高通量基因组测序和基因分型方法的进步，使许多植物物种（包括模型和作物）的全基因组鉴定以及种群水平的多样性分析成为现实。在这种海量基因型数据的情况下，作物基因型和表型之间的联系具有巨大的潜力，可以识别与相关农业性状自然变异有关的基因或基因组区域，并预测后代在特定环境中的表现。但由多个数量性状位点调控的复杂数量性状，由于其效应较小，用较少的标记难以预测。而利用深度学习和神经网络进行基因组预测，有望克服传统方法中的一些挑战。

2023年11月，Plant Phenomics在线发表了西班牙Center for Research in Agricultural Genomics (CRAG)单位Federico Jurado-Ruiz 和 Maria José Aranzana等人题为GenoDrawing: An Autoencoder Framework for Image Prediction from SNP Markers 的研究论文。

本研究引入了一种自动编码器框架GenoDrawing，用于从低深度单核苷酸多态性（SNP）阵列中预测和检索苹果图像，可能有助于预测难以定义的性状。作者基于该框架，使用苹果形状相关的SNP预测其表型，结果显示，使用与视觉性状相关的SNPs会对生成的图像产生显著影响，与生物学解释一致。另外，使用大量相关的SNPs能提升性能，但加入不相关的SNPs会导致性能下降。

图1 图形摘要。（1）将苹果基因型数据集分为训练和验证两个子集，每个子集保留了苹果整体形状分布。(2) SNP基因型矩阵分为2个，每个数据集1个。(3和4)使用训练数据集中的图像来拟合自动编码器模型。(5和6)每张图像(64个嵌入)的编码值按基因型平均，并与SNP矩阵一起用于训练嵌入预测模型。(7) GenoDrawing的结果不是一个训练模型，而是一个自动编码器、解码器和嵌入预测器的集合。(8) GenoDrawing预测的图像示例。

图2 (左)苹果原始图像。(右)苹果预测图像。

总的来说，尽管GenoDrawing存在一定的局限性，但其为未来基于基因组标记的图像预测研究奠定了基础。另外，该框架被证实可用于果树表型预测研究，可用于预测相关的遗传性状。

作者介绍

本文的主要作者为Federico Jurado-Ruiz和Maria José Aranzana，所属单位为西班牙农业基因组学研究中心和农业食品技术研究所。该工作由Federico Jurado-Ruiz和Maria José Aranzana构思和设计；Federico Jurado-Ruiz进行实验；Federico Jurado-Ruiz和Maria José Aranzana完成手稿。

论文链接：

https://spj.science.org/doi/10.34133/plantphenomics.0113

——推荐阅读——

Bridging Time-series Image Phenotyping and Functional–Structural Plant Modeling to Predict Adventitious Root System Architecture

https://doi.org/10.34133/plantphenomics.0127

Plant Phenomics | 华盛顿大学基于时间序列图像表型与植物功能结构模型相结合预测不定根构型

A multi-target regression method to predict element concentrations in tomato leaves using hyperspectral imaging 

https://spj.science.org/doi/10.34133/plantphenomics.0146

Plant Phenomics | 东京大学利用高光谱图像预测番茄叶片中元素含量的多目标回归方法