stacking Ensemble Learning, SEL)的可解释预测系统。就像组建一支"全明星战队"，该系统通过PR指数（融合Pearson相关系数PCC和标准化均方根误差NRMSE）从7种候选机器学习(ML)模型中智能筛选出表现最优的3个基础模型(BLs)，如同精准匹配最佳球员组合。

实战检验中，adaptiveGS在4个物种21个性状数据集上大显身手，平均预测准确率(PCC)飙升至0.703，较传统方法提升14.4%的惊人幅度。更令人振奋的是，研究团队引入博弈论启发的SHAP(SHapley Additive exPlanations)技术，像"分子显微镜"般解析出影响性状变异的关键SNPs位点及其互作效应。这套系统不仅为育种学家提供了高精度的预测工具，更打开了基因组"黑箱"，让重要分子标记无所遁形。

目前这套"智能育种助手"已开源发布，开发者可通过GitHub获取这套融合机器学习和生物解释性的前沿工具包，共同推动精准育种进入可解释人工智能新时代。