A Linear-Transformer Hybrid for SNP-Based Genotype-to-Phenotype Prediction in Grapevine

Resumen Técnico: Un Híbrido Lineal-Transformer para la Predicción de Genotipo a Fenotipo Basada en SNP en Vid

Enunciado del Problema
La predicción robusta de genotipo a fenotipo (G2P) es crítica para acelerar la ganancia genética en programas de mejora, particularmente para rasgos cuantitativos complejos influenciados por interacciones ambientales. Sin embargo, predecir estos rasgos sigue siendo un desafío debido a la dificultad de medir fenotipos bajo condiciones de campo variables a lo largo de los años. Los enfoques tradicionales de mejora son intensivos en recursos y lentos, mientras que los modelos existentes de aprendizaje automático (ML) a menudo luchan para generalizar entre diferentes entornos (por ejemplo, predicción entre años). Además, existe una brecha entre los grandes modelos fundacionales genómicos entrenados en secuencias completas de ADN y los programas de mejora prácticos que dependen de la genotipificación rentable de Polimorfismos de Nucleótido Simple (SNP). Existe una necesidad de marcos predictivos que puedan integrar efectivamente los efectos genéticos aditivos con interacciones no lineales utilizando datos de SNP para mejorar la robustez y la interpretabilidad.

Metodología: El Marco LiT-G2P
Los autores proponen LiT-G2P (Genotipo a Fenotipo Lineal-Transformer), un marco de IA híbrido diseñado para predecir fenotipos a partir de datos de SNP a nivel del genoma. El modelo descompone los efectos genéticos en dos componentes complementarios:

1. Efectos Principales Lineales: Una rama lineal que captura la varianza genética aditiva, proporcionando una línea base interpretable para las contribuciones independientes de los marcadores.
2. Interacciones No Lineales: Una rama basada en Transformer que modela interacciones epistáticas y dependencias de largo alcance entre SNPs utilizando mecanismos de autoatención.

Datos y Preprocesamiento:

• Conjunto de datos: Un panel de diversidad de 320 accesiones de vid (Vitis spp.) genotipadas con 15,388 marcadores SNP de alta calidad.
• Fenotipos: Dos rasgos relacionados, densidad de pelos foliares y densidad de tricomas, medidos durante dos temporadas de crecimiento consecutivas (2023 y 2024) utilizando la plataforma de fenotipado automatizado BlackBird.
• Procesamiento de entrada: Los genotipos se codificaron como dosis de alelos (0, 1, 2). Los datos faltantes (6.45%) se imputaron con el genotipo mayoritario. Los SNPs se agruparon en parches no superpuestos de 64, se incrustaron en un espacio latente de 128 dimensiones y se aumentaron con codificaciones posicionales sinusoidales para preservar el orden cromosómico.

Arquitectura del Modelo:
El LiT-G2P emplea una columna vertebral compartida que consiste en una capa lineal y un codificador Transformer (2 capas, 4 cabezas de atención). El Transformer procesa los tokens de parche para aprender patrones jerárquicos de SNP, agregándolos mediante un promedio de agrupación (mean pooling). La predicción final es la suma de los efectos aditivos lineales y los efectos de interacción no lineales aprendidos por el Transformer. El modelo se entrena como un problema de aprendizaje multitarea con una columna vertebral compartida y cabezas de salida específicas por rasgo, optimizando el Error Cuadrático Medio (MSE) en ambos rasgos.

Contribuciones Clave

1. Arquitectura Híbrida Novel: La introducción de LiT-G2P, que unifica el modelado aditivo lineal con el modelado de interacciones no lineales basado en Transformer específicamente para la predicción G2P basada en SNP en vid.
2. Formulación Multirasgo: Un enfoque de predicción conjunta para la densidad de pelos y tricomas que aprovecha la arquitectura genética compartida para mejorar la robustez en regímenes de alta dimensionalidad y baja muestra ($N \ll p$).
3. Interpretabilidad: Un mecanismo para extraer SNPs priorizados por el modelo a partir de pesos de atención y validarlos mediante un análisis de fenotipo estratificado por genotipo, proporcionando marcadores candidatos para validación posterior.
4. Evaluación Sistemática: Una evaluación comparativa exhaustiva contra regresión lineal de crestas (ridge regression), XGBoost y un modelo Transformer de referencia en escenarios de un solo año y entre años.

Resultados
El estudio evaluó el rendimiento utilizando el Error Cuadrático Medio Raíz (RMSE), el Error Absoluto Medio (MAE), el Error Porcentual Absoluto Medio (MAPE) y la precisión de tolerancia categórica ($ACC_{\pm0.5}$).

• Rendimiento de un solo año: LiT-G2P logró las tasas de error más bajas para ambos rasgos. Para la densidad de pelos foliares, alcanzó un RMSE de 0.469 y una precisión del 79.2%. Para la densidad de tricomas, logró un RMSE de 0.685 y una precisión del 62.6%, superando a todas las líneas base.
• Robustez entre años: En la validación entre años (entrenamiento en 2024, prueba en 2023), LiT-G2P demostró una generalización superior en comparación con los modelos lineales y basados en árboles, que sufrieron una degradación significativa de la precisión. Para la densidad de pelos, LiT-G2P mantuvo un RMSE de 0.454 y una precisión del 74.6%. Para la densidad de tricomas, logró un RMSE de 0.760 y una precisión del 57.8%.
• Interpretabilidad: El modelo identificó SNPs mejor clasificados, con una concentración en los cromosomas 7 y 8. El análisis estratificado por genotipo de estos SNPs principales reveló una separación clara en las distribuciones fenotípicas entre las clases de genotipo (0, 1, 2), confirmando que el modelo priorizó señales biológicamente significativas.

Significado y Afirmaciones
El artículo afirma que integrar efectos aditivos estables con patrones de interacción aprendidos mejora la robustez entre años, convirtiendo a LiT-G2P en una herramienta práctica para la selección genómica en tuberías de mejora. Al descomponer la arquitectura genética, el modelo no solo mejora la precisión predictiva, sino que también proporciona interpretabilidad mediante la priorización de SNPs basada en atención. Los autores postulan que este marco ofrece una plantilla para integrar la predicción G2P basada en SNP en programas de mejora para otros cultivos donde la selección convencional es ineficiente. Sin embargo, el artículo reconoce modestamente que el rendimiento entre años sigue estando limitado por la variabilidad ambiental y el ruido en la fenotipificación, sugiriendo que el trabajo futuro debe centrarse en conjuntos de datos multianuales más grandes y en el modelado explícito de interacciones genotipo por ambiente. El estudio no afirma resolver completamente el problema G2P, sino que demuestra que las arquitecturas híbridas pueden capturar mejor la complejidad de rasgos como la densidad de pelos y tricomas en comparación con las líneas base convencionales.