机器学习揭示高粱粒霉病抗性的复杂遗传机制

来自全球的研究人员针对高粱粒霉病这一毁灭性真菌病害，创新性地采用机器学习(ML)驱动的全基因组关联分析(GWAS)，通过分析306份高粱种质的多元表型数据，成功解析了该抗性的多基因架构。研究运用增强树和Bootstrap森林模型，鉴定出与防御相关基因紧密连锁的SNPs位点，基因本体(GO)分析揭示了病原识别、DNA修复等关键通路，为作物抗病育种提供了新靶点和方法学范式。

　　

植物抗病性往往呈现复杂的多基因遗传特性，传统全基因组关联分析(GWAS)难以有效解析。以高粱粒霉病（由真菌复合体引发）为研究对象，科研人员开创性地将机器学习(ML)算法整合进GWAS分析框架。通过对306份高粱种质资源的多元表型数据——包括原始病斑评分、接种与对照的"差异表型"以及主成分指标——采用增强树(Boosted Tree)和Bootstrap森林模型进行挖掘，发现当使用完整数据集训练时，模型展现出极强的表型变异解释力。

这种ML-GWAS混合策略揭示了高粱粒霉病抗性存在显著的多基因架构特征，在全基因组范围内鉴定出大量显著关联的SNPs位点。值得注意的是，部分SNPs在不同分析模型和表型表征中均显示出稳定关联性。这些"高置信度"SNPs邻近的候选基因，经功能预测显示与植物防御机制密切相关：包括病原相关分子模式识别(PAMP-triggered immunity)、DNA损伤修复系统以及胁迫响应调控网络等。基因本体(GO)富集分析进一步佐证了这些基因在病原识别、氧化应激应答等生物学过程中的关键作用，暗示高粱可能通过多层次的防御策略抵抗真菌侵染。

该研究不仅为高粱抗病育种提供了具有应用价值的候选基因库，更重要的是建立了一套适用于复杂农艺性状解析的方法学体系。这种ML增强型GWAS策略的成功实施，为其他作物复杂性状的遗传解析提供了可复制的技术路线。