GPS数据融合策略提升机器学习驱动的基因组与表型选择准确性

为解决基因组选择(GS)和表型选择(PS)在复杂性状预测中精度不足、跨环境适应性差的问题，南京农业大学团队开发了GPS框架，通过数据融合策略整合基因组与表型数据，显著提升了玉米、大豆等作物的性状预测准确性。研究显示，Lasso_D模型较传统GS和PS方法分别提升53.4%和18.7%的预测精度，且在小样本和跨环境中表现稳健，为智能育种提供了新范式。

　　

全球气候变化和人口增长对粮食安全提出严峻挑战，传统育种方法因周期长、环境依赖性高难以满足需求。基因组选择(GS)和表型选择(PS)虽能加速育种进程，但两者在复杂性状预测中存在明显局限：GS对低遗传力性状（如产量）预测精度不足，PS则难以捕捉遗传背景的复杂性。更棘手的是，基因型与环境互作(G×E)导致跨环境预测准确性骤降。如何整合多源数据、突破现有模型瓶颈，成为作物育种领域的核心难题。

南京农业大学作物遗传与种质改良国家重点实验室团队在《Plant Communications》发表研究，提出创新性解决方案——GPS框架（Genomic and Phenotypic Selection）。该研究系统评估了数据融合（Data fusion）、特征融合（Feature fusion）和结果融合（Result fusion）三种策略在六类模型（包括Lasso、LightGBM和DNNGP等）中的表现，并利用玉米、大豆、水稻和小麦四大作物的多组学数据验证其普适性。关键技术包括：基于Plink的SNP质控、Z-Score标准化表型数据、十折交叉验证评估模型，以及DEoptim算法优化权重分配。

研究结果

1. 融合策略比较
   数据融合策略以75.6%的平均准确率显著优于其他方法。Lasso_D模型表现最佳，其预测精度较最优GS模型（LightGBM）和PS模型（Lasso）分别提升53.4%和18.7%。SHAP分析揭示，模型能自适应分配基因组与表型特征的贡献权重，例如水稻粒重预测中SNP贡献更高，而大豆蛋白含量预测则更依赖表型特征。

2. 模型稳健性验证
   在样本量仅200时，Lasso_D仍保持较高精度（较其他模型提升7.3%-50.9%）。SNP密度实验表明，模型对标记数量变化不敏感，但当辅助性状与目标性状相关系数绝对值>0.5时，预测精度可提升12%-15%。

3. 跨环境迁移能力
   基于大豆SoyNAM数据集的多环境测试显示，整合多地点数据（ETL策略）使跨环境预测误差仅比同环境高0.3%。值得注意的是，表型多样性更丰富的环境（如2012_IN）训练出的模型泛化能力更强。

结论与意义
该研究首次系统论证了数据层融合在作物智能育种中的优越性：通过早期整合基因组与表型数据，GPS框架能同步捕捉遗传机制与生理过程关联，克服了传统多组学分析中特征丢失的缺陷。Lasso_D模型的强鲁棒性使其在资源有限的育种场景中极具应用价值，而跨环境预测能力的突破则为应对气候变化提供了工具支持。未来研究可进一步探索微环境特征提取和时序多组学数据融合，推动精准育种向动态化、知识驱动方向发展。