《Microorganisms》：Root Endophytic Synthetic Communities Promote Oat Seedling Growth Through Functional Complementarity and Root Transcriptional Reprogramming
编辑推荐：
由Erwinia amylovora引起的火疫病是一种毁灭性细菌病害，影响梨园并于2012/2013年在突尼斯被报道。准确预测侵染风险对于及时开展病害管理至关重要。本研究旨在开发将流行病学因子与当地微气候条件相关联的预测模型。研究于2023年3月至6月在突尼斯
由Erwinia amylovora引起的火疫病是一种毁灭性细菌病害，影响梨园并于2012/2013年在突尼斯被报道。准确预测侵染风险对于及时开展病害管理至关重要。本研究旨在开发将流行病学因子与当地微气候条件相关联的预测模型。研究于2023年3月至6月在突尼斯Ouerdanine（Monastir，突尼斯）某梨园内以'Alexandrine'品种为对象开展。研究人员实施了每周流行病学监测，并采用基于0至6级评分的标准化指数对病害严重度进行量化。一台自主气象站连续记录环境温度、花器水平温度及相对湿度等病原菌发育的关键变量。经过细致的数据准备与归一化后，研究人员构建了两个预测模型：（1）基于单个传感器测量值、采用机器学习算法（包括决策树、随机森林和支持向量机）的树体水平模型；（2）基于聚合卫星气象数据、采用线性回归的果园水平模型。当地微气候条件强烈影响病害严重度。机器学习模型在预测单株侵染方面表现出中等性能，其中决策树算法准确率最高（48%），其次为随机森林（44%）和支持向量机（29%）。回归模型可对果园整体严重度提供可靠估计，从而能够在更大尺度上评估病害趋势。这些适应突尼斯地中海气候的预测模型为火疫病管理提供了实用工具，有助于优化化学与生物预防措施的施用时机，改善对这一重大植物检疫威胁的防控。然而，尚需在多个果园、品种和季节间开展进一步验证以确认其更广泛的适用性。该方法展示了将已有模型适配于突尼斯当地条件的潜力。
【研究背景】梨火疫病由解淀粉欧文氏菌（Erwinia amylovora）引起，是影响全球梨和苹果生产的最具破坏性的细菌病害之一，已在50多个国家报道。该病于2012年在突尼斯首次发现，2013年被正式列为检疫性病害，随后迅速扩散至多个商业生产区。该病原菌主要于花期侵染，温暖天气促进细菌在污染花柱头上繁殖，随后湿润事件促使细菌转移至萼筒（hypanthium）并完成侵染。病害危害性在于其快速传播，可导致大面积减产、树体死亡及高昂的拔除与重建成本。突尼斯现行的火疫病管理仍以反应性防控为主，依赖花期按日历喷施铜制剂和抗生素，而非基于当地验证的侵染风险阈值。已有预测模型如RIMpro-Erwinia、Cougarblight和Maryblyt主要是在温带气候条件下开发并验证的，其假设（如温度超过15 ℃持续至少3 h、花表附生种群超过10? CFU/花后需湿润事件）在突尼斯春季高温（常超过25–30 ℃）、降雨稀少的条件下可能快速达到阈值而产生假阳性预测。此外，突尼斯病原菌种群存在两个遗传上不同的亚群，可能具有不同的毒力谱。因此，直接移植这些模型存在不确定性，亟需开发适应当地气候条件的、经本地校准的预测方法。
【研究开展与结论】研究人员在突尼斯Ouerdanine（Monastir）一个四年生'Alexandrine'梨园开展了流行病学研究，该园在2022年生长季曾表现出火疫病典型症状。研究目标是识别火疫病发生中心并研究其流行病学，明确季节动态对气象条件的依赖关系，确定梨树发育阶段对病害的敏感性，并分离鉴定病原菌；同时通过结合当地微气候测量与卫星衍生气象数据，在树体和果园两个尺度上开发并评估火疫病严重度预测模型。研究得出，当地微气候条件强烈影响病害严重度；树体水平机器学习模型性能中等，决策树准确率最高（48%），其次为随机森林（44%）和支持向量机（29%）；果园水平回归模型仅利用聚合气象数据即表现出较强预测能力（R2=0.95，MAE=0.36，MSE=0.19）。这些适应突尼斯地中海气候的预测模型为火疫病管理提供了实用工具，可优化化学和生物预防措施的时机，提高对这一重大植物检疫威胁的防控水平；但尚需在多个果园、品种和季节间进一步验证以确认其更广泛的适用性。本研究的重要意义在于首次为突尼斯梨园建立了本地校准的、气候驱动的决策支持工具，填补了当地侵染风险阈值缺失的空白。
