《The Plant Genome》：A linear-transformer hybrid for single-nucleotide polymorphism-based genotype-to-phenotype prediction in grapevine
编辑推荐：
稳健的基因型到表型（G2P）预测对于加速葡萄（Vitis spp.）育种决策和遗传增益至关重要。然而，在变化的大田条件下和跨年度测量复杂性状仍然具有挑战性。本研究提出线性-Transformer（LiT）-G2P，一种自动化预测框架，该框架利用全
稳健的基因型到表型（G2P）预测对于加速葡萄（Vitis spp.）育种决策和遗传增益至关重要。然而，在变化的大田条件下和跨年度测量复杂性状仍然具有挑战性。本研究提出线性-Transformer（LiT）-G2P，一种自动化预测框架，该框架利用全基因组单核苷酸多态性（SNP）数据，将加性遗传方差效应与基于Transformer的非线性交互作用整合在一起。研究人员在一个由多样化葡萄种质组成的群体上评估了LiT-G2P，该群体经SNP标记基因分型，并在连续三年中测量表型。目标表型性状包括葡萄叶片毛密度和毛状体密度。在单年和跨年测试场景中，LiT-G2P均较基线模型持续提高预测性能。对于叶片毛密度，LiT-G2P在单年和跨年评估中均取得最低预测误差，均方根误差（RMSE）分别为0.475和0.460，±0.5准确率分别为78.6%和72.9%。对于毛状体密度，LiT-G2P取得的RMSE分别为0.637和0.766，相应准确率分别为62.6%和58.2%。此外，研究人员从注意力权重中提取模型优先的SNP，并应用基因型分层分析，为下游验证提供可解释的候选标记。这些结果支持基于SNP的预测建模在基因组选择中的实际应用，并指出在更广泛部署之前，仍需更详细的田间数据、更大的多年份葡萄群体以及独立的葡萄验证。
研究背景方面，基因型到表型（G2P，利用遗传标记预测表型）关系是连接遗传变异与重要农艺性状的基础，将G2P关联转化为复杂表型的可靠预测，对加快育种遗传增益具有重要意义。葡萄（
Vitis spp.）为多年生作物，传统育种依赖多环境重复选择，周期长、资源消耗大；复杂性状在变化田间条件和不同年份间难以稳定测量，环境效应会掩盖因果信号并限制预测可迁移性。虽然人工智能（AI）和机器学习（ML）可建模非线性遗传效应、上位性及结构化依赖，循环神经网络（RNN）、长短期记忆（LSTM）网络和胶囊网络（CapsNet）等存在长SNP序列计算效率或局部关系建模局限；Transformer虽能通过自注意力建模长程依赖，但多数基因组基础模型基于全长DNA序列，而实际育种多采用经济有效的SNP标记，序列级表示学习与基于标记的G2P预测之间存在差距。为此，研究人员提出线性-Transformer G2P（LiT-G2P）框架，利用全基因组SNP变异，将遗传效应分解为线性分支捕获的加性主效应和Transformer分支建模的非线性交互作用，并以共享骨干和双维输出层联合预测叶片毛密度和毛状体密度。该研究在320份葡萄种质上开展单年和跨年评估，旨在为葡萄基因组选择和可解释AI辅助育种提供实用路径。主要结论是LiT-G2P在单年和跨年场景下总体优于线性岭回归、极端梯度提升（XGBoost）和基线Transformer，跨年退化较小，并可通过注意力权重优先SNP和基因型分层分析提供候选标记；但其SNP重要性分析不建立因果关联，仍需更大规模多年多环境群体和独立验证。
关键技术方法可概括为：样本队列来源于美国纽约州日内瓦的美国农业部（USDA）葡萄种质库，研究选取320份葡萄种质，包括200份种间杂种（HY）、69份
Vitis riparia（RI）及51份其他野生和栽培类型；2022—2024年采集成熟叶片，利用BlackBird高倍显微成像对叶片毛密度和毛状体密度进行0—3半定量评分；经质控保留15,388个SNP，按0/1/2加性剂量编码，缺失位点按主要基因型填充；构建LiT-G2P，将SNP划分为64个非重叠patch并嵌入128维空间，加入位置编码，采用2层Transformer编码器、4个自注意力头和多层感知机（MLP）输出头，联合预测两性状；单年采用2024年数据内80%/20%五折交叉验证并按accession分组，跨年以2022—2023年数据训练、2024年数据测试；与线性岭回归、XGBoost和基线Transformer比较，计算RMSE、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和±0.5准确率；并开展VanRaden亲缘关系、主成分分析（PCA）、群体敏感性分析、基于SNP的窄义遗传力（h
2）估计、注意力优先SNP及基因型分层分析。
研究结果与讨论方面，单年与跨年预测性能显示，LiT-G2P在叶片毛密度中取得最低预测误差，单年RMSE为0.475、±0.5准确率为78.6%，跨年RMSE为0.460、准确率为72.9%；毛状体密度单年RMSE为0.637、准确率为62.6%，跨年RMSE为0.766、准确率为58.2%。跨年测试总体较单年困难，传统线性岭回归和XGBoost性能下降明显，Transformer较稳，LiT-G2P跨年误差增加和准确率下降更小；单年叶片毛密度中基线Transformer的容差准确率略高，但LiT-G2P的RMSE、MAE和MAPE更低。非参数检验显示单年叶片毛密度（p=0.005）、单年毛状体密度（p=0.012）和跨年叶片毛密度（p=0.003）存在显著模型间总体差异，跨年毛状体密度无显著总体差异（p=0.333）；LiT-G2P跨年毛状体预测的绝对误差显著低于传统Transformer（p=0.041），其他场景差异不显著。由于数据为accession水平年均值，无法可靠分离基因型×年份方差与accession内残差变异，也未正式评估藤蔓水平残差方差齐性。
