基于SHAP引导的两阶段特征筛选与基因组预测框架研究

卢开心; 刘建平

doi:10.13417/j.gab.045.000856

基因组学与应用生物学 ›› 2026, Vol. 45 ›› Issue (4) : 856 -872. DOI: 10.13417/j.gab.045.000856

基于SHAP引导的两阶段特征筛选与基因组预测框架研究

卢开心, 刘建平

作者信息 +

Author information +

文章历史 +

摘要

针对基因组数据高维度、高冗余及复杂非线性关系所导致的特征筛选困难和预测性能不足问题,本研究提出了一种基于沙普利加性解释(Shapley additive explanations, SHAP)引导的两阶段特征筛选与基因组预测框架。首先,对全体样本的基因型数据进行主成分分析(principal component analysis, PCA)降维,并保留95%的累计变异信息,以构建统一的低维特征表示;其次,在外层10折交叉验证框架下,于每一折训练集内部采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)进行第一阶段全局稀疏筛选,以压缩候选特征空间;在此基础上,结合极端梯度提升(extreme gradient boosting, XGBoost)与SHAP对候选特征进行条件贡献评估,进一步筛选关键特征;最后,将筛选后的特征输入深度神经网络基因组预测(deep neural network genomic prediction, DNNGP)模型进行训练,并在对应测试集上完成独立预测评估。在wheat599和wheat2000数据集上的实验结果表明,所提出的方法在多个环境条件下优于基因组最佳线性无偏预测(genomic best linear unbiased prediction, GBLUP)、轻量级梯度提升机(light gradient boosting machine, Light GBM)、支持向量回归(support vector regression, SVR)和DNNGP等模型,在wheat599 Env2中,预测相关系数达到0.78,较DNNGP提高约23.8%。同时,在特征数量减少(最高约88%)的情况下,模型仍保持较高预测精度,展现了良好的稳定性与泛化能力。此外, SHAP分析显示,部分特征在不同环境中具有稳定的重要性,揭示了潜在的基因型与环境互作效应。综上,本文方法不仅提升了预测性能,还增强了模型可解释性,为高维基因组数据分析与作物分子育种提供了一种有效的技术路径。