来自PaulinoPérez-Rodríguez和JoséCrossa两位GS领域大佬的报告。从GBLUP到RRBLUP，再到BRR理论使用经典数据集CIMMYTwheat599BGLR示例作者：生物信息与育种

Gianolaetal.[61]:应用：基因组选择。比较：多层感知器（MLP）与贝叶斯线性回归（BRR）。结果：在小麦数据集中，随着隐藏层神经元数量的增加，MLP的预测能力提高。MLP对BRR的性能提高了11.2%至18.6%。在Jersey数据集中，MLP也超越了BRR，特别是在脂肪产量、牛奶产量和蛋白产量上。Pérez-R

深度学习，尤其是最近几年，被广泛宣传为可以处理复杂问题的强大工具。然而，我们必须理解，在某些特定的问题或数据集上，传统的方法有时可能更适合或更稳定。以下是一些可能解释为什么在考虑G×E交互效应时，深度学习没有表现得像GBLUP模型那么好的原因：数据量和复杂性：深度学习模型，特别是

GBLUP（GenomicBestLinearUnbiasedPrediction）是一种在基因组选择中广泛使用的方法，但它也有一些潜在的缺点和限制，包括：计算复杂性：GBLUP的计算复杂性相对较高，特别是在大规模基因组数据集上。需要处理大量的SNP标记数据，这可能需要大量的计算资源和时间。不考虑基因互作：GBLUP通常假

想象一下，你正在尝试预测一种植物的产量，你手头有这些植物的DNA信息（称为基因组数据或标记）以及它们的实际产量。你的目标是，当获得一个新的植物的DNA信息时，你想用它来预测这个植物的产量，即使你并不知道它的实际产量。GBLUP是帮助你完成这项任务的工具之一。线性预测:GBLUP的核心是