将机器学习与早期筛选技术相结合，用于评估甜菜（Beta vulgaris L.）不同基因型幼苗对干旱的响应

《Sugar Tech》：Integrating Machine Learning and Early-Stage Screening to Evaluate Genotype-Specific Seedling Responses to Drought in Sugar Beets (Beta vulgaris L.)

甜菜品种在PEG诱导干旱胁迫下的早苗生长特性及机器学习模型应用研究。本研究评估了6个甜菜品种在4种PEG浓度下的早苗生长特性，应用XGBoost、RF等5种机器学习模型分析干旱胁迫与基因型间的关联，发现RF和MLP模型性能最佳（R2≈0.76-0.81），PI590669在严重胁迫下表现更优，为选育抗旱品种提供了方法框架。

　　

摘要

甜菜（Beta vulgaris L.）是精制糖的重要来源，其产量在很大程度上取决于种子的成功发芽和幼苗的早期生长。在这些生长阶段遇到干旱会阻碍植株的生长和活力，因此在早期水分不足的情况下对基因型进行特异性评估对于培育耐逆境的品种至关重要。本研究在四种不同浓度的聚乙二醇（PEG，分别为0%、5%、9%和12%）条件下，评估了六个甜菜基因型的表现，以模拟从轻微到严重的水分亏缺情况。记录了正常幼苗数量（NS）以及早期幼苗生长特征（根长、茎长、根和茎的鲜重及干重）。采用了五种机器学习算法——极端梯度提升（XGBoost）、随机森林（RF）、多层感知器（MLP）、支持向量机（SVM）和高斯过程（GP）——来建模并描述PEG诱导的胁迫强度、基因型与早期幼苗特征变化之间的关系。PEG诱导的胁迫导致所有测量指标均显著下降，并且存在明显的基因型差异。在所测试的算法中，RF和MLP在数据集内的建模性能最高（R² ≈ 0.81–0.76），紧随其后的是XGBoost。相比之下，基于核函数的GP和SVM的性能较为中等。基因型PI590669在严重PEG胁迫条件下表现出较强的早期幼苗生长能力，而PI590855则更为敏感。本研究强调了将生理特征与基于机器学习的建模方法相结合的价值，有助于在受控干旱条件下比较不同基因型的响应。通过促进对PEG诱导干旱条件下基因型响应的多变量分析，这种方法为高效且一致地识别与气候变化相关的干旱频率增加情况下的早期胁迫响应提供了框架。未来的研究应将这些方法扩展到多环境评估、更晚的发育阶段，并整合基因组数据，以评估这些发现的更广泛适用性。