基于树模型学习算法与SHAP局部加性分解的基因型×环境互作复杂非线性建模

《Agriculture》：Complex and Non-Linear Modeling of Genotype × Environment Interaction via Tree-Based Learning Algorithms and Shapley Decomposition

　　

评估基因型×环境（G × E）互作是植物育种的关键，但诸如加性主效应和乘积互作模型（AMMI，Additive Main Effects and Multiplicative Interaction）等模型难以处理复杂的非线性动态。本研究将机器学习（Machine Learning，ML）算法与局部加性SHAP（SHapley Additive exPlanations）分解相结合，以对G × E互作进行建模。研究采用来自CIMMYT的玉米籽粒产量（Grain Yield，GY）数据集，包含9个基因型在20个环境中的评价。平均GY范围为2652.00 kg ha^?1（环境19）至7516.00 kg ha^?1（环境12），其中基因型6（G6）的GY最高（5330.17 kg ha^?1）。根据AMMI稳定性值（AMMI Stability Value，ASV），G7和G3被鉴定为最稳定基因型，尽管其籽粒产量相对较低。相比之下，最高产基因型G6在ASV中仅排名第四，但在SHAP同时选择指数（SHAP SSI）和SHAP效应（SHAP Effect）指标中均位居首位。这些发现表明，环境变异反映的是可预测的非线性响应性，而非随机不稳定性。研究人员在GY本身与SHAP Effect之间捕获到高度Spearman相关（，p < 0.0001），而SHAP稳定性（SHAP Stability）指标与传统线性度量（与ASV，p = 0.2216）呈弱关联。ML-SHAP方法在育种中呈现出一种有趣且互补的工具，使研究人员能够更好地理解复杂且非线性的G × E互作。

基因型×环境（G × E）互作评价及稳定、响应性基因型选择是植物育种的基础环节。传统多环境试验常采用线性与双线性模型，如AMMI（加性主效应和乘积互作模型，Additive Main Effects and Multiplicative Interaction）和GGE双标图；这些方法通过奇异值分解解析互作矩阵，并借助互作主成分轴（IPCA）实现可视化。然而，其数学结构假设基因型对环境变化的响应可由潜在变量的线性组合近似。实际问题中，生物现象常具有复杂非线性互作，经典多元模型难以充分捕捉；在复杂非线性情形下，AMMI等双线性模型残差趋于膨胀，适应性与稳定性估计不够准确，进而影响对复杂响应动态基因型的选择与淘汰。随机森林（Random Forest，RF）等机器学习（Machine Learning，ML）算法无需统计假设即可建模复杂多维互作，已在预测中显示潜力，但其内部参数难以直接解释，且不像经典方法那样产生回归系数或各因子水平的直接得分，限制了可视化决策和定向品种推荐。可解释人工智能（Explainable Artificial Intelligence，XAI）中的SHAP（SHapley Additive exPlanations）基于合作博弈论，可对预测进行局部加性分解，量化各预测变量贡献的大小与方向。尽管如此，将ML与XAI同传统生物统计方法在植物育种中进行效率对比的研究仍较少。基于此，研究人员提出将ML与SHAP加性分解整合，用于建模复杂G × E互作，并引入基于SHAP的性能与稳定性指标，与AMMI稳定性排序及特定适应性特征比较，以在捕捉非线性响应模式的同时保持可视化和定量解释，作为植物育种决策的补充工具。

研究人员开展了基于CIMMYT国际多环境试验玉米数据集的分析，包含9个基因型在20个环境中的评价，采用随机完全区组设计、每组合4个重复，性状为籽粒产量（GY，kg ha^?1）。构建RF模型，以基因型（GEN）为分类因子、环境指数（ENV_INDEX）为连续协变量；采用留一环境交叉验证（LOEO），设置mtry = 1、随机种子42、500棵决策树，并以预测能力、决定系数（R²）和均方根误差（RMSE）评价。利用DALEX框架以25次置换的Monte Carlo近似SHAP值，构建SHAP效应（SHAPEff）、SHAP稳定性（SHAPStb）与SHAP同时选择指数（SHAPSSI；权重θ_Y = 60、θ_S = 40），并以SHAP依赖图和LOESS平滑检查非线性。结果表明，RF预测性能较高（预测能力0.85，交叉验证R²为71.94%，RMSE为717.02 kg ha^?1），为SHAP分解提供基础；SHAP解析显示环境变异呈可预测非线性响应，G6在SHAPSSI和SHAPEff中居首，ASV最稳定的G7和G3产量相对较低；SHAPStb与传统线性度量的关联较弱。该方法可补充AMMI的全局视图，揭示局部排序倒置和非线性响应，为稳定且响应性基因型选择提供决策支持。

关键技术方法概括：样本数据来自CIMMYT国际多环境玉米试验（9个基因型×20个环境，4重复，性状为GY，kg ha^?1）。以RF建模，GEN为分类变量、ENV_INDEX为连续协变量；LOEO交叉验证；500棵树、mtry = 1、种子42；计算预测能力、R²和RMSE。以DALEX进行25次置换的SHAP近似，构建SHAPEff、SHAPStb和SHAPSSI（权重60/40）；采用SHAP依赖图与LOESS曲线；以Spearman秩相关及bootstrap置信区间比较排序一致性。

