CN114912040A - 育种处理方法、装置及计算机可读存储介质 - Google Patents

育种处理方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN114912040A
CN114912040A CN202210411433.0A CN202210411433A CN114912040A CN 114912040 A CN114912040 A CN 114912040A CN 202210411433 A CN202210411433 A CN 202210411433A CN 114912040 A CN114912040 A CN 114912040A
Authority
CN
China
Prior art keywords
data
seed
seeds
phenotype
breeding
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210411433.0A
Other languages
English (en)
Inventor
李慧慧
顾斐
杨晗
张鹏
李欣
王轲麟
冯英伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Crop Sciences of Chinese Academy of Agricultural Sciences
Alibaba Damo Institute Hangzhou Technology Co Ltd
Original Assignee
Institute of Crop Sciences of Chinese Academy of Agricultural Sciences
Alibaba Damo Institute Hangzhou Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Crop Sciences of Chinese Academy of Agricultural Sciences, Alibaba Damo Institute Hangzhou Technology Co Ltd filed Critical Institute of Crop Sciences of Chinese Academy of Agricultural Sciences
Priority to CN202210411433.0A priority Critical patent/CN114912040A/zh
Publication of CN114912040A publication Critical patent/CN114912040A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biotechnology (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Animal Husbandry (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Soil Sciences (AREA)
  • Environmental Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Genetics & Genomics (AREA)
  • Tourism & Hospitality (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Human Resources & Organizations (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明公开了一种育种处理方法、装置及计算机可读存储介质。其中，该方法包括：获取待选种子；获取待选种子的基因数据；获取待选种子的育种环境数据；基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据。本发明解决了由于数据处理效率低造成的育种进度缓慢的技术问题。

Description

育种处理方法、装置及计算机可读存储介质
技术领域
本发明涉及数据处理领域，具体而言，涉及一种育种处理方法、装置及计算机可读存储介质。
背景技术
在相关技术中，通常是通过采集种子的育种数据和其对应的性状数据来直接进行分析的，但该方法在数据的采集和处理方面效率较低，进而会影响育种研究的进度。
因此，在相关技术中存在由于数据处理效率低造成的育种进度缓慢的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种育种处理方法、装置及计算机可读存储介质，以至少解决由于数据处理效率低造成的育种进度缓慢的技术问题。
根据本发明实施例的一个方面，提供了一种育种处理方法，包括：获取待选种子；获取待选种子的基因数据；获取待选种子的育种环境数据；基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据。
可选地，获取待选种子的基因数据，包括：对待选种子的基因采样数据进行处理，确定基因组信息；从基因组信息提取待选种子的基因数据。
可选地，在基于基因数据和育种环境数据，采用深度学习模型，预测待选种子表型数据之前，还包括：获取多组样本种子数据，其中，多组样本种子数据包括：样本种子的基因数据，样本种子的育种环境数据，以及样本种子的表型数据；采用多组样本种子数据进行机器训练，得到深度学习模型。
