一个基于Python的先进基因组选择工具MultiGS-P

• 一个全面且育种家友好的基因组选择平台MultiGS
• 一个基于R语言的基因组选择工具MultiGS-R

MultiGS-P 的功能定位

MultiGS-P 是一个 基于 Python 的基因组选择（GS）分析管线，专门面向机器学习模型、深度学习模型和图神经网络（GNN）模型。

MultiGS-P 的核心特点可以概括为一句话：

MultiGS-P 将“现代预测模型”系统性引入 GS，并提供可比较、可复现、可扩展的运行框架。

需要强调的是： MultiGS-P 不是多性状模型，而是对多个单性状分别建模，这是其在实现层面刻意保持清晰性的设计选择。

MultiGS-P 的核心能力

1. 覆盖完整的现代模型谱系

MultiGS-P 的模型体系明显不同于传统 GS 工具，支持以下几类方法：

（1）线性与正则化模型（Python / R）

• RRBLUP（Python 实现）
• R_RRBLUP、R_GBLUP（通过 R 接口）
• ElasticNet
• BRR

这些模型主要用于：提供稳定基线；与复杂模型进行公平对照。

（2）树模型与 Boosting

• Random Forest
• XGBoost
• LightGBM

适用于：非线性但样本量中等的 GS 场景；SNP 或 HAP 特征维度已被控制的情况。

（3）深度学习模型

• MLPGS：多层感知机，作为深度学习基线
• DNNGS：更深层、可配置的全连接网络
• DeepBLUP：将 RRBLUP 嵌入神经网络结构
• DeepResBLUP：线性 GS 与深度残差网络的组合

这些模型用于捕捉：非线性效应；复杂 marker–trait 映射关系。

（4）图神经网络（GNN）

MultiGS-P 明确支持图结构建模：

• GraphConvGS
• GraphAttnGS
• GraphSAGEGS
• GraphFormer

其基本思想是：

将样本视为图节点，通过基因型相似性构建样本图，再进行信息传播。

这类模型适合：群体结构复杂；个体间关系显著的 GS 场景。

（5）集成学习（EnsembleGS）

MultiGS-P 内置 stacking 框架：

• 基模型：任意已运行模型
• 元模型：线性 / Ridge

用于综合不同模型的预测优势；提升整体预测稳定性。

2. 多特征视图的组合建模能力

MultiGS-P 支持三类 marker 表达方式：

• SNP：0/1/2 编码，维度最高
• HAP：单倍型块，依赖 rtm-gwas-snpldb
• PC：主成分，强调群体结构

与 MultiGS-R 不同的是：

MultiGS-P 允许同时启用多个 Feature View，并在模型层面进行组合建模。

但官方也明确指出： 多视图 = 更高计算成本 + 更高过拟合风险。

数据与预处理要求（MultiGS-P 明确约束）

1. 基因型数据

• 格式：VCF（.vcf / .vcf.gz）
• 仅支持双等位 SNP
• 不做任何内部 QC：不做 HWE 过滤；不做 LD pruning；不做深度 / 缺失率过滤。

缺失基因型在预处理阶段统一处理。

2. 表型数据

• CSV 或制表符文本
• 行 = 样本
• 列 = 性状
• 第一列必须为样本 ID

注意：

• 多性状支持，但 每个性状独立建模
• 缺失值默认用 性状中位数填补
• 表型与基因型归一化 由用户显式指定

运行环境与安装

1. 基本环境

• Linux（推荐）
• Python ≥ 3.9
• CPU 可运行
• GPU 强烈建议用于 DL / GNN 模型

2. 安装流程（官方推荐）

git clone https://github.com/AAFC-ORDC-Crop-Bioinfomatics/MultiGS-P.gitcd MultiGS-Pconda env create -f environment.ymlconda activate multigs_p

3. 单倍型工具

HAP 视图依赖：rtm-gwas-snpldb（仓库自带或独立安装）

五、配置文件结构（MultiGS-P 的核心）

MultiGS-P 的所有行为均由 一个 ini 文件控制。

1. General：执行与复现

[General]seed = 42threads = 10n_replicates = 1n_folds = 5R_path = /path_to_Rresults_dir = results

• seed：统计可复现性（非逐步确定性）
• n_replicates：CV 重复次数
• n_folds：CV 折数

2. Data：输入与归一化

[Data]vcf_path = train_genotype.vcfphenotype_path = train_pheno.txtpca_variance_explained = 0.95pheno_normalization = standardgenotype_normalization = standard

Prediction 模式下增加：

test_vcf_path =test_phenotype_path =

3. FeatureView：特征表示

[FeatureView]feature_view = SNP,HAP

可选：SNP、HAP、PC、任意组合（逗号分隔）

4. Models：模型选择

[Models]RRBLUP = trueXGBoost = trueMLPGS = trueGraphFormer = trueEnsembleGS = true

规则非常明确：

• 至少启用一个模型
• 线性模型应作为基线
• 深度与图模型计算成本最高

5. Hyperparameters_*：模型参数

• 每个模型独立参数块
• 默认参数偏保守
• 深度与图模型对参数高度敏感
• Ensemble 仅使用指定基模型输出

运行 MultiGS-P

1. 激活环境

conda activate multigs_p

2. 执行管线

python MultiGS-P_1.0.pyc --config config.ini

执行特征：

• 每个性状独立运行
• 每个模型顺序执行
• 日志与中间结果完整保存

输出结果结构（重点）

1. 表型基础分析

phenotype_analysis/

• 分布
• 相关性
• 仅用于数据检查

2. 交叉验证结果

crossvalidation/results/

• cv_gs_results.json
• cv_gs_detailed_results.csv
• cv_gs_summary_stats_*.csv
• 模型 / 性状 / 特征视图箱线图
• ANOVA + Tukey HSD（模型统计比较）

3. 预测模式输出

prediction/results/

• 样本级预测值
• 不同模型预测相关性
• observed vs predicted 散点图

4. 计算资源统计

• 训练时间
• 内存消耗
• 模型间资源对比

5. 模型检查点

ckpts/

• 深度与图模型保存
• 用于复现与二次预测

使用层面的关键建议

• 一定保留线性模型作为对照
• 深度 / GNN 模型不适合小样本
• 多 Feature View 会显著增加复杂度
• Ensemble 模型依赖基模型质量
• 不要忽略计算资源与训练时间对比结果

小结

MultiGS-P 是一个为复杂模型而设计的 GS 工具，它的价值不在“跑得快”，而在：

• 系统性引入深度学习与图模型
• 提供严格、可比较的评估体系
• 将 GS 从“线性假设”推进到“结构学习”

在 MultiGS 体系中，MultiGS-P 的角色非常清晰：

探索复杂遗传结构与模型上限的实验与方法平台。

如果您的数据非常丰富，可尝试使用MultiGS-P。尤其是对于学术研究人员来说，深度学习是当前热点，不开发新方法又想尝鲜将DL应用到自己的研究，可能是一个选择。“生物信息与育种”团队深耕行业十余年，有丰富的GS研究经验，若您有这方面的研究需求，我们可提供数据分析服务以及科研合作。

参考Github：https://github.com/AAFC-ORDC-Crop-Bioinfomatics/MultiGS-P