Anlernen von prädiktiven Vine-Copula-Modellen für komplexe Pflanzeneigenschaften
VineGP
Zusammenfassung
Die Sicherstellung einer stabilen Nahrungsmittelversorgung für eine wachsende Bevölkerung ist überlebenswichtig. Die genetische Verbesserung von Nutzpflanzen ist der Schlüssel zur Erreichung dieses Ziels. Effiziente Pflanzenzüchtung zielt darauf ab, die Leistung von Pflanzen anhand genomischer Daten vorherzusagen, um Pflanzen zu erzeugen, die an künftige Anforderungen angepasst sind. Die genomischen Daten sind jedoch hochdimensional, und die Pflanzeneigenschaften werden in unterschiedlichen Umgebungen für verschiedene Populationen gemessen. Daher ist es erforderlich, rechnerisch nachvollziehbare und genaue Vorhersagemodelle anzulernen, die flexible Abhängigkeitsstrukturen und Interaktionen in Daten mit mehreren Merkmalen, Umgebungen und Populationen erfassen können. Wir schlagen vor, diese Aufgaben mit der Klasse der Vine-Copula-Modelle anzugehen, um genauere Vorhersagemodelle für mehrere Merkmale aus genomischen Informationen zu entwickeln. Ein solcher auf Vine-Copula basierender Ansatz für genomische Vorhersagen existiert bisher nicht.