编辑推荐：
鱼类游泳性能关乎其健康与生存，研究人员为探究虹鳟身体特征对临界游泳速度（Ucrit）的影响，利用 3D 图像和卷积神经网络（CNN）开展研究。结果发现Ucrit具有中等遗传性，且遗传改良需谨慎。该研究助力理解复杂性状遗传背景。
在神秘的水生世界里，鱼类的生存与健康和它们的游泳能力息息相关。临界游泳速度（Critical swimming speed，Ucrit）作为衡量鱼类游泳性能的关键指标，一直是众多研究者关注的焦点。它不仅能反映鱼类在自然环境中的生存能力，还在水产养殖领域影响着鱼类的生长和产量。然而，想要深入了解Ucrit并非易事。传统研究主要关注鱼类的生理参数，如心率、氧气消耗等对Ucrit的影响，对于鱼类身体形态特征与Ucrit之间的关系，却始终没有清晰的认知。
在过去，研究人员常采用体长、体重等简单形态指标来关联Ucrit，但即便控制了体长因素，体重与Ucrit之间的关系仍错综复杂。而且，相同体长和体重的鱼，游泳能力和形态却大相径庭，这背后的原因一直是个谜。与此同时，传统的形态测量技术也存在诸多弊端，不仅操作过程繁琐、耗时，还具有侵入性，容易产生误差，甚至可能需要解剖鱼类才能完成测量。此外，传统方法难以精准识别所有与Ucrit相关的形态特征，面对Ucrit这一受多种因素影响的复杂性状，传统的假设驱动研究方法往往力不从心，容易忽略关键细节，还可能受到经验偏差的干扰。
为了突破这些困境，来自国外（研究在 Troutlodge，美国爱达荷州开展）的研究人员开展了一项极具创新性的研究。他们旨在剖析虹鳟（Oncorhynchus mykiss）游泳性能的遗传基础，探索其与身体形态之间微妙的联系，同时评估遗传分析在提升基于图像的深度学习模型可解释性方面的可行性。该研究成果发表在《Aquaculture》上，为相关领域的研究开辟了新的道路。
研究人员采用了一系列先进的技术方法。首先，利用 3D 图像采集技术，非侵入性地获取虹鳟的形态数据，避免了传统测量方法的弊端。然后，借助卷积神经网络（Convolutional Neural Network，CNN）构建模型，通过对 987 条虹鳟的伪图像进行 100 轮训练，来预测Ucrit。此外，运用梯度加权类激活映射（Gradient-weighted Class Activation Maps，GradCAM）技术，将 CNN 模型关注的图像区域可视化，从而确定与Ucrit相关的形态特征，并进一步定义了头部体积、尾鳍体积、轴上肌体积和形状这四个游泳相关性状，最后进行遗传分析。
实验结果
- CNN 模型预测性能：CNN 模型在测试集上的最终评估结果显示，预测值与实际Ucrit之间的皮尔逊相关系数（r）为 0.12 。虽然相关性较低，但研究人员认为这主要是由于Ucrit本身的生物学复杂性，它受到多种因素的综合影响。
- 遗传分析结果：研究发现，Ucrit具有中等遗传性。从遗传角度来看，体重较重的虹鳟游泳性能相对较差。在体重相同的情况下，轴上肌更大更宽、头部更大、尾鳍更小的虹鳟，游泳表现更不理想。此外，遗传改良Ucrit虽然可行，但需要谨慎对待，因为可能会出现降低鱼体体积和轴上肌体积的相关反应。
研究结论与讨论
这项研究是首次将生理学领域知识和定量遗传方法应用于评估 CNN 和 GradCAM 结果的动物研究。它通过基于图像的深度学习模型，以数据驱动的方式提出假设，解释了虹鳟Ucrit与身体形态之间的关系。遗传分析不仅揭示了Ucrit与精细尺度形态特征之间的遗传联系，还验证了可解释人工智能（Explainable artificial intelligence，xAI）在生理学层面的解释。
该研究意义重大，为深入理解复杂性状的遗传背景提供了新的思路和方法，同时也凸显了遗传分析在验证 xAI 结果方面的重要价值，为水产养殖领域发现新的表型提供了更多机会。它让我们看到，在技术不断进步的今天，跨学科研究能够突破传统研究的局限，为生命科学和水产养殖领域带来新的突破。未来，有望基于这些研究成果，进一步优化水产养殖策略，提高鱼类的养殖效益和生存质量，推动整个水产养殖行业的发展。
