基于机器学习的小麦叶锈病严重度监测与抗性基因资源挖掘研究

《Scientific Reports》：Monitoring wheat leaf rust severity using machine learning techniques

本研究针对小麦叶锈病(Puccinia triticina)导致的严重产量损失问题，通过评估9个叶锈菌分离株对49个小麦基因型的致病性，结合机器学习技术预测病害严重度对小麦生长和产量的影响。研究发现Lr19基因对所有菌株均表现抗性，而Lr22a、Lr34和Lr37基因则表现感病；利用XGBoost、GP和MARS等机器学习模型对农艺性状进行预测，准确率超过90%。该研究为小麦抗叶锈病育种提供了重要的基因资源和预测模型。

　　

小麦作为全球最重要的粮食作物之一，其生产安全始终受到各类病害的威胁。其中，由Puccinia triticina引起的小麦叶锈病是造成小麦减产的主要病害之一，在伊朗等主要小麦产区尤为严重。据统计，该病害可导致5-15%的产量损失，在严重流行年份甚至可达50%以上。1987年巴基斯坦因叶锈病大流行造成的经济损失高达8600万美元，而在伊朗，该病造成的产量损失约为10-30%。这些数字背后，是农民收入的减少和粮食安全面临的挑战。

传统上，种植抗病品种是控制叶锈病最有效的方法。然而，叶锈菌群体的高度变异性使得抗病品种往往在推广几年后即丧失抗性。研究表明，由单个基因控制的抗性容易因病原菌新毒性小种的产生而"丧失"，因此，了解病原菌的毒性多样性和发掘新的抗性基因资源对小麦抗病育种至关重要。

在这一背景下，由Tayebeh Bakhshi、Rahim Mehrabi和Mostafa Aghaee Sarbarzeh等研究人员组成团队，在《Scientific Reports》上发表了题为"Monitoring wheat leaf rust severity using machine learning techniques"的研究论文。该研究通过综合评价49个小麦基因型对9个叶锈菌分离株的抗性反应，并结合机器学习算法预测病害对小麦产量的影响，为小麦叶锈病的可持续治理提供了新思路。

研究人员采用了多学科交叉的研究方法，主要包括：(1)温室接种实验，评估9个来自伊朗不同地区的小麦叶锈菌分离株对49个小麦基因型的致病性；(2)大田试验，调查48个基因型在叶锈病压力下的13个农艺性状；(3)机器学习建模，使用SVM、RF、XGBoost、GP和MARS五种算法建立病害严重度与产量性状的预测模型。实验材料包括13个普通小麦品种、25个硬粒小麦基因型(含伊朗地方品种和8个国家的种质)以及17个含有已知Lr抗性基因的差异基因型。

Response of differential wheat genotypes and virulence comparison of P. triticina isolates

研究发现，携带Lr19基因的材料对所有9个叶锈菌分离株均表现抗病，而携带Lr22a、Lr34和Lr37基因的材料则对所有分离株感病。Lr28和Lr46基因除分别对Ahvaz(FSTPR)和Mashhad Toroq(MFHPJ)分离株感病外，对其余分离株均表现抗性。在研究的抗性基因中，Lr2a和Lr28基因的毒性频率为11%，Lr35基因为19%，Lr10+基因为22%。值得注意的是，Karaj基因库分离株(BRTHS)的毒性因子数量最少，而Ardebil分离株(PKTSS)的毒性因子数量最多，毒性频率达78%。

Reaction of wheat genotypes and virulence comparison of P. triticina isolates

方差分析结果表明，分离株和基因型之间存在极显著差异(p≤0.01)，且存在显著的基因型×分离株互作效应。在49个基因型中，8个(16.3%)对所有叶锈菌分离株感病，6个(12.2%)表现完全抗病，35个(71.4%)表现小种特异性抗病。其中，意大利品种(P.S. No4)、Shabrang、Chamran2、Mehregan、Shosh和Gonbad对所有9个分离株表现抗病，表明这些材料中含有苗期抗性基因。

Heatmap clustering analysis

热图聚类分析将基因型分为A和B两大组，A组又分为C和D两个亚组。C组包含TRANSFER/6TC、TC6/WEBSTER、TC7/TR、CS2D-2M和TC7/TRANSEC等基因型，分别携带Lr9、Lr2a、Lr19、Lr28和Lr25抗性基因，对9个分离株表现出较好的抗性。特别是携带Lr28基因的CS2D-2M基因型，对9个分离株中的6个表现抗病。主成分分析显示两个主成分累计贡献率为54.13%。

另一热图聚类将49个基因型分为A、B两组，B组中包含最感病的基因型(Morvarid、Alavnd、Sirvan、Baharan、Chamran、Sorkhtokhm和Wc-4624)以及对照基因型(Boolani)。A组中的D亚组包含Yavaros、Behrang、Gonbad、P.S. No4、Chamran2、Shabrang、Mehregan和Shosh等基因型，对2、5、7和9号分离株表现出较高抗性。主成分分析显示两个主成分累计贡献率为63.94%。

Agro-morphological Results and Machine Learning(ML) Analysis

机器学习分析结果显示，不同算法对各类性状的预测精度各异。对于DHE(出穗期)、DMA(成熟期)、PH(株高)、PED(穗下节长)、PEDE(穗颈抽出长度)、LL(旗叶长)、LW(旗叶宽)、SL(穗长)和NOS(小穗数)等性状，GP算法表现最佳，R2值在0.821-0.966之间。对于SW(穗重)、NOGS(每穗粒数)和GW(穗粒重)等性状，MARS算法预测效果最好，R2值分别为0.849、0.910和0.923。对于TKW(千粒重)和GY(产量)等性状，XGBoost算法表现最优，R2值分别为0.949和0.919。

研究结论表明，伊朗小麦叶锈菌群体具有高度多样性，仅有少数抗性基因对所有病原小种表现有效抗性。过度依赖单一抗性基因(如Lr22a、Lr34和Lr37)可能导致能克服这些抗性的病原小种被选择出来。研究发现，利用机器学习算法可以高效预测叶锈病严重度对小麦生长和产量的影响，其中XGBoost、GP和MARS模型预测精度超过90%，为早期干预和减轻产量损失提供了有力工具。

该研究的重要意义在于系统评估了伊朗小麦叶锈菌群体的毒性多样性，鉴定了具有广谱抗性的基因资源，并建立了可靠的病害严重度预测模型。这些成果不仅为小麦抗叶锈病育种提供了重要基因资源和理论依据，也为实现病害早期预警和精准防控提供了新方法。随着机器学习技术在植物病理学领域的深入应用，我们有理由相信，未来对小麦叶锈病等重大病害的监测和防控将更加精准高效，为保障全球粮食安全提供有力支撑。