可选地，获取样本种子的表型数据，包括：获取样本种子在种植后的图像数据；采用图像识别模型，从图像数据中识别出样本种子的表型数据，其中，图像识别模型采用多组样本图像数据进行机器训练得到，多组样本图像数据包括：样本图像数据，样本图像数据中种子的表型数据。
可选地，在基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据之后，还包括：基于待选种子的表型数据，从待选种子中筛选出目标种子。
可选地，在基于待选种子的表型数据，从待选种子中筛选出目标种子之后，还包括：在目标种子的表型数据存储于服务器的情况下，基于浏览器和服务器架构模式对目标种子的表型数据进行展示。
可选地，基于浏览器和服务器架构模式对目标种子的表型数据进行展示，包括：接收通过浏览器的界面输入的表型数据展示请求，其中，表型数据展示请求中携带有请求展示的目标种子的标识信息；将表型数据展示请求发送给服务器；接收服务器返回的响应结果，其中，响应结果中包括标识信息所标识的目标种子的表型数据；在浏览器的界面上显示表型数据。
可选地，在浏览器的界面上显示表型数据，包括：接收通过浏览器的界面输入的图像展示请求，其中，图像展示请求用于请求展示表型数据对应的图像；将图像展示请求发送给服务器；接收服务器返回的与表型数据对应的目标图像；在浏览器的界面上显示目标图像。
根据本发明实施例的另一方面，还提供了一种育种处理方法，包括：在交互界面上显示种子选择控件；响应于对种子选择控件的操作，选择待选种子；响应于对待选种子的操作，获取待选种子的基因数据；响应于对环境数据的选择操作，获取待选种子的育种环境数据；在交互界面上显示待选种子的表型数据，其中，表型数据基于基因数据和育种环境数据采用深度学习模型预测得到。
根据本发明实施例的另一方面，还提供了一种育种处理装置，包括：第一获取模块，用于获取待选种子；第二获取模块，用于获取待选种子的基因数据；第三获取模块，用于获取待选种子的育种环境数据；预测模块，用于基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据。
根据本发明实施例的另一方面，还提供了一种育种处理装置，包括：第一显示模块，用于在交互界面上显示种子选择控件；选择模块，用于响应于对种子选择控件的操作，选择待选种子；第四获取模块，用于响应于对待选种子的操作，获取待选种子的基因数据；第五获取模块，用于响应于对环境数据的选择操作，获取待选种子的育种环境数据；第二显示模块，用于在交互界面上显示待选种子的表型数据，其中，表型数据基于基因数据和育种环境数据采用深度学习模型预测得到。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的育种处理方法。
根据本发明实施例的另一方面，还提供了一种计算机设备，包括：存储器和处理器，存储器存储有计算机程序；处理器，用于执行存储器中存储的计算机程序，计算机程序运行时使得处理器执行上述任意一项的育种处理方法。
在本发明实施例中，通过获取待选种子的基因数据和育种环境数据，采用深度学习模型就可以直接、准确地预测出待选种子的表型数据，从而实现了根据基因数据和环境数据直接预测出种子在种植成熟后的性状表现的技术效果，进而解决了由于数据处理效率低造成的育种进度缓慢的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现育种处理方法的计算机终端的硬件结构框图；
图2是根据本发明实施例的育种处理方法一的流程图；
图3是根据本发明实施例的育种处理方法二的流程图；
图4是根据本发明可选实施方式提供的育种处理方法的示意图；
图5是根据本发明实施例的育种处理装置一的结构框图；
图6是根据本发明实施例的育种处理装置二的结构框图；
图7是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
全基因组，指与植物个体对应的全部基因，即RNA和DNA的总和。
全基因组选择，基于基因组育种值进行的，通过检测覆盖全基因组的分子标记，利用基因组水平的遗传信息对个体进行遗传评估，以获得更高的育种值估计准确性。对早期难以度量的性状进行选择，缩短世代间隔，加速育种进程，从而节约大量的育种成本。
基因测序，用生物试剂和测序仪将植物个体的基因组片段检测出来，并转换成字符。
表型，又称表现型，对于一个生物而言，表示它某一特定的物理外观或成分，例如，一个人是否有耳珠、植物的高度、人的血型、蛾的颜色等等，都是表型。
实施例1
根据本发明实施例，还提供了一种育种处理的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现育种处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备)可以包括一个或多个处理器(图中采用102a、102b，……，102n来示出，处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的育种处理方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
在上述运行环境下，本申请提供了如图2所示的育种处理方法。图2是根据本发明实施例的育种处理方法一的流程图，如图2所示，该方法包括如下步骤：
步骤S202，获取待选种子；
步骤S204，获取待选种子的基因数据；
