The goal of this study was to compare the predictive performance of artificial neural networks (ANNs) with Bayesian ridge regression, Bayesian Lasso, Bayes A, Bayes B and Bayes Cπ in estimating genomic breeding values for meat tenderness in Nellore cattle. The animals were genotyped with the Illumina Bovine HD Bead Chip (HD, 777K from 90 samples) and the GeneSeek Genomic Profiler (GGP Indicus HD, 77K from 485 samples). The quality control for the genotypes was applied on each Chip and comprised removal of SNPs located on non-autosomal chromosomes, with minor allele frequency <5%, deviation from HWE (p < 10-6 ), and with linkage disequilibrium >0.8. The FImpute program was used for genotype imputation. Pedigree-based analyses indicated that meat tenderness is moderately heritable (0.35), indicating that it can be improved by direct selection. Prediction accuracies were very similar across the Bayesian regression models, ranging from 0.20 (Bayes A) to 0.22 (Bayes B) and 0.14 (Bayes Cπ) to 0.19 (Bayes A) for the additive and dominance effects, respectively. ANN achieved the highest accuracy (0.33) of genomic prediction of genetic merit. Even though deep neural networks are recognized to deliver more accurate predictions, in our study ANN with one single hidden layer, 105 neurons and rectified linear unit (ReLU) activation function was sufficient to increase the prediction of genetic merit for meat tenderness. These results indicate that an ANN with relatively simple architecture can provide superior genomic predictions for meat tenderness in Nellore cattle.

中文翻译：

---

使用人工神经网络提高内洛尔牛肉嫩度的基因组预测准确性

本研究的目的是比较人工神经网络 (ANN) 与贝叶斯岭回归、贝叶斯套索、贝叶斯 A、贝叶斯 B 和贝叶斯 Cπ 在估计内洛尔牛肉嫩度的基因组育种值方面的预测性能。使用 Illumina Bovine HD Bead Chip（HD，来自 90 个样本的 777K）和 GeneSeek Genomic Profiler（GGP Indicus HD，来自 485 个样本的 77K）对动物进行基因分型。基因型的质量控制应用于每个芯片，包括去除位于非常染色体上的 SNP，次要等位基因频率 <5%，偏离 HWE (p < 10-6)，连锁不平衡 >0.8。FImpute 程序用于基因型插补。基于谱系的分析表明，肉嫩度具有中等遗传性 (0.35)，表明它可以通过直接选择来改进。贝叶斯回归模型的预测精度非常相似，加性和优势效应的范围分别为 0.20（贝叶斯 A）到 0.22（贝叶斯 B）和 0.14（贝叶斯 Cπ）到 0.19（贝叶斯 A）。ANN 实现了遗传价值的基因组预测的最高准确度 (0.33)。尽管深度神经网络被认为可以提供更准确的预测，但在我们的研究 ANN 中，只有一个隐藏层、105 个神经元和修正线性单元 (ReLU) 激活函数足以增加对肉嫩度遗传价值的预测。这些结果表明，具有相对简单架构的 ANN 可以为 Nellore 牛的肉嫩度提供卓越的基因组预测。贝叶斯回归模型的预测精度非常相似，加性和优势效应的范围分别为 0.20（贝叶斯 A）到 0.22（贝叶斯 B）和 0.14（贝叶斯 Cπ）到 0.19（贝叶斯 A）。ANN 实现了遗传价值基因组预测的最高准确度 (0.33)。尽管深度神经网络被认为可以提供更准确的预测，但在我们的研究 ANN 中，只有一个隐藏层、105 个神经元和修正线性单元 (ReLU) 激活函数足以增加对肉嫩度遗传价值的预测。这些结果表明，具有相对简单架构的 ANN 可以为 Nellore 牛的肉嫩度提供卓越的基因组预测。贝叶斯回归模型的预测精度非常相似，加性和优势效应的范围分别为 0.20（贝叶斯 A）到 0.22（贝叶斯 B）和 0.14（贝叶斯 Cπ）到 0.19（贝叶斯 A）。ANN 实现了遗传价值的基因组预测的最高准确度 (0.33)。尽管深度神经网络被认为可以提供更准确的预测，但在我们的研究 ANN 中，只有一个隐藏层、105 个神经元和修正线性单元 (ReLU) 激活函数足以增加对肉嫩度遗传价值的预测。这些结果表明，具有相对简单架构的 ANN 可以为 Nellore 牛的肉嫩度提供卓越的基因组预测。分别。ANN 实现了遗传价值基因组预测的最高准确度 (0.33)。尽管深度神经网络被认为可以提供更准确的预测，但在我们的研究 ANN 中，只有一个隐藏层、105 个神经元和修正线性单元 (ReLU) 激活函数足以增加对肉嫩度遗传价值的预测。这些结果表明，具有相对简单架构的 ANN 可以为 Nellore 牛的肉嫩度提供卓越的基因组预测。分别。ANN 实现了遗传价值的基因组预测的最高准确度 (0.33)。尽管深度神经网络被认为可以提供更准确的预测，但在我们的研究 ANN 中，只有一个隐藏层、105 个神经元和修正线性单元 (ReLU) 激活函数足以增加对肉嫩度遗传价值的预测。这些结果表明，具有相对简单架构的 ANN 可以为 Nellore 牛的肉嫩度提供卓越的基因组预测。105 个神经元和整流线性单元 (ReLU) 激活函数足以增加对肉嫩度遗传价值的预测。这些结果表明，具有相对简单架构的 ANN 可以为 Nellore 牛的肉嫩度提供卓越的基因组预测。105 个神经元和整流线性单元 (ReLU) 激活函数足以增加对肉嫩度遗传价值的预测。这些结果表明，具有相对简单架构的 ANN 可以为 Nellore 牛的肉嫩度提供卓越的基因组预测。