3月6日，中國農(nóng)業(yè)科學院作物科學研究所作物智能設計算法模型創(chuàng)新研究組成功研發(fā)了一套自動化機器學習框架，通過將氣象環(huán)境大數(shù)據(jù)與基因組信息深度融合，實現(xiàn)了作物精準遺傳分析與基因組預測，為作物智能設計育種提供有效工具。相關(guān)研究成果發(fā)表在《先進科學（Advanced Science）》上。

 

　　作物的田間表型是由基因型、環(huán)境以及基因型與環(huán)境的互作共同決定的。在實際育種過程中，準確預測作物表型對于提高育種效率、縮短育種周期至關(guān)重要。然而，傳統(tǒng)的基因組預測方法往往忽略了環(huán)境因素對表型的影響，導致在多環(huán)境試驗中表型預測精度有限。因此，將環(huán)境數(shù)據(jù)納入基因組預測模型，考慮基因型與環(huán)境的相互作用，成為提升預測精度的關(guān)鍵。

 

　　研究團隊利用大規(guī)模多環(huán)境玉米雜交種數(shù)據(jù)集，開發(fā)了一套自動化機器學習框架，將環(huán)境數(shù)據(jù)與基因組信息深度融合開展遺傳分析與基因組預測。該框架較傳統(tǒng)基因組預測方法有3大亮點。一是集成了遺傳和環(huán)境特征處理功能。基于玉米發(fā)育階段分割降維環(huán)境參數(shù)，計算性狀的表型可塑性參數(shù)，結(jié)合GWAS挖掘性狀穩(wěn)定遺傳位點和環(huán)境響應位點，并將降維后的環(huán)境參數(shù)和GWAS位點作為輸入進行基因組預測；二是集成多種先進技術(shù)進行模型訓練。利用Optuna驅(qū)動的自動化超參數(shù)優(yōu)化技術(shù)來提升模型訓練和預測效率，利用模型集成技術(shù)來提升最終預測模型的精度。與傳統(tǒng)統(tǒng)計模型相比，計算時間縮短可達290倍，且能保持較高的預測精度；三是利用SHAP可解釋技術(shù)進行模型解釋。采用源于博弈論的SHAP可解釋技術(shù)對模型進行事后解釋以量化遺傳和環(huán)境特征對表型變異及模型性能的貢獻。該研究可為解析基因型與環(huán)境互作的生物學機制提供重要參考，同時為作物育種提供了新的工具。

 

　　作科所與國家南繁研究院聯(lián)合培養(yǎng)的博士后何坤輝、博士研究生余廷熙為論文共同第一作者，李慧慧研究員為論文的通訊作者。該研究得到比爾及梅琳達·蓋茨基金會可持續(xù)發(fā)展國際合作項目、國家自然科學基金、中國農(nóng)業(yè)科學院科技創(chuàng)新工程等項目的資助。

 

　　文章鏈接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.202412423