机器学习助力路易斯安那甘蔗(Saccharum spp. Hybrids)抗病性状基因组预测研究

传统甘蔗品种病害筛查方法耗时费力且易受环境影响，来自路易斯安那的研究团队创新性地采用支持向量机(SVM)、随机森林(RF)和神经网络(NN)三种非参数机器学习模型，基于全基因组标记信息成功预测甘蔗对黑穗病、叶枯病和花叶病的抗性反应。研究表明SVM在有序数据中对黑穗病和花叶病抗性预测能力(PA)略优，而RF在叶枯病预测中表现最佳。该研究为甘蔗抗病育种提供了革命性的基因组选择(GS)新策略。

　　

传统甘蔗品种病害筛查方法正面临重大挑战——耗时冗长的检测流程、主观性强的症状判断，以及环境因素对表型表达的干扰。分子标记辅助选择(MAS)虽能筛选亲本基因型，但其应用受限于需要特定的大效应分子标记。基因组选择(GS)技术另辟蹊径，通过全基因组标记信息预测甘蔗基因型的病害响应特征。

研究人员巧妙运用三种机器学习算法：支持向量机(SVM)、随机森林(RF)和神经网络(NN)，对历史非连续性数据进行深度挖掘，成功构建甘蔗对三大病害（黑穗病、叶枯病和花叶病）的抗性预测模型。有趣的是，在有序数据类型中，SVM以微弱优势在黑穗病和花叶病抗性预测能力(PA)上超越RF；而当处理分类数据时，两者表现旗鼓相当。令人惊喜的是，RF在叶枯病预测中展现出统治级表现，无论有序数据还是分类数据均保持最高PA值。

这项突破性研究揭示了机器学习在作物抗病育种中的巨大潜力，其构建的预测模型可无缝整合到基因组选择体系，为培育具有多重抗病特性的甘蔗新品种提供智能化的育种加速器。该技术路径特别适合甘蔗这种遗传背景复杂的多倍体作物，标志着作物抗病育种正式迈入人工智能驱动的精准预测新时代。