利用机器学习预测研究丛枝菌根真菌与氮素对茶树根系结构的协同效应

《Smart Agricultural Technology》：Synergistic effects of arbuscular mycorrhizal fungi and nitrogen on tea root architecture using machine learning predictions

根系系统架构（RSA）与丛枝菌根真菌（AMF）及氮梯度（0, 0.1, 1, 10 mM）的交互作用对茶树（Fuding Dabaicha）幼苗RSA的影响研究表明，AMF显著促进总根长、投影面积、表面积和体积（最高达71.31%），但直径无显著变化，且协同效应在1 mM氮时最明显。机器学习模型（随机森林、XGBoost）对根参数（R2>0.76）预测准确，但对直径预测不佳（R2≈0.08）。

　　本研究探讨了丛枝菌根真菌（AMF）与多梯度氮素对茶树（‘福鼎大白茶’）根系构型（RSA）的协同效应，揭示了在不同氮浓度条件下AMF对茶树根系发育的影响，并评估了机器学习（ML）模型在预测根系形态特征方面的有效性。通过沙培实验，研究团队观察了AMF接种对茶树幼苗根系参数的改变，以及不同氮浓度对根系形态的调节作用，最终利用多种ML算法对根系形态进行多输出回归分析。研究发现，AMF的接种显著提高了茶树根系的总长度、投影面积、表面积和体积，但对根系平均直径没有明显影响。同时，研究还发现，在1 mM氮浓度条件下，AMF对根系的促进作用达到最佳状态，而10 mM氮浓度则抑制了AMF的有益效果。这些发现为茶树的可持续栽培提供了重要的理论依据，表明在适当的氮素供给下，AMF能够有效优化根系结构，提高营养吸收效率，从而减少肥料投入，减轻环境负担。

### 1. 研究背景与意义

植物根系是连接土壤与地上部分的关键结构，其形态与功能直接影响植物的营养吸收、环境适应能力以及生态系统的稳定性。根系构型（RSA）不仅决定了植物对水分和养分的获取效率，还与植物的生长、代谢及土壤结构密切相关。在茶树的栽培过程中，根系结构对产量和品质具有深远影响。传统的根系表型分析方法如EPSON根扫描仪和WinRHIZO软件，虽然能够提供静态的根系参数，如总长度、表面积等，但难以捕捉动态的根系拓扑结构，也无法有效整合微生物与营养的交互作用，限制了对根系变化的深入理解。因此，研究者们开始尝试将机器学习引入植物根系表型分析，以提升对复杂根系特征的预测能力。

在茶树栽培中，根系通常由主根和侧根组成，其中侧根在吸收土壤中难以移动的养分（如磷）方面具有重要优势。然而，由于茶树多采用扦插繁殖，其根系往往较为密集且集中在浅层土壤中，这在一定程度上限制了其对深层土壤资源的利用能力。相比之下，通过种子繁殖的茶树幼苗通常具有更垂直的主根，能够更有效地利用深层土壤中的水分和养分，从而增强其生态适应性。因此，了解茶树根系的构型变化，对于优化其营养管理、提高产量具有重要意义。

AMF作为一类广泛存在于土壤中的共生真菌，能够通过形成菌丝网络显著提高植物的营养吸收能力。AMF在根系内部形成丛枝结构，同时其菌丝可以延伸至土壤中，扩大营养吸收范围。此外，AMF还能通过调控植物体内激素的合成与运输，促进侧根的形成，从而增强根系的吸收面积和吸收效率。然而，尽管AMF在提高植物营养吸收方面表现出色，其作用效果却受到土壤中氮素水平的显著影响。在低氮条件下，AMF的定殖率较低，而在高氮条件下，由于土壤酸化和碳分配的变化，AMF的定殖效率也会受到抑制。因此，研究AMF与不同氮素水平之间的相互作用，对于优化茶树根系结构、提高营养利用效率具有重要意义。

### 2. 实验设计与方法

本研究采用沙培实验，通过控制氮素供给水平（0、0.1、1、10 mM）和是否接种AMF，探讨其对茶树幼苗根系构型的影响。实验中使用的AMF菌株为 *Claroideoglomus etunicatum*，其在促进茶树生长和营养吸收方面表现出色，且已被证明能够有效提高茶树的产量和品质。在实验过程中，茶树幼苗被种植在经过高温灭菌的河沙中，以排除其他微生物的干扰。为了确保根系与AMF菌丝的良好接触，接种处理在幼苗移栽时进行，将菌丝均匀分布在根系周围。同时，设置对照组，即不接种AMF的处理，以评估AMF的贡献。

在根系形态分析方面，实验采用WinRHIZO软件对根系进行扫描和量化，以获取总长度、投影面积、表面积、平均直径和体积等关键参数。此外，研究还采用AMF定殖率评估方法，通过显微镜观察根系中的菌丝和菌囊，计算其在根系中的覆盖比例。为了验证不同处理对根系参数的影响，研究团队采用了方差分析（ANOVA）和多元方差分析（MANOVA），并结合Duncan多重比较法和Tukey HSD事后检验，以确定各处理组之间的显著性差异。

在机器学习模型的应用方面，研究团队选择了四种常用的算法：多层感知机（MLP）、随机森林（RF）、XGBoost和TabPFN。这些模型被用于对五项根系形态参数进行多输出回归分析。通过比较不同模型的预测精度，研究团队发现RF和XGBoost在预测根系长度、体积、投影面积和表面积方面表现出较高的准确性，而MLP和TabPFN的预测效果相对较弱。此外，研究还通过SHAP分析对模型的预测机制进行了深入解读，揭示了哪些因素对根系形态的预测具有较大影响。

