整合混合模型与机器学习的木薯多环境基因型×环境互作及稳定性分析

《BMC Plant Biology》：Trait-specific genotype × environment interaction, stability, and predictability of cassava in multi-environment trials

　　

摘要

理解基因型×环境互作（G×E）对于提升异质性和气候多变生产体系下的木薯产量至关重要。本研究利用泰国的多环境试验网络，量化了表型变异、遗传参数、稳定性和性状的预测能力。在2011年至2020年间的66个环境中，对8个木薯基因型的8个农艺和适应性状进行了评估。采用线性混合模型估计方差组分、最佳线性无偏预测值（BLUPs）和参试均值广义遗传力。利用AMMI和GGE双标图分析来表征G×E的效应大小和结构，并以基于回归的稳定性和多性状稳定性指数作为补充。所有性状的环境效应均显著，与产量和生长相关的性状表现出显著的G×E效应，包括不同环境间明显的交叉反应。参试均值遗传力因性状而异，范围为低至中等（H2 = 0.10–0.47），其中淀粉含量和收获指数较高，而产量和出苗性状较低。稳定性分析一致地鉴定出HB80为最广适应性的基因型，其兼具较高的鲜根和干根产量以及较低的互作效应量。该表现与相对稳定的收获指数有关，表明其同化产物分配效率高。种质#21表现出类似的模式，而R1和R5则显示出较大的环境响应性和不稳定性。机器学习模型在各性状上取得了低至中等的预测性能。干根产量预测最为准确（最大交叉验证R2 = 0.52），其次是淀粉含量（R2 = 0.44），而出苗和收获指数的可预测性有限。这些结果表明，整合混合模型推断、G×E分析、稳定性评估和机器学习，为异质环境下的木薯选择提供了稳健的框架。