Deep learning pour la prédiction génomique des animaux croisés : intégration de l'apprentissage par transfert et des effets d'hétérosis
Ces dernières années, le croisement dans la production bovine laitière a suscité un intérêt croissant en raison du potentiel des animaux croisés à surpasser leurs parents de race pure, principalement grâce à l'hétérosis. Étant donné que les animaux croisés restent dans le système en tant que parents à prendre en compte pour les générations futures, il est essentiel de prédire avec précision leur valeur génétique (VG). Cependant, malgré diverses approches qui tiennent compte de la composition raciale ou de la race d'origine des allèles (ROA) dans les évaluations génomiques, la prédiction de la VG pour les animaux croisés est souvent moins précise que pour les animaux de race pure. Cela s'explique par la taille relativement petite de la population croisée, la composition raciale variable, les différences génétiques entre les populations de race pure et l'effet de l'hétérosis. La plupart des méthodes ne tiennent pas compte de l'hétérosis au niveau de chaque effet SNP, confondant l'hétérosis avec les effets additifs et réduisant ainsi la précision des prédictions.
Pour résoudre ce problème, nous avons développé un modèle d'apprentissage profond qui intègre la ROA et l'hétérosis à chaque SNP afin de prédire les valeurs génomiques chez les animaux croisés, en utilisant l'apprentissage par transfert à partir de parents de race pure. L'apprentissage par transfert dans l'apprentissage profond permet à un modèle entraîné sur un ensemble de données (races pures) d'améliorer ses performances sur un ensemble de données connexes (croisés), ce qui permet une meilleure reconnaissance des schémas génétiques malgré des données limitées sur les croisés. Nous avons validé notre modèle sur une population simulée ressemblant à une stratégie de croisement rotatif, pour laquelle les génotypes et les phénotypes ont été simulés, pour des caractères présentant une héritabilité et des niveaux d'hétérosis variables. À l'aide des génotypes simulés (QTL exclus) et des phénotypes d'animaux de race pure et croisés, les VG prédites des jeunes candidats obtenues avec notre modèle présentent une précision supérieure de 0,15 à celle des VG d'un Bayes A tenant compte de la ROA, lorsque l'hétérosis représentait 30 % de la variance génétique totale.
