水稻基因组选择新突破：Rice3KGS平台助力大规模育种精准预测

本研究针对基因组选择(GS)中训练群体构建耗时耗力的问题，开发了集成贝叶斯优化的LightGBM模型(LGBMY)和Rice3KGS网络平台。该平台整合3,000份水稻基因组数据(3KRG)的56个性状和7类分子标记，实现跨亚种预测，平均准确率提升10.7%，为作物智能育种提供高效工具。

　　

研究背景与意义
传统作物育种依赖表型筛选和分子标记辅助选择(MAS)，但面对复杂性状时效率受限。基因组选择(GS)通过全基因组标记预测表型，成为智能育种的核心技术。然而，GS应用存在三大瓶颈：训练群体构建成本高、模型预测稳定性不足、跨亚种适用性差。尤其在水稻育种中，3,000份基因组资源(3KRG)尚未被系统整合为标准化训练群体。

研究设计与方法
安徽农业大学联合中国农科院等团队开发了Rice3KGS平台，关键技术包括：

1. 基于3KRG项目构建包含56个性状（产量、抗逆等6大类）和7类分子标记（404K SNP、104K缺失等）的训练群体；
2. 开发LGBMY模型（LightGBM融合贝叶斯优化），通过10折交叉验证对比8种模型（gBLUP、XGBoost等）；
3. 建立交互式网站支持亚种选择、模型定制和精英材料筛选功能。

研究结果

1. LGBMY模型性能突破
通过比较7个农艺性状预测表现，LGBMY较原LightGBM平均准确率提升5.2%（P<0.05），根均方误差(RMSE)降低3.1%。其中蜜露产量(HP)和耐热性(HT)预测精度显著提高12.9%和8.9%。与传统gBLUP相比，LGBMY在多数性状上平均优势达10.7%，但gBLUP在种子休眠(SD)等性状仍具特异性优势。

2. 多维度数据资源整合
平台包含：

• 表型数据：124,000条环境校正值（BLUP/BLUE）
• 基因型数据：结构变异(SV)中缺失标记预测准确率最高（GW性状达0.76），短串联重复(STR)表现最差
• 亚种分层：Xian与Geng亚种内预测准确率(0.49)显著高于跨亚种预测(0.06)

3. 群体结构影响机制
六类遗传群体（Aus/GJ-tmp/XI-1A等）分析显示：

• GJ-trp群体作为"中间训练群体"对Xian亚种预测准确率达0.32
• 群体遗传距离每增加0.1，预测精度下降23%（P<0.01）

结论与展望
该研究创建了首个整合多组学数据的水稻GS平台Rice3KGS，其创新性体现在：

1. 提出LGBMY融合模型，突破机器学习在GS中的参数优化瓶颈；
2. 揭示SV标记在粒型性状预测中的特殊价值；
3. 确立群体遗传结构对GS预测的量化影响规律。平台已应用于中国南方杂交稻育种，缩短育种周期约40%。未来可通过纳入表观基因组数据进一步提升复杂性状预测能力。