基因组选择：先把基线和验证做对，再谈深度学习

基因组选择（genomic selection, GS）的目标很直接：利用全基因组标记预测个体的育种值，在表型还没完全测完之前就提前筛选候选材料。

这个问题很适合机器学习，但也最容易被“换一个更复杂的模型”带偏。对多数育种数据来说，先把 GBLUP 这样的经典基线做扎实，比直接上深度网络更重要。

经典方法为什么一直没有过时

GBLUP

GBLUP 用基因组标记构建个体间的关系矩阵，再在线性混合模型框架里预测育种值。它的假设并不华丽，但在多基因控制、样本量有限的性状上经常非常强。

rrBLUP 与贝叶斯方法

rrBLUP 可以理解为对大量 marker effect 做统一收缩。BayesA、BayesB、BayesCπ、BayesR 等方法则允许不同位点采用不同的效应分布。

如果性状确实由少数较大效应位点和大量小效应位点共同控制，贝叶斯方法有时会比统一收缩更合适。

ssGBLUP

单步 GBLUP 把系谱、基因型和表型信息放到同一个框架里，在实际育种群体中很有价值，尤其适合并不是所有个体都有基因型的情况。

机器学习什么时候值得加进来

Random Forest、XGBoost、SVR 等方法不依赖严格的线性加性假设，因此可能捕捉部分非线性和 marker interaction。

但它们的优势并不是自动出现的。育种数据常见的问题是样本量不大、marker 数远高于个体数，而且家系结构很强。在这种数据上，复杂模型很容易学到亲缘关系而不是可迁移的遗传规律。

所以我不会把“XGBoost > GBLUP”当成默认预期，而会把它作为需要验证的假设。

深度学习更容易赢在哪些场景

深度模型更可能在下面几类数据里体现价值：

• 样本量足够大；
• 有明显非加性效应或复杂互作；
• 需要把 SNP 与环境、表型图像、多组学一起建模；
• 多性状联合预测能共享信息；
• 有足够严格的外部验证来约束过拟合。

如果只是几百到几千个材料、几十万个 SNP、单性状预测，深度学习并不会因为“表达能力更强”就自然胜出。

真正决定结果的往往是数据划分

随机把个体分成训练集和测试集，可能得到一个很好看的相关系数，但这个数字未必代表实际育种场景。

更有价值的验证方式包括：

• 跨家系：测试集来自训练中未见的家系；
• 跨年份：用早年数据预测后续年份；
• 跨环境：在不同地点或处理条件上验证；
• 跨群体：考察模型离开原训练群体后的衰减。

如果模型最终是用于选育下一代材料，验证设计就应该尽量模拟这个使用场景。

我会怎么做一个 GS baseline

一个比较稳的顺序是：

1. 做基因型和表型质控；
2. 明确训练集和测试集的育种场景，而不是先随机切分；
3. 跑 GBLUP / rrBLUP 作为基线；
4. 再试 Bayes、Random Forest 或 XGBoost；
5. 只有在数据量和任务结构支持时，再上深度学习；
6. 同时报告准确率、偏差、不同群体中的稳定性和计算成本。

这个顺序的意义不是保守，而是让每一步复杂度都有可比较的收益。

植物育种里更值得做的扩展

相比单纯把 SNP 喂进更深的网络，我更看好三类扩展：

• G×E 建模：把环境变量和基因型一起建模；
• 多模态预测：联合基因型、表型图像和组学数据；
• 跨世代迁移：明确模型在新世代、新家系中的有效范围。

这些问题更接近真实育种流程，也更能检验模型是不是在学习可泛化的生物学信号。

参考资料

• Zingaretti et al. (2020), Exploring deep learning for complex trait genomic prediction in polyploid outcrossing species, Frontiers in Plant Science
• Crossa 等关于植物 genomic selection 的系列综述，可作为经典方法与育种应用的入口。