利用SHAP增强版的随机森林（Random Forest）、XGBoost和支持向量机（Support Vector Machine）模型，解释印度阿萨姆邦传统水稻品种的谷物品质特征的重要性及其分类方法

《Journal of Cereal Science》：Explaining grain quality trait importance and classification of traditional rice cultivars of Assam, India using SHAP-enhanced Random Forest, XGBoost, and Support Vector Machine models

对 Assam 130 份传统水稻种质进行多性状分析，结合统计与机器学习揭示关键品质性状差异及 SHAP 机制。

　　

RUPAM BORGOHAIN|GAYATREE GOSWAMI|JUTIKA DAS|SURYAKANT KHANDAI|NEERAJ K. TYAGI|NEHA CHAKRABARTY

印度阿萨姆邦乔尔哈特阿萨姆农业大学农业研究部，邮编705013

摘要

谷物品质是决定消费者偏好和育种优先级的重要因素。阿萨姆邦是传统水稻多样性的热点地区，拥有多种不同类型的水稻，包括普通Sali、芳香型（Joha）、粘性型（Bora）、半粘性型（Chokuwa）和深水型（Bao），每种类型都具有独特的物理化学特性和烹饪特性。本研究评估了130个传统水稻基因型在24个谷物品质指标上的表现，这些指标涵盖了物理特性、淀粉含量以及烹饪/糊化特性。嵌套方差分析（ANOVA）结果显示不同类型之间存在显著差异：粘性型水稻的直链淀粉含量较低且峰值粘度较高；芳香型水稻的米粒回收率较好；而普通Sali型水稻的硬度较大。为了补充传统统计分析，还应用了三种监督机器学习算法——随机森林（Random Forest, RF）、极端梯度提升（Extreme Gradient Boosting, XGBoost）和支持向量机（Support Vector Machine, SVM）进行多类分类。在特征筛选并采用类加权及合成少数样本过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）处理类不平衡问题后，随机森林模型的预测性能最高（测试准确率=97.2%，Cohen’s κ = 0.962），其次是SVM，而XGBoost的性能相对较低。这些模型对特征减少具有较好的鲁棒性，23个特征和21个特征配置之间的差异很小。随机森林和SVM的区分能力较强（宏观平均AUC > 0.95），而XGBoost的AUC较低。Shapley加性解释（Shapley Additive Explanations, SHAP）分析表明，硬度、糊化温度、直链淀粉含量、粘附性和碱扩散值是区分不同类型的关键因素。统计分析、预测建模和已知淀粉品质遗传学之间的高度一致性凸显了这些特性的生物学重要性。将传统统计学与可解释的机器学习相结合，为水稻基因型的优先排序和价值提升提供了可靠的框架。

引言

水稻（Oryza sativa L.）是全球超过一半人口的主食，在亚洲的粮食安全、营养和文化认同中发挥着核心作用。谷物品质是影响消费者接受度、加工效率和市场价值的关键因素。它受多种物理化学、质地和烹饪特性的综合影响，如粒径和形状、碾米回收率、垩质含量、直链淀粉含量、胶凝一致性和糊化行为（Zhou et al., 2020; Fitzgerald et al., 2009）。这些特性在不同传统品种间存在显著差异，反映了遗传多样性和长期适应地区烹饪习惯的结果。

阿萨姆邦是印度水稻多样性最丰富的地区之一。几个世纪以来，农民在该地区种植了多种水稻品种，如Sali（冬季水稻）、Ahu（秋季水稻）、Boro（夏季水稻）和Bao（深水水稻）。其中，Sali水稻的多样性最高且经济价值最大，包含多种具有独特烹饪、文化和市场价值的品种。传统上将其分为芳香型（Joha）、粘性型（Bora）、半粘性型（Chokuwa）、深水型（Bao dhan）和普通Sali（无特殊特性）等类别。这种分类主要基于少数几个定义性特征：芳香型水稻具有香气；粘性型水稻煮后颗粒粘稠；半粘性型水稻质地较软；深水型水稻适应水深较大的环境。然而，这种传统分类方法未能系统地涵盖所有物理化学和功能性品质特征，导致对这些类型之间真正区别的理解存在空白。因此，全面分析谷物品质参数对于识别分类的关键因素和支持符合消费者需求及市场变化的新型品种培育至关重要（Verma et al., 2021; Sharma & Singh, 2020）。

