应用机器学习等人工智能方法进行育种值预测是面向未来的育种趋势之一。面对海量大数据选种时，需要同时兼顾计算速度、准确性及可解释性等问题。
研究团队开发的NTLS机器学习预测框架结合了自动参数寻优、降维、特征提取以及决策树解释等策略，在应用实践中可以显著提高猪育种值预测准确性。研究表明，在达100kg体重日龄、背膘及产活仔数等主选性状方面，该框架的预测准确性比GBLUP等基因组选择方法分别提高5.1%、3.4%和1.3%。同时，此框架还可以大大降低普通机器学习计算时间，并对育种值“黑盒子”进行部分解释。
牧医所博士研究生王进部为本论文第一作者，王立刚研究员和高会江研究员为该文通讯作者。