步骤S206，获取待选种子的育种环境数据；
步骤S208，基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据。
通过获取待选种子的基因数据和育种环境数据，采用深度学习模型就可以直接、准确地预测出待选种子的表型数据，从而实现了根据基因数据和环境数据直接预测出种子在种植成熟后的性状表现的技术效果，进而解决了由于数据处理效率低造成的育种进度缓慢的技术问题。
需要说明的是，在上述的待选种子的基因数据和育种环境数据之外，还可以将待选种子的父本和母本的基因数据也作为预测待选种子表型数据的数据基础，进而提高表型数据预测结果的准确率。
作为一种可选的实施方式，获取待选种子的基因数据时，可以采用以下方式：对待选种子的基因采样数据进行处理，确定基因组信息；从基因组信息提取待选种子的基因数据。其中，对基因采样数据进行的处理包括数字化处理和数据预处理，通过对基因采样数据进行数字化处理以及诸如插值，清理，集成，变换，归约等方式的预处理，可以大大提高基因数据的挖掘质量并降低实际挖掘所需要的时间，其中，需要说明的是，上述的基因数据包括基因位点数据和基因测序数据。
作为一种可选的实施方式，在基于基因数据和育种环境数据，采用深度学习模型，预测待选种子表型数据之前，还可以进行以下操作：获取多组样本种子数据，其中，多组样本种子数据包括：样本种子的基因数据，样本种子的育种环境数据，以及样本种子的表型数据；采用多组样本种子数据进行机器训练，得到深度学习模型。通过利用样本种子的基因数据，样本种子的育种环境数据以及样本种子的表型数据对深度学习模型进行充分训练，使得得到的深度学习模型能够根据输入的基因数据和环境数据准确地预测出表型数据，同时，由于采用了深度学习模型，在保证预测结果足够准确的基础上，还可以使整个预测过程更加快速，提高育种预测的效率。
作为一种可选的实施方式，获取样本种子的表型数据时，可以采用以下方式：获取样本种子在种植后的图像数据；采用图像识别模型，从图像数据中识别出样本种子的表型数据，其中，图像识别模型采用多组样本图像数据进行机器训练得到，多组样本图像数据包括：样本图像数据，样本图像数据中种子的表型数据。由于诸如高度，果实大小，叶片大小等等的表现型性状可以从外观上直接得出，因此，本发明可选实施方式采用图像识别的方式从图像数据中直接识别得到待选种子对应的表型数据，大大提高了表型数据采集的效率，同时，由于图像识别模型经过多组训练样本训练得到，所以其识别结果也具有较高的可靠性。
作为一种可选的实施方式，在基于基因数据和育种环境数据，采用深度学***均单株作物的果实数量是否超过预期阈值，等等。
作为一种可选的实施方式，在基于待选种子的表型数据，从待选种子中筛选出目标种子之后，还可以进行以下操作：在目标种子的表型数据存储于服务器的情况下，基于浏览器和服务器架构模式对目标种子的表型数据进行展示。在得到预测结果之后，还可以基于浏览器和服务器架构模式对目标种子的表型数据进行展示，以便于用户可以更加清晰地了解目标种子的性状表现情况的预测结果，需要说明的是，在本可选实施方式中也可以基于浏览器和服务器架构模式对其它数据进行展示，例如，全部待选种子的表型数据预测结果，等等。
作为一种可选的实施方式，基于浏览器和服务器架构模式对目标种子的表型数据进行展示，包括：接收通过浏览器的界面输入的表型数据展示请求，其中，表型数据展示请求中携带有请求展示的目标种子的标识信息；将表型数据展示请求发送给服务器；接收服务器返回的响应结果，其中，响应结果中包括标识信息所标识的目标种子的表型数据；在浏览器的界面上显示表型数据。通过上述步骤，用户只需在浏览器中输入的表型数据展示请求，就可以直接从服务器中获取与该请求对应的目标种子的表型数据，并将该目标种子的表型数据在浏览器中直接进行展示，既不占用用户端存储，又可以以最小的***开发和维护成本来对用户展示目标种子的表型数据。
作为一种可选的实施方式，在浏览器的界面上显示表型数据，包括：接收通过浏览器的界面输入的图像展示请求，其中，图像展示请求用于请求展示表型数据对应的图像；将图像展示请求发送给服务器；接收服务器返回的与表型数据对应的目标图像；在浏览器的界面上显示目标图像。通过上述步骤，用户在浏览器中输入展示请求后就可以直接查看到展示请求对应的目标图像，实现在不占用用户端存储的同时，还可以以最小的***开发和维护成本向用户直观地展示目标种子对应的表型数据，帮助用户快速了解需要的种子信息。
需要说明的是，在上述方法中，还可以对待选种子的种子数据分不同地点、季节、批次地进行统计分析，例如，计算其遗传相关性，表型相关性，遗传方差，表型方差，遗传率，等等，且该统计分析过程通过中心处理器(CPU)和图像处理器(GPU)进行加速。
需要说明的是，在上述方法中，均可以采用中央处理器和图形处理器进行计算加速，采用大数据方法及人工智能算法进行数据处理，以使数据处理过程更加高效。
图3是根据本发明实施例的育种处理方法二的流程图，如图3所示，该方法包括如下步骤：
步骤S302，在交互界面上显示种子选择控件；
步骤S304，响应于对种子选择控件的操作，选择待选种子；
步骤S306，响应于对待选种子的操作，获取待选种子的基因数据；
步骤S308，响应于对环境数据的选择操作，获取待选种子的育种环境数据；
步骤S310，在交互界面上显示待选种子的表型数据，其中，表型数据基于基因数据和育种环境数据采用深度学习模型预测得到。
通过上述步骤，在交互界面上选择待选种子和环境数据，用户就可以直接得到该待选种子对应的表型数据，从而实现了根据基因数据和环境数据直接预测出种子在种植成熟后的性状表现的技术效果，进而解决了由于数据处理效率低造成的育种进度缓慢的技术问题。