传统的统计方法（如ANOVA和均值比较）能有效检测类间差异，但在捕捉非线性关系和高阶特征交互作用方面存在局限性。谷物品质特征常常存在共线性，使用传统线性模型时可能掩盖其相对贡献。

机器学习（ML）的最新进展为处理高维数据集、建模非线性模式和处理特征交互作用提供了强大工具（Breiman, 2001; Chen & Guestrin, 2016）。其中，基于集成树的方法（如随机森林和极端梯度提升）在生物分类任务中表现出色。支持向量机通过基于边界的优化实现了稳健的非线性分离。

重要的是，可解释性框架（如Shapley加性解释）使模型能够超越“黑箱”预测，量化每个特征对分类结果的贡献（Lundberg & Lee, 2017）。然而，模型可解释性可能受到多重共线性和类不平衡的影响，这两者在生物数据集中较为常见。高度相关的特征可能会夸大或重新分配重要性评分，而类不平衡可能导致预测边界偏向多数群体。因此，通过仔细的特征选择和不平衡校正来解决这些方法论问题是必要的，以确保结果的生物学可靠性。

本研究评估了来自阿萨姆邦的130个传统水稻基因型，涵盖五个主要Sali类型——普通Sali、芳香型、深水型、粘性型和半粘性型，共24个定量谷物品质指标。在评估多重共线性后，我们识别出高度相关的特征，并测试了不同的建模配置，以评估特征减少对模型可解释性和预测性能的影响。鉴于类不平衡程度适中，模型采用了逆频率类加权方法，并结合SMOTE技术评估了分类公平性。通过随机森林、XGBoost和支持向量机模型实现了准确的多类分类。更重要的是，我们试图确定最能区分不同生态型的谷物品质特征。

通过结合传统统计分析和可解释的机器学习及模型鲁棒性评估，本研究将计算建模与生物学见解相结合，为阿萨姆传统水稻资源的育种和价值提升提供了支持。

植物材料与特征

2023-2024年间，我们从阿萨姆邦多个地区收集了130个传统水稻基因型，涵盖五个主要Sali类型：普通Sali（55个基因型）、半粘性型（23个）、粘性型（20个）、深水型（16个）和芳香型（16个）（见补充表S1）。种子样本由阿萨姆农业大学乔尔哈特分校的农业科学中心（KVKs）和研究站提供。基因型分布显示存在一定程度的类不平衡

不同生态型间的特征差异

嵌套方差分析显示，除粘性外，所有谷物品质指标在不同水稻类型间均存在显著差异，证实了它们在群体间和群体内的广泛表型多样性（见补充表S2）。其中，垩质含量（F = 4573.15）、硬度（F = 1848.83）和直链淀粉含量（F = 588.20）的类间差异最为明显，表明这些特征在区分传统水稻类型中起主导作用。

育种意义

SHAP排名结果显示，淀粉组成、糊化和质地相关特性是决定传统水稻类型品质差异的主要因素。这些特性反映了淀粉结构、糊化行为和煮熟后米饭质地的基本方面，为品质改进提供了明确的目标。从育种角度来看，直链淀粉含量和糊化温度等关键品质特征至关重要

作者贡献声明

NEHA CHAKRABARTY：数据可视化、软件开发、方法设计、实验设计。NEERAJ K. TYAGI：撰写、审稿与编辑、验证、监督、软件开发、实验设计、数据分析。SURYAKANT KHANDAI：撰写、审稿与编辑、验证、方法设计、实验设计、数据分析。JUTIKA DAS：撰写、审稿与编辑、数据可视化、项目管理、实验设计、数据管理。GAYATREE GOSWAMI：撰写、审稿与编辑、验证、软件开发、项目协调

利益冲突声明

作者声明没有已知的可能影响本文研究的财务利益或个人关系。

致谢

作者衷心感谢世界银行资助的阿萨姆农业企业与农村转型项目（APART）为本研究提供的资金支持。同时感谢位于瓦拉纳西的国际水稻研究所南亚区域中心（IRRI-SARC）提供的实验室设施和技术支持。此外，也感谢乔尔哈特阿萨姆农业大学（AAU）的支持