研究结果如下。3.1 环境与基因型间表型表现：通过20个环境与9个基因型的GY分布分析，环境均值范围为2652.00 kg ha^?1（环境19）至7516.00 kg ha^?1（环境12）；基因型均值范围为4283.00 kg ha^?1（G8）至5330.00 kg ha^?1（G6），G6与G4（5218.00 kg ha^?1）、G5（5247.00 kg ha^?1）表现相近，三者均高于总均值4858.13 kg ha^?1；表明环境与基因型间存在明显产量差异且顶部材料表现重叠。3.2 机器学习模型拟合与预测能力：通过LOEO下RF拟合与预测评价，模型预测能力为0.85、交叉验证R²为71.94%、RMSE为717.02 kg ha^?1，说明模型具有较高预测性能，为后续SHAP局部互作解析提供可靠基础。3.3 线性与非线性G × E分解：通过AMMI双标图与SHAP逐环境解析，AMMI前两IPCA累计解释71.30%的G × E互作平方和，G4、G8及环境8、环境11远离中心，为互作主要贡献者；SHAP显示G4、G5、G6在多数环境正SHAP值最高，环境11中G4最大正SHAP互作效应超过500 kg ha^?1，G8全程负贡献且在环境13低于?500 kg ha^?1；环境8出现排序倒置，G4和G6下降而G1和G2正SHAP值升高；SHAP依赖图与LOESS曲线呈弯曲、拐点、非单调波动和交叉，表明互作具有非线性。3.4 线性和非线性选择框架下的基因型排名动态：通过GY、ASV、SSI及SHAP指标排序比较，GY排名由G6第1至G8第9；G6和G5在ASV分别第4和第5，线性稳定性不突出；SHAPStb下G6第3、G4第8；G6在GY、传统SSI和SHAPSSI中均第1；G5在GY第2、传统SSI第3，但SHAPStb第7；G4在ASV第9、传统SSI第7，SHAPEff第3、SHAPSSI第5；G8在多数框架中第8或第9，传统SSI和SHAPSSI均第9，表明线性与非线性框架呈互补选择模式，G6产量与非线性稳定性收敛，G8表现差且缺乏系统稳定性。3.5 表型性能与稳定性指标间的秩相关分析：通过Spearman秩相关分析，ASV与GY相关较低（p = 0.9674），SHAPStb与GY相关较低（p = 0.5656），说明稳定性与生产力为独立维度；SHAPSSI与GY呈较高相关（p = 0.0059），高于传统SSI（p = 0.0569）；GY与SHAPEff呈近完美相关（p < 0.0001），表明SHAP分解可捕捉产量遗传主效应，SHAPSSI在整合非线性稳定性的同时仍能有效选择高产基因型。

讨论部分总结：RF较高预测能力支持SHAP后续解释；ENV_INDEX由响应变量构建存在一定循环性，可能膨胀R²和RMSE，未来应以独立气象和土壤等环境协变量替换或补充。树模型及ML在G × E建模和预测中日益重要；SHAP可揭示线性/双线性双标图未直接呈现的局部响应变化和微环境动态，SHAP依赖曲线偏离直线并出现弯曲、拐点和斜率变化，支持该种质网络G × E受非线性动态支配。AMMI和GGE依赖奇异值分解优先最大化全局方差，可能掩盖环境特异非线性异常和局部交叉；环境8的排序倒置即为局部交叉实例。XAI有助于打开ML“黑箱”，在育种中桥接预测准确性与生物可解释性。ASV与SHAP框架的分歧说明线性假设评价高产种质存在局限；G6显示持续非线性韧性，G4呈尖锐非单调波动；传统双标图可能混淆二者稳定性，SHAP可解耦。最高产基因型通常并非最稳定材料，采用整合产量与稳定性的同时选择指数更稳健；传统SSI与SHAPSSI在推荐G5和G6进入前三上具有一致性，但G9在SHAPSSI中升至第2，G3虽受传统SSI青睐却在SHAP中显示多数环境负边际贡献。产量与线性ASV及非线性SHAPStb的弱相关确认产量与稳定性独立性；SHAPSSI与产量相关更强，SHAPEff与产量近完美相关。ML-SHAP可作为辅助工具推断导致G × E的候选基因型或环境并基于SHAPSSI进行选择推荐；但方法有效性依赖训练模型预测性能，稳健交叉验证必要，大规模分析可采用KernelSHAP或TreeSHAP近似。未来以独立高分辨率环境组学协变量消除循环性，将增强动态产量预测能力。

研究结论翻译：所提出的方法利用机器学习算法与局部加性SHAP分解相结合，能够评估复杂、非线性的基因型×环境（G × E）互作，为育种人员在传统线性模型之外选择稳定且响应性基因型提供了互补视角。此外，通过稳定性排序和适应性特征与传统AMMI分析进行比较，表明该方法可作为植物育种决策的补充工具，因为它在所评价环境中提供了对G × E互作的额外解析度。