基于上述实施例及可选实施方式，提供一种可选实施方式，下面具体说明。
本发明可选实施方式提出一种育种处理方法，图4是根据本发明可选实施方式提供的育种处理方法的示意图，如图4所示，该方法分为以下几个层面：
(1)输入层面，输入的数据包括种子相关的数据(如品种，种植地，亲本等)，基因测序数据，表型数据和环境数据(如气候，土壤等)；
(2)计算层面，种子数据做各类数据存储、数据库等管理以及统计分析的工作；基因数据做分布式计算，图形处理器进行加速工作；用AI方法提取表型数据中与图像相关的性状对应的数值；
(3)算法层面，通过基因、表型、环境数据以及AI算法来构建全基因组选择算法；
(4)***构架，采用浏览器和服务器架构模式进行平台架构，支持从种子数据管理，到大数据分析，再到AI分析的一站式全流程的***，该分析过程具有良好的人机交互界面，方便用户操作，同时还具有多任务管理功能，可用于管理多任务的分析，终止，重新分析等操作。
本发明可选实施方式通过引入大数据、AI算法、计算加速以及图像识别等技术，在计算场景中能够体现出非常明显的优势，且采用浏览器和服务器架构模式，使得在平台架构方面也具有一定优势，另外，本发明可选实施方式还引入了对基因数据的管理和分析，其中，基因数据包括基因测序数据和基因位点数据，使得该方法可以提供更加全面、高质量、高效率的育种数据处理服务。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的育种处理方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例，还提供了一种用于实施上述育种处理方法一的装置，图5是根据本发明实施例的育种处理装置一的结构框图，如图5所示，该装置包括：第一获取模块51，第二获取模块52，第三获取模块53和预测模块54，下面对该装置进行说明。
第一获取模块51，用于获取待选种子；第二获取模块52，连接至上述第一获取模块51，用于获取待选种子的基因数据；第三获取模块53，连接至上述第二获取模块52，用于获取待选种子的育种环境数据；预测模块54，连接至上述第三获取模块53，用于基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据。
此处需要说明的是，上述第一获取模块51，第二获取模块52，第三获取模块53和预测模块54对应于实施例1中的步骤S202至步骤S208，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
根据本发明实施例，还提供了一种用于实施上述育种处理方法二的装置，图6是根据本发明实施例的育种处理装置一的结构框图，如图6所示，该装置包括：第一显示模块61，选择模块62，第四获取模块63，第五获取模块64和第二显示模块65，下面对该装置进行说明。
第一显示模块61，用于在交互界面上显示种子选择控件；选择模块62，连接至上述第一显示模块61，用于响应于对种子选择控件的操作，选择待选种子；第四获取模块63，连接至上述选择模块62，用于响应于对待选种子的操作，获取待选种子的基因数据；第五获取模块64，连接至上述第四获取模块63，用于响应于对环境数据的选择操作，获取待选种子的育种环境数据；第二显示模块65，连接至上述第五获取模块64，用于在交互界面上显示待选种子的表型数据，其中，表型数据基于基因数据和育种环境数据采用深度学习模型预测得到。
此处需要说明的是，上述第一显示模块61，选择模块62，第四获取模块63，第五获取模块64和第二显示模块65对应于实施例1中的步骤S302至步骤S310，五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
实施例3
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行应用程序的育种处理方法中以下步骤的程序代码：获取待选种子；获取待选种子的基因数据；获取待选种子的育种环境数据；基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据。
可选地，图7是根据本发明实施例的一种计算机终端的结构框图。如图7所示，该计算机终端可以包括：一个或多个(图中仅示出一个)处理器、存储器等。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的育种处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的育种处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取待选种子；获取待选种子的基因数据；获取待选种子的育种环境数据；基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据。
可选的，上述处理器还可以执行如下步骤的程序代码：获取待选种子的基因数据，包括：对待选种子的基因采样数据进行处理，确定基因组信息；从基因组信息提取待选种子的基因数据。
可选的，上述处理器还可以执行如下步骤的程序代码：在基于基因数据和育种环境数据，采用深度学习模型，预测待选种子表型数据之前，还包括：获取多组样本种子数据，其中，多组样本种子数据包括：样本种子的基因数据，样本种子的育种环境数据，以及样本种子的表型数据；采用多组样本种子数据进行机器训练，得到深度学习模型。