【关键技术方法】研究在突尼斯Ouerdanine（Monastir，坐标35°44′19.6″ N 10°40′14.7″ E）四年生'Alexandrine'梨园开展，2023年3月至6月对10株随机选定树进行每周症状评估，采用0–6级病害严重度指数（DSI）。安装自主微型气象站（MWS），以DHT22传感器每小时记录冠层环境温度和相对湿度，以DS18B20热电偶传感器（每树3个、共30个测点）记录花柱头温度，传感器经参考温度计校准。气象数据缺失时以Open-Meteo API卫星数据补充。构建两个模型：模型1为树体水平多类分类（决策树、随机森林、支持向量机），采用分组5折交叉验证及类别权重处理不平衡；模型2为果园水平线性回归，仅用卫星气象数据。模型以网格搜索交叉验证优化超参数。
【研究结果】
3.1 树体水平严重度预测评估：通过多指标评估三种算法，决策树总体准确率最高（48%），优于随机森林（44%）和支持向量机（29%）；决策树在平衡准确率（0.41）、宏平均精确率（0.43）和宏平均F1（0.42）上均最优，支持向量机表现较差（平衡准确率0.22）。误差分析显示误分类主要集中于相邻DSI等级之间；置换重要性识别出temp_mean、temp_std和sat_relative_humidity为最具信息量的预测因子。结果表明在有限数据条件下，较简单的决策树模型可能比复杂集成或核方法更具泛化能力。
3.2 果园水平严重度预测评估：仅基于气象预测因子的回归模型表现出较强性能，MAE为0.36，MSE为0.19（RMSE=0.44 DSI单位），R2为0.95。研究人员指出该值来自单一果园和单一生长的时序训练-测试划分，反映内部插值而非外部泛化性，与Fire4CAST在独立年份和区域验证下达到的R2约0.83不可直接比较。模型可运行于历史模式（回顾分析）和预报模式（最多15天预测温湿度），提供早期预警信号。
【讨论与结论】讨论部分指出，树体水平决策树模型准确率虽最高但仍属中等，应视为初步预测工具而非完全业务化系统，其性能受限可能反映有限、时间相关且空间异质的传感器数据带来的挑战，这与Loh所报道的决策树在小样本或噪声数据下可优于复杂算法的发现一致。果园水平回归模型的高R2确认聚合气象变量是大尺度病害发展的稳健指标，但尚需跨年份、跨地点外部验证。与Maryblyt、Cougarblight、RIMpro-Erwinia和Fire4CAST等模型相比，本研究模型仅从气象和传感器数据预测严重度，不需病原菌定量或湿润事件输入，因而互为补充而非替代，是成本有效且可扩展的方案，尤其适用于病原监测基础设施有限的地区。研究同时承认未整合病原菌表征或种群动态，突尼斯已报道两个遗传上不同的解淀粉欧文氏菌亚群且可能存在毒力差异，这一生物学变异可能是树体模型中等准确率中未解释方差的部分来源，提示在本地病原种群被表征前将模型迁移至其他果园或区域时需谨慎。结论部分译为：本研究展示了机器学习与回归方法在突尼斯气候条件下预测梨园火疫病严重度的潜力。树体水平模型尤其是决策树算法能够捕捉微气候变量与病害严重度之间的相关模式，尽管准确率中等；果园水平回归模型仅用聚合气象数据即表现出较高预测性能。在业务化部署前，尚需在多个果园、品种和生长季间开展独立验证，理想情况下应在共享数据集上与已有系统进行对比。一旦验证，这些模型可通过优化预防措施时机助力火疫病精准管理。尚需进一步研究以确认其更广泛适用性并整合更多流行病学因子。
