近日，中国农业科学院作物科学研究所大豆育种技术创新与新品种选育创新团队开发出一款深度学习模型GP-WAITER，该模型可显著提升作物复杂性状预测准确率与计算效率。相关研究成果发表在《自然·通讯（Nature Communications）》上。
基因组预测是通过基因型数据预测作物产量、品质等表型性状的关键技术，对于加速现代分子育种具有重要意义。然而，现有的统计预测模型存在计算资源消耗大、生物学解释性差以及难以捕捉基因间长距离相互作用等挑战。
科研团队创新性地将全基因组关联分析获得的变异位点作为权重引入编码层，融合局部特征提取能力与长距离依赖关系捕捉优势，构建了GP-WAITER模型，使模型能“有重点”地学习关键遗传信息，且可高效处理超长基因组序列。研究表明，该模型在大豆、玉米等6类数据集中，预测准确率较现有7种主流模型平均提升27.2%，最高提升达77.5%，计算效率提高1.8-2.4倍，并显著降低显存占用。此外，科研团队利用可解释性分析，成功挖掘出影响大豆油脂及异黄酮含量的关键基因。该研究为加速现代分子育种提供有力支撑工具。
该研究得到国家生物育种重大专项、国家自然科学基金和中国农业科学院科技创新工程项目支持。
原文链接：https://www.nature.com/articles/s41467-026-71035-5
来源： 中国农业科学院作物科学研究所