可选的，上述处理器还可以执行如下步骤的程序代码：获取样本种子的表型数据，包括：获取样本种子在种植后的图像数据；采用图像识别模型，从图像数据中识别出样本种子的表型数据，其中，图像识别模型采用多组样本图像数据进行机器训练得到，多组样本图像数据包括：样本图像数据，样本图像数据中种子的表型数据。
可选的，上述处理器还可以执行如下步骤的程序代码：在基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据之后，还包括：基于待选种子的表型数据，从待选种子中筛选出目标种子。
可选的，上述处理器还可以执行如下步骤的程序代码：在基于待选种子的表型数据从待选种子中筛选出目标种子之后，还包括：在目标种子的表型数据存储于服务器的情况下，基于浏览器和服务器架构模式对目标种子的表型数据进行展示。
可选的，上述处理器还可以执行如下步骤的程序代码：基于浏览器和服务器架构模式对目标种子的表型数据进行展示，包括：接收通过浏览器的界面输入的表型数据展示请求，其中，表型数据展示请求中携带有请求展示的目标种子的标识信息；将表型数据展示请求发送给服务器；接收服务器返回的响应结果，其中，响应结果中包括标识信息所标识的目标种子的表型数据；在浏览器的界面上显示表型数据。
可选的，上述处理器还可以执行如下步骤的程序代码：在浏览器的界面上显示表型数据，包括：接收通过浏览器的界面输入的图像展示请求，其中，图像展示请求用于请求展示表型数据对应的图像；将图像展示请求发送给服务器；接收服务器返回的与表型数据对应的目标图像；在浏览器的界面上显示目标图像。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：在交互界面上显示种子选择控件；响应于对种子选择控件的操作，选择待选种子；响应于对待选种子的操作，获取待选种子的基因数据；响应于对环境数据的选择操作，获取待选种子的育种环境数据；在交互界面上显示待选种子的表型数据，其中，表型数据基于基因数据和育种环境数据采用深度学习模型预测得到。
采用本发明实施例，通过获取待选种子的基因数据和育种环境数据，采用深度学习模型就可以直接、准确地预测出待选种子的表型数据，从而实现了根据基因数据和环境数据直接预测出种子在种植成熟后的性状表现的技术效果，进而解决了由于数据处理效率低造成的育种进度缓慢的技术问题。
本领域普通技术人员可以理解，图7所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternetDevices，MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如，计算机终端还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图7所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，计算机可读存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
实施例4
本发明的实施例还提供了一种计算机可读存储介质。可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的育种处理方法所执行的程序代码。
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取待选种子；获取待选种子的基因数据；获取待选种子的育种环境数据；基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取待选种子的基因数据，包括：对待选种子的基因采样数据进行处理，确定基因组信息；从基因组信息提取待选种子的基因数据。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在基于基因数据和育种环境数据，采用深度学习模型，预测待选种子表型数据之前，还包括：获取多组样本种子数据，其中，多组样本种子数据包括：样本种子的基因数据，样本种子的育种环境数据，以及样本种子的表型数据；采用多组样本种子数据进行机器训练，得到深度学习模型。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取样本种子的表型数据，包括：获取样本种子在种植后的图像数据；采用图像识别模型，从图像数据中识别出样本种子的表型数据，其中，图像识别模型采用多组样本图像数据进行机器训练得到，多组样本图像数据包括：样本图像数据，样本图像数据中种子的表型数据。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在基于基因数据和育种环境数据，采用深度学习模型，预测待选种子的表型数据之后，还包括：基于待选种子的表型数据，从待选种子中筛选出目标种子。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在基于待选种子的表型数据，从待选种子中筛选出目标种子之后，还包括：在目标种子的表型数据存储于服务器的情况下，基于浏览器和服务器架构模式对目标种子的表型数据进行展示。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：基于浏览器和服务器架构模式对目标种子的表型数据进行展示，包括：接收通过浏览器的界面输入的表型数据展示请求，其中，表型数据展示请求中携带有请求展示的目标种子的标识信息；将表型数据展示请求发送给服务器；接收服务器返回的响应结果，其中，响应结果中包括标识信息所标识的目标种子的表型数据；在浏览器的界面上显示表型数据。