### 3. 实验结果与分析

实验结果显示，AMF的接种显著提高了茶树幼苗的根系长度、投影面积、表面积和体积。在不同氮素处理下，这些参数的变化呈现出不同的趋势。例如，在1 mM氮素处理下，AMF对根系长度的促进作用达到最大，增幅为38.65%；而在10 mM氮素处理下，虽然根系体积显著增加，增幅达71.31%，但根系长度、投影面积和表面积的增长趋势逐渐减弱。这表明，随着氮素浓度的增加，AMF对根系的促进作用受到一定限制，尤其是在高氮条件下，AMF的定殖效率下降，从而影响其对根系的优化能力。

值得注意的是，AMF对根系平均直径的影响并不显著。这一现象可能与茶树根系的发育机制有关。茶树的侧根主要通过激素调控和碳分配来促进生长，而AMF主要通过促进侧根的形成来扩大吸收面积，而非增加根系直径。此外，从生物力学的角度来看，茶树的纤维状根系需要保持较细的直径以维持其对土壤的探索能力，而过大的直径则可能导致碳资源的过度消耗，从而影响根系的吸收效率。

在氮素处理方面，研究发现，在低氮（0 mM）条件下，茶树根系的生长受到抑制，而在高氮（10 mM）条件下，虽然根系体积有所增加，但整体的吸收效率并未显著提升。这一现象可能与高氮条件下土壤酸化和AMF菌丝扩展受限有关。此外，氮素的供给水平也影响了根系的发育模式，例如在1 mM氮素处理下，茶树的根系构型更加优化，能够更有效地利用土壤资源，而在高氮处理下，根系的扩展受到限制，导致吸收效率下降。

在机器学习模型的评估中，RF和XGBoost在预测根系长度、体积、投影面积和表面积方面表现出较高的准确性，而MLP和TabPFN的预测效果相对较弱。这可能与这些模型在处理非线性关系和多重共线性方面的能力有关。RF和XGBoost能够更好地捕捉根系形态参数之间的复杂相互作用，从而提高预测精度。然而，在预测根系平均直径时，所有模型的表现均不理想，表明该参数的预测可能受到数据本身特征的限制，如AMF对直径的影响较小，或者需要引入更多的生物化学和环境变量来提高模型的解释能力。

### 4. 讨论与启示

本研究的结果表明，AMF与氮素的协同作用对茶树根系构型的优化具有重要意义。在适度的氮素供给下，AMF能够显著提高根系的吸收效率，从而增强茶树的营养获取能力。然而，在高氮条件下，AMF的促进作用受到抑制，这可能与土壤酸化和碳分配的变化有关。因此，优化茶树的氮素供给水平，结合AMF的接种，可能是一种有效的策略，以提高其根系的发育质量，同时减少肥料的使用。

此外，本研究还强调了机器学习在植物根系表型分析中的应用潜力。RF和XGBoost等模型能够有效捕捉根系形态参数之间的非线性关系，从而为精准农业提供重要的预测工具。然而，根系平均直径的预测效果较差，这提示研究者在构建模型时需要考虑更多的生物化学和环境变量，如土壤pH、菌丝密度以及根系的三维拓扑结构。通过引入这些变量，研究者可以更全面地理解根系形态的变化机制，并提高模型的预测能力。

从生态和农业可持续发展的角度来看，AMF的接种能够有效减少肥料的使用，降低环境污染的风险。在茶树栽培中，合理控制氮素供给水平，并结合AMF的利用，不仅能够提高产量，还能减少对环境的负面影响。此外，研究还指出，AMF可能在增强茶树对非生物胁迫（如干旱、低磷）的耐受性方面具有重要作用，这为茶树的抗逆栽培提供了新的思路。

本研究的局限性在于实验条件为沙培环境，这可能与实际田间土壤条件存在差异。在自然土壤中，AMF的定殖可能受到多种微生物的影响，包括竞争性微生物和协同性微生物。因此，未来的研究可以考虑在更复杂的土壤环境中进行，以评估AMF与其他微生物的相互作用。此外，研究团队采用单一菌株进行AMF接种，这可能忽略了多菌种协同作用的潜在优势。因此，未来可以尝试使用多菌种混合接种，以探索更广泛的根系响应。

在方法学上，本研究结合了传统的根系形态分析与现代的机器学习技术，为植物根系表型研究提供了一个新的视角。通过引入机器学习模型，研究者能够更高效地处理和分析大量数据，从而揭示根系形态与环境因素之间的复杂关系。然而，模型的预测能力仍然受到数据质量和特征选择的限制，因此，未来的研究需要进一步优化数据采集方法，并引入更多的生物化学和环境变量，以提高模型的准确性和解释力。

### 5. 结论与展望

综上所述，本研究发现AMF与氮素的协同作用能够显著优化茶树根系构型，提高其营养吸收效率，从而支持可持续的栽培实践。在适度的氮素供给下，AMF的接种能够有效促进根系的生长，而在高氮条件下，其作用受到抑制。同时，机器学习模型在预测根系形态方面表现出较高的准确性，但对根系平均直径的预测效果较差，这提示需要引入更多的生物化学和环境变量来提高模型的全面性。

未来的研究可以进一步探索AMF与其他微生物的协同作用，以及不同氮素供给模式对根系形态的长期影响。此外，结合多组学数据（如转录组学、代谢组学）和高精度的三维根系成像技术，可以更全面地解析AMF与氮素之间的相互作用机制。这些研究不仅有助于提高茶树栽培的精准性，还能为其他木本植物的根系研究提供参考，推动植物科学向更智能化和系统化的方向发展。