预测精度全面超越
第一个将残差网络引入基因组选择并在多数案例中精度超越传统模型的算法
Zhengchao, Xie · 徐晓刚 · Ling, Li · Cuiling, Wu · Yinxing, Ma · Jingjing, He · Sidi, Wei · Jun, Wang · Feng, Xianzhong
Theoretical and Applied Genetics 2024
通过去除池化层并用步长卷积替代，ResGS 是第一个达到 35 层的基因组选择神经网络，更深的结构可以捕获更高阶的基因互作。
步长卷积替代池化，避免了对所有位点一视同仁的下采样，从而保留每个位点对表型的不同权重信息。
在四个公共数据集的 15 个案例中，ResGS 的预测精度在大多数情况下高于 rrBLUP、SVR、随机森林、梯度提升回归器和 DNN-GP。
把其他环境的表型数据与遗传数据一起输入 ResGS，预测结果远好于仅提供遗传数据，验证了基因组选择多模态学习的有效性。