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在浏览器的界面上显示表型数据，包括：接收通过浏览器的界面输入的图像展示请求，其中，图像展示请求用于请求展示表型数据对应的图像；将图像展示请求发送给服务器；接收服务器返回的与表型数据对应的目标图像；在浏览器的界面上显示目标图像。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在交互界面上显示种子选择控件；响应于对种子选择控件的操作，选择待选种子；响应于对待选种子的操作，获取待选种子的基因数据；响应于对环境数据的选择操作，获取待选种子的育种环境数据；在交互界面上显示待选种子的表型数据，其中，表型数据基于基因数据和育种环境数据采用深度学习模型预测得到。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种育种处理方法，其特征在于，包括：
获取待选种子；
获取所述待选种子的基因数据；
获取所述待选种子的育种环境数据；
基于所述基因数据和所述育种环境数据，采用深度学习模型，预测所述待选种子的表型数据。
2.根据权利要求1所述的方法，其特征在于，所述获取所述待选种子的基因数据，包括：
对所述待选种子的基因采样数据进行处理，确定基因组信息；
从所述基因组信息提取所述待选种子的基因数据。
3.根据权利要求1所述的方法，其特征在于，在基于所述基因数据和所述育种环境数据，采用深度学习模型，预测所述待选种子表型数据之前，还包括：
获取多组样本种子数据，其中，所述多组样本种子数据包括：样本种子的基因数据，样本种子的育种环境数据，以及样本种子的表型数据；
采用所述多组样本种子数据进行机器训练，得到所述深度学习模型。
4.根据权利要求3所述的方法，其特征在于，所述获取所述样本种子的表型数据，包括：
获取所述样本种子在种植后的图像数据；
采用图像识别模型，从所述图像数据中识别出所述样本种子的表型数据，其中，所述图像识别模型采用多组样本图像数据进行机器训练得到，所述多组样本图像数据包括：样本图像数据，所述样本图像数据中种子的表型数据。
5.根据权利要求1至4中任一项所述的方法，其特征在于，在基于所述基因数据和所述育种环境数据，采用深度学习模型，预测所述待选种子的表型数据之后，还包括：
基于所述待选种子的表型数据，从所述待选种子中筛选出目标种子。
6.根据权利要求5所述的方法，其特征在于，在基于所述待选种子的表型数据，从所述待选种子中筛选出目标种子之后，还包括：
在所述目标种子的表型数据存储于服务器的情况下，基于浏览器和服务器架构模式对所述目标种子的表型数据进行展示。
7.根据权利要求6所述的方法，其特征在于，所述基于浏览器和服务器架构模式对所述目标种子的表型数据进行展示，包括：
接收通过所述浏览器的界面输入的表型数据展示请求，其中，所述表型数据展示请求中携带有请求展示的目标种子的标识信息；
将所述表型数据展示请求发送给所述服务器；
接收所述服务器返回的响应结果，其中，所述响应结果中包括所述标识信息所标识的目标种子的表型数据；
在所述浏览器的所述界面上显示所述表型数据。
8.根据权利要求7所述的方法，其特征在于，所述在所述浏览器的所述界面上显示所述表型数据，包括：
接收通过所述浏览器的所述界面输入的图像展示请求，其中，所述图像展示请求用于请求展示所述表型数据对应的图像；
将所述图像展示请求发送给所述服务器；
接收所述服务器返回的与所述表型数据对应的目标图像；
在所述浏览器的所述界面上显示所述目标图像。
9.一种育种处理方法，其特征在于，包括：
在交互界面上显示种子选择控件；
响应于对所述种子选择控件的操作，选择待选种子；
响应于对所述待选种子的操作，获取所述待选种子的基因数据；
响应于对环境数据的选择操作，获取所述待选种子的育种环境数据；
在所述交互界面上显示所述待选种子的表型数据，其中，所述表型数据基于所述基因数据和所述育种环境数据采用深度学习模型预测得到。
10.一种育种处理装置，其特征在于，包括：
第一获取模块，用于获取待选种子；
第二获取模块，用于获取所述待选种子的基因数据；
第三获取模块，用于获取所述待选种子的育种环境数据；
预测模块，用于基于所述基因数据和所述育种环境数据，采用深度学习模型，预测所述待选种子的表型数据。
11.一种育种处理装置，其特征在于，包括：
第一显示模块，用于在交互界面上显示种子选择控件；
选择模块，用于响应于对所述种子选择控件的操作，选择待选种子；
第四获取模块，用于响应于对所述待选种子的操作，获取所述待选种子的基因数据；
第五获取模块，用于响应于对环境数据的选择操作，获取所述待选种子的育种环境数据；
第二显示模块，用于在所述交互界面上显示所述待选种子的表型数据，其中，所述表型数据基于所述基因数据和所述育种环境数据采用深度学习模型预测得到。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至9中任意一项所述的育种处理方法。
13.一种计算机设备，其特征在于，包括：存储器和处理器，
所述存储器存储有计算机程序；
所述处理器，用于执行所述存储器中存储的计算机程序，所述计算机程序运行时使得所述处理器执行权利要求1至9中任意一项所述的育种处理方法。
