Introducción La Predicción Genómica (PG) enfrenta desafíos significativos en equilibrar la complejidad del modelo con la eficiencia computacional, particularmente para datos genómicos de alta dimensión bajo tamaños de muestra limitados. Métodos Proponemos GViT-GP, una arquitectura de Transformador de Visión que inyecta la Matriz de Relación Genómica (MRG) como un previo biológico a través de un mecanismo de fusión de atención cruzada de doble vía, junto con una estrategia de Embebido de Parches Selectivos para reducir la redundancia y mejorar la eficiencia de los datos. Resultados Evaluamos GViT-GP en 20 rasgos en cuatro conjuntos de datos de tres especies (soja, ganado y pollo). GViT-GP superó a las líneas de base lineales y no lineales establecidas (incluyendo GBLUP, LightGBM y DNNGP), logrando la mejor precisión en 16 de 20 tareas. Los estudios de ablación respaldaron la efectividad del Embebido de Parches Selectivos y la fusión de atención cruzada, y los análisis de visualización sugieren atención adaptativa a regiones genómicas informativas. Discusión Estos resultados indican que inyectar un sesgo inductivo informado por la MRG mejora la robustez y la generalización en configuraciones de "p ≫ n". GViT-GP proporciona un marco práctico de alto rendimiento para capturar relaciones complejas genotipo-fenotipo en la cría digital moderna.
Li et al. (Sun,) estudiaron esta cuestión.