多源数据输入
支持 PLINK 二进制基因型、TXT 特征矩阵和 ID-Sire-Dam 系谱文件，并可配合表型、协变量和外部验证集。
v2.0.0
Intelligent Agricultural Solutions of Machine Learning
IASML 是面向动植物育种的机器学习与基因组预测平台，支持 PLINK / TXT / 系谱输入，集成 DRS 特征处理、PedigreeBridge、传统机器学习、深度学习以及 GCRNet / CRNet 残差校正策略。
Genomic prediction
DRS
PedigreeBridge
Deep learning
GCRNet / CRNet
核心功能
从 SNP 编码、特征降维、系谱特征构建到模型训练与外部验证，IASML 将常见基因组选择机器学习流程整合为统一命令行与云端工作台。
IASML-DRS
提供 center、sample、score、PCA、SPCA、RP、PLS、sample similarity 和 auto 推荐等特征处理策略。
PedigreeBridge
将 fullpath、origin、sexpath 系谱路径转化为稀疏机器学习特征，也可导出 IASBLUP 可用的系谱相似度 K 矩阵。
模型体系
覆盖 Ridge、Lasso、ElasticNet、SVM、PLS、树模型、XGBoost、DeepGS、DNNGP、PNNGS、Cropformer 和 GPformer。
GCRNet / CRNet
利用外部 GBLUP / EBV 或机器学习 OOF 基线，训练受约束残差网络，在保持稳定性的基础上补充非加性信号。
任务与结果管理
云端按 Job 隔离文件，实时查看日志，自动打包预测结果、模型参数、DR 报告、验证相关性和图像文件。
典型应用场景
v2.0.0 面向机器学习基因组预测、系谱特征工程、残差校正和在线任务管理的常见分析需求。
常规基因组预测
使用 PLINK 012 SNP 或 TXT 特征矩阵，快速运行 Ridge、SVM、PLS、XGBoost 等模型，输出个体预测值与验证相关。
高维标记特征处理
通过 center、sample、score、PCA、SPCA、RP、PLS、SIM 和 auto 策略降低高维 SNP 对机器学习模型的干扰。
系谱特征预测
将 ID-Sire-Dam 系谱转换为 fullpath、origin 或 sexpath 通道特征，用于机器学习预测与父源 / 母源路径解释。
系谱 K 矩阵输出
根据系谱路径特征构建 fullpath 或 sire / dam 相似度矩阵，导出可用于 IASBLUP 后续遗传评估的 K 文件。
GCRNet 残差校正
接入外部 OOF 基线和预测集 EBV / base prediction，在稳定基线之上学习受约束的非线性残差信号。
交叉验证文件制作
按指定折数和随机种子生成训练 / 验证表型文件，便于 IASML、IASBLUP 和外部流程使用统一数据划分。
方法与模型预览
紧凑展示 IASML 在线端涉及的核心模块，用户可以先快速了解，再进入在线运行页选择任务。
输入类型
PLINK bed/bim/fam、TXT marker matrix、Pedigree、phenotype、外部验证集与 GCRNet 基线文件。
DRS 策略
none、center、sample、score、pca、spca、rp、pls、sim、auto；适合从无处理到自动特征处理的多层级测试。
基础模型
Linear、Ridge、Lasso、ElasticNet、SVM、PLS、Decision Tree、Random Forest、GBM、XGBoost。
深度模型
DeepGS、DNNGP、PNNGS、Cropformer、GPformer；支持在自定义模式下设置 epochs、batch size、learning rate 等参数。
残差模型
CRNet 可作为内部基线残差模型；GCRNet 需要外部 OOF 与 base prediction，用于受约束残差增强。
输出管理
预测结果、验证结果、K 矩阵、报告摘要、模型文件、训练曲线、日志与命令配置按任务自动归档。
推荐分析流程
在线平台只是入口，核心计算仍由 IASML.py 完成，便于和本地 / HPC 命令行结果保持一致。
1
上传数据
PLINK / TXT / Pedigree 与表型文件。
2
选择 DRS
中心化、筛选、降维或相似度特征。
3
训练模型
基础模型、深度模型或 CRNet。
4
验证与下载
输出预测、日志、模型与报告文件。
IASML 在线运行
先明确分析目标，再上传对应文件，平台会根据任务类型逐步展开必要参数，避免一次性展示无关选项。
1
选择目标
What to do
2
上传文件
Input files
3
选择性状
Trait / covariates
4
模型策略
Quick / custom
5
运行结果
Log / download
第一步：请选择分析目标，平台会自动带你进入下一步。
下载中心
软件安装包、示例数据、使用说明书和历史版本。
Linux / HPC
v2.0.0适合服务器和高性能计算集群。
待上传Windows
v2.0.0适合本地快速测试和教学演示。
待上传示例数据
DemoPLINK、TXT、pedigree 和 GCRNet 示例。
待整理使用说明书
Manual软件参数说明、云平台使用流程和示例命令。
待上传快速安装
$ conda create -n iasml_cloud python=3.10 -y
$ conda activate iasml_cloud
$ pip install -r requirements.txt
$ python IASML.py --help