CN202210411433.0A 2022-04-19 2022-04-19 育种处理方法、装置及计算机可读存储介质 Pending CN114912040A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210411433.0A CN114912040A (zh) 2022-04-19 2022-04-19 育种处理方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210411433.0A CN114912040A (zh) 2022-04-19 2022-04-19 育种处理方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114912040A true CN114912040A (zh) 2022-08-16

Family

ID=82764461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210411433.0A Pending CN114912040A (zh) 2022-04-19 2022-04-19 育种处理方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114912040A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106028794A (zh) * 2013-12-27 2016-10-12 先锋国际良种公司 改良的分子育种方法
US20200128769A1 (en) * 2017-06-22 2020-04-30 Aalto University Foundation Sr. Method and system for selecting a plant variety
CN112930544A (zh) * 2018-10-24 2021-06-08 克莱米特公司 利用遗传学和特征工程来提高按田地的种子产品选择和推荐的放置可预测性

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106028794A (zh) * 2013-12-27 2016-10-12 先锋国际良种公司 改良的分子育种方法
US20200128769A1 (en) * 2017-06-22 2020-04-30 Aalto University Foundation Sr. Method and system for selecting a plant variety
CN112930544A (zh) * 2018-10-24 2021-06-08 克莱米特公司 利用遗传学和特征工程来提高按田地的种子产品选择和推荐的放置可预测性

Similar Documents

Publication Publication Date Title
CN107742290A (zh) 植物病害识别预警方法及装置
CN108937912B (zh) 一种基于深度神经网络的自动心律失常分析方法
CN107368696B (zh) 题目的解析方法、解析装置及终端设备
CN111785366A (zh) 患者治疗方案的确定方法、装置及计算机设备
CN115730605B (zh) 基于多维信息的数据分析方法
CN106096327B (zh) 基于Torch监督式深度学习的基因性状识别方法
CN111599433B (zh) 一种药材的辅助开方方法、装置、存储介质及终端
CN111710364A (zh) 一种菌群标记物的获取方法、装置、终端及存储介质
Perez et al. Coalescent‐based species delimitation meets deep learning: insights from a highly fragmented cactus system
CN109448842B (zh) 人体肠道微生态失衡的确定方法、装置及电子设备
CN114912040A (zh) 育种处理方法、装置及计算机可读存储介质
CN117637033A (zh) 一种基于遗传知识库的新致病基因位点机器学习挖掘方法
WO2015105771A1 (en) Systems and methods for genomic variant analysis
CN111324618A (zh) 一种异地实时同步药用生物资源数据的***及方法
CN113255440B (zh) 一种基于机器学习的农作物叶片异常检测方法及***
CN115272797A (zh) 分类器的训练方法、使用方法、装置、设备及存储介质
CN110232393B (zh) 数据的处理方法、装置、存储介质和电子装置
CN113782092A (zh) 一种生存期预测模型的生成方法及装置、存储介质
CN113470742A (zh) 数据处理方法、装置、存储介质及计算机设备
CN117495432B (zh) 一种多时间尺度投票式用户潜在需求分析方法及***
CN112801296A (zh) 数据处理方法、装置和***
CN110163657A (zh) 基于流形学习算法的保险产品推荐方法及相关设备
CN117171676B (zh) 基于决策树的土壤微生物识别分析方法、***及存储介质
CN115796235B (zh) 补充缺失数据的生成器模型训练方法和***
CN115631796B (zh) 大蒜生物指纹图谱构建和识别方法、终端设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination