《Current Plant Biology》：ChickpeaOmicsExplorer (COE): A machine learning-assisted multi-omics database for functional genomics in chickpea
编辑推荐：
鹰嘴豆OmicsExplorer（COE）是一个机器学习辅助的多组学平台，整合了鹰嘴豆的基因组、转录组、调控元件及单核苷酸多态性（SNP）数据集。该平台统一了Phytozome与NCBI之间的基因标识符，解决了长期存在的注释不一致问题。研究人员实现了一种多核支
鹰嘴豆OmicsExplorer（COE）是一个机器学习辅助的多组学平台，整合了鹰嘴豆的基因组、转录组、调控元件及单核苷酸多态性（SNP）数据集。该平台统一了Phytozome与NCBI之间的基因标识符，解决了长期存在的注释不一致问题。研究人员实现了一种多核支持向量机（SVM）软投票分类器，在组织特异性基因表达预测中达到了高达97%的准确率。平台整合了包括启动子分析、转录因子-基因网络、microRNA（miRNA）靶向、蛋白质特性、亚细胞定位及蛋白质-蛋白质相互作用（PPI）网络在内的功能模块。此外，COE还为研究人员提供了引物设计、限制性酶切图谱分析及CRISPR引导RNA（gRNA）设计等实用工具。
鹰嘴豆多组学智能探索平台：机器学习驱动的功能基因组学整合研究解读
一、研究背景与问题
鹰嘴豆（Cicer arietinum L.）是一种二倍体（2n = 16）一年生豆科作物，主要种植于干旱和半干旱地区，因其高蛋白质和矿物质含量而具有重要经济价值，全球年产量约1650万吨，平均单产约1016 kg/ha。随着环境挑战日益严峻，培育气候适应性品种的需求愈发迫切，甚至已有研究成功在模拟月壤中栽培鹰嘴豆。尽管下一代测序（NGS）技术取得了显著进展，但鹰嘴豆的遗传潜力仍未得到充分利用，主要原因包括：遗传变异狭窄、基因组资源有限、基因命名不一致以及基因组本身固有的复杂性——较大的基因组规模、丰富的重复序列和基因组组装的局限性，这些因素均增加了基因预测和功能注释的难度。
目前，尽管大豆、水稻、油菜、小麦和大麦等作物已建立了相应的多组学综合数据库，但鹰嘴豆的基因组资源分散于多个独立平台，缺乏统一的整合平台。同时，高通量测序产生的大规模复杂数据集为基因型-表型关联分析带来了巨大挑战。机器学习（ML）方法，特别是支持向量机（SVM）、随机森林、XGBoost和弹性网络等算法，已在植物科学和育种领域展现出强大的多维分类和预测建模能力。基于此，研究人员开发了ChickpeaOmicsExplorer（COE），旨在整合分散的鹰嘴豆基因组资源，构建一个综合、交互式且易于访问的在线表达数据库，为功能基因组学研究和作物改良提供支撑。
二、研究内容与意义
研究人员开发了COE平台，从Phytozome、NCBI、CicerSeq、PmiREN和CaGEADB等多个公开资源系统收集鹰嘴豆基因相关信息。COE的整合框架在多个层面运作：首先，汇编并同步来自独立生成的基因组、转录组、小RNA和遗传变异资源中的基因相关数据；其次，纳入使用成熟外部工具产生的预测和计算注释；第三，通过统一的基因标识符连接各层证据，实现以基因为中心的多资源交叉探索。该平台主要用于假设生成和候选基因优先排序，整合多种证据推断的关联不应被解释为因果关系，需经独立实验验证。
三、主要关键技术方法
研究人员采用以下核心技术方法开展研究：从Phytozome v12和NCBI获取鹰嘴豆基因组DNA、转录本、编码序列（CDS）、启动子和肽段序列，使用Python及pandas、NumPy库进行数据整合，采用Django框架开发Web界面；利用GSDS服务器分析基因内含子-外显子结构，PlantCARE鉴定顺式调控元件，PlantRegMap预测转录因子结合位点；基于Jain等人发表的鹰嘴豆转录组图谱（包含94个RNA-seq文库、32个组织和发育阶段，30个组织各3个生物学重复，20DAP和30DAP各2个重复）进行机器学习分类和加权基因共表达网络分析（WGCNA）；使用PLncPRO预测长链非编码RNA（lncRNA），PmiREN和psRNATarget预测miRNA靶标；STRING数据库构建蛋白质-蛋白质相互作用（PPI）网络；Blast2GO或agriGO进行基因本体（GO）注释，KEGG进行通路注释；Biopython、SeqUtils和ExPASy计算蛋白质生化特性，CELLO预测亚细胞定位；整合CicerSeq 2021数据集（3366个基因型）的SNP信息；OrthoVenn3进行与水稻和拟南芥的比较基因组学分析；集成Primer3Plus引物设计和CHOPCHOP CRISPR构建设计工具。