群体结构与遗传背景方面，基于多态SNP的VanRaden亲缘关系显示不同accession间平均关系为?0.003，
V. riparia组内平均关系为0.399，HY为0.065，其余遗传组为0.093，HY与
V. riparia间为?0.160；PCA中PC1、PC2和PC3分别解释10.9%、5.6%和4.2%的基因组变异，
V. riparia主要沿PC1正方向聚集，HY分布更广并与其他组部分重叠，说明面板存在明显群体结构和遗传异质性，模型开发与评估需考虑群体结构。
跨年泛化与局限性方面，以跨年减单年的性能变化比较，传统基线误差膨胀和准确率下降更大，Transformer类模型跨年稳定性更好，LiT-G2P保持较小退化；但跨年性能仍受环境变化、田间微气候、管理或成像条件差异影响，毛状体密度总体误差更高、容差准确率更低。群体感知敏感性分析中，采用受限训练面板（n=269）并在相同54份HY和
V. riparia测试材料上比较，叶片毛密度单年RMSE由0.559降至0.480、跨年由0.608降至0.496，容差准确率由63.0%升至68.5%、由55.6%升至61.1%；毛状体密度改善较小。该结果表明面板组成会影响预测性能，对稀疏代表群体应谨慎解释。基于SNP的窄义遗传力估计显示，叶片毛密度2022—2023基线h
2为0.38、2024目标年为0.50；毛状体密度相应为0.83和0.91，提示毛状体密度具有较高加性遗传控制，但其预测性能较低可能与样本量有限、标记维度高和年际表型变异有关；未估计宽义遗传力（H
2）。
注意力优先SNP及基因型分层方面，LiT-G2P注意力机制优先的5个SNP集中于7号和8号染色体，其中3个位于8号染色体，8号染色体18,542,650和18,542,656位点相邻，提示局部区块或紧密连锁区域可能携带重要信号；这些优先SNP等位频率为中等至较低。基因型分层分析显示，叶片毛密度中5个SNP有4个呈现基因型1相对基因型0毛密度较低的趋势，1号染色体26,601,686位点呈较弱反向模式；毛状体密度中5个SNP均显示基因型1组毛状体密度总体高于基因型0组。上述结果支持优先SNP捕获与表型变异一致的遗传信号，但注意力优先不等同于因果证据。加性重要性分析显示，毛状体密度特异的标准化加性重要性SNP分布于2、5、10、11和14号染色体，与注意力排序不同，因为二者分别反映共享非线性信息和加性分支的单个SNP贡献；这些标记应视为探索性预测标记而非已验证因果位点。生物学一致性检查中，将USDA种质资源信息网络（GRIN）历史花性别记录匹配到269份基因分型accession，在15,388个SNP中逐标记排除缺失进行探索性分类标记-表型筛查，恢复出2号染色体已知花性别决定区；4,949,616 bp处的SNP位于既往报道的4.907—5.051 Mb区间内，全基因组排名第三（p = 1.73 × 10
?19），该区间40个标记中有14个进入全基因组前1%，富集显著（p = 9.36 × 10
?19），为基因组信号优先排序提供了额外生物学一致性检查。
讨论部分总结认为，LiT-G2P通过整合加性遗传效应与Transformer建模的交互作用，提高了单年准确性和跨年稳健性，并通过注意力优先SNP提供具有一定生物学意义的标记解释，适用于早期识别优良accession、降低表型鉴定负担和提高变化环境下选择稳定性的育种流程。局限包括：缺失SNP按主要基因型填充可能在缺失非随机或影响稀有等位模式时引入偏差；高重要性SNP的基因型类别不平衡可能限制效应估计；研究仅使用单一葡萄多样性面板且未包含外部作物基准，结论应限定于葡萄而非一般方法优越性；跨年性能仍受环境变异和表型噪声限制；需更多环境、年份、管理和性状数据，显式建模基因型×环境互作，并在更大、更均衡群体及外部群体中验证优先SNP；在多作物基因型数据上预训练Transformer编码器也是发展通用SNP基础模型的潜在方向。
研究结论（原文结论翻译）：本研究提出LiT-G2P，一种将加性标记效应与基于Transformer的非线性交互建模相结合的混合G2P模型。在评估的320份葡萄种质群体内，LiT-G2P对叶片毛密度和毛状体密度显示出较好的平均预测性能，尤其在跨年评估下。然而，基于模型的SNP重要性分析提供了进一步研究候选，但并未建立因果关联。需要在更大规模多年份和多环境葡萄群体以及独立生物学验证中评估，以确认所提方法的稳健性和育种效用。LiT-G2P较竞争方法保持更高容差准确率和更小性能退化，提示在年际变化下具有改进的泛化能力。除预测准确性外，LiT-G2P为可解释AI辅助育种和选择提供了实用路径。线性分支产生性状特异性加性标记效应，而注意力衍生的重要性评分优先考虑对模型预测贡献最大的基因组区域和SNP。顶级SNP的基因型分层分析显示清晰表型分离，支持学习信号具有生物学意义并与观察到的预测性能一致，为生物学后续研究提供了靶向候选。然而，跨年性能仍受环境变异和表型噪声限制，这凸显了对更大规模多年份葡萄育种数据和显式建模基因型×环境效应的需求。未来工作将把LiT-G2P扩展到多环境训练和分布偏移正则化，并在外部群体中使用基因型分层分析验证优先SNP。