四、研究结果
4.1 表达模式分类框架的评估
研究人员采用两阶段机器学习框架对时空表达模式进行分类。第一阶段将转录本分为稳定表达（HK）和可变表达（NHK）两类，第二阶段对可变表达转录本进行多标签组织群偏差分类。在染色体分组留出验证中，经GridSearchCV优化的SVM在测试集上达到97.68%的准确率（F1 = 0.9768），软投票SVM集成达94.59%，随机森林为83.86%，XGBoost为83.56%，弹性网络为71.31%。第二阶段中，XGBoost在留出集上获得最高宏F1（0.8299）和微F1（0.8408），SVM紧随其后（0.8272和0.8349）。在19446个可变表达转录本中，12735个获得至少一个组织群标签，其中7700个获得一个标签，3367个获得两个标签，1333个获得三个标签，335个获得四个标签。外部文献验证显示，9个可映射的文献报道看家基因中6个（66.7%）被分类为HK，7个文献定义稳定参考基因中6个（85.7%）被分类为HK。
4.2 共表达网络分析揭示功能相关调控模块
WGCNA分析鉴定出23个共表达模块，包含13162个转录本，14个转录本未分配。模块-组织关系分析揭示了各共表达模块与不同组织群之间的关联模式。模块大小差异显著，M1（绿色，6655个转录本）为最大模块。每个模块中保留具有最高符号化模块成员度（kME）的十个转录本作为候选枢纽基因。稳定性分析显示，在32次逐样本留出分析中，模块内kME秩相关中位数为0.997，每次留出中原始十个枢纽候选基因的中位保留数为9.5个，230个候选基因中有177个在至少90%的留出分析中保持前十名地位。
4.3 功能与结构表征
COE平台提供两种基因搜索方式：左侧面板接受Phytozome标识符（Ca_xxxxx格式），右侧面板接受NCBI标识符（LOCxxxxx格式），用户可通过任一标识符系统检索基因的可用注释。平台整合了多种功能模块，包括基因组、CDS、蛋白质和启动子序列信息，顺式调控元件预测，GO和KEGG注释，转录因子结合信息，miRNA相关注释，亚细胞定位预测，PPI网络，以及鹰嘴豆、水稻和拟南芥间的直系同源和旁系同源基因鉴定。
4.4 基因相关SNP注释与候选变异探索
COE整合了CicerSeq 2021数据集（3366个基因型）的SNP信息，通过CEG资源平台将变异映射至相应的基因相关区域。SNP经过筛选，主要保留位于基因间区和启动子区域的变异，这些变异在转录调控中发挥重要作用，可能调节组织特异性表达模式。这些变异可作为后续标记开发、单倍型分析、全基因组关联分析（GWAS）、表达数量性状位点（eQTL）分析和实验验证的候选对象。
4.5 COE的独特性
与现有鹰嘴豆特异性及通用植物基因组资源相比，COE作为整合平台具有独特优势。不同于其他数据库，COE提供组织特异性基因表达谱、PPI、启动子表征、转录因子、GO/KEGG详情、拟南芥和水稻直系同源/旁系同源基因、SNP调用、miRNA靶标、引物设计（用于克隆和qRT-PCR）以及CRISPR构建设计等多样化功能，弥合了基础研究与作物改良应用之间的差距。
五、讨论与结论
COE通过整合多种组学资源，解决了基因命名不一致、注释不完整和数据分散等主要限制，构建了一个交互式且用户友好的平台。该集中资源将精选基因组信息与表达模式注释和共表达模块相结合，支持假设生成和候选基因优先排序。然而，表达分类和计算推断的关联主要用于候选优先排序和假设生成，而非生物学功能的确定性证据。样本间或发育条件下表达值的平均化可能降低组织、阶段或条件特异性分辨率，内部机器学习评估获得的性能估计可能无法完全反映跨研究泛化能力。预测的调控相互作用和基因相关SNP需要独立验证才能确立功能效应。未来开发将集中于纳入更多独立数据集和实验支持的注释，以及计算预测的跨数据集验证。最终，优先基因、调控相互作用和等位变异的生物学意义需要通过遗传、分子和表型验证来确立。COE与先进人工智能和云分析平台的整合有望支持鹰嘴豆育种中的性状鉴定和部署，为培育气候适应性和营养丰富的品种、保障全球粮食安全铺平道路。
