综述：在压力下的精准预测：利用可解释的人工智能和机器学习技术来预测气候智能型作物所面临的多因素非生物胁迫

《Journal of Plant Biochemistry and Biotechnology》：Precision under pressure: leveraging interpretable AI and machine learning to predict multifactorial abiotic stress in climate-smart crops

　　

摘要

随着气候变化的加速，非生物胁迫组合的复杂性不断增加，对全球农业生产及粮食安全构成了严重威胁。传统的做法，如基于单变量的统计模型或仅关注单一胁迫因素的独立组学研究，往往无法准确预测农业中常见的多变量胁迫条件下的作物表现。近年来，在高通量组学、表型组学和环境监测领域的技术突破产生了大量数据集，这些数据集揭示了遗传因素与环境因素之间影响植物胁迫反应的复杂相互作用。与此同时，机器学习（ML）和人工智能（AI）方法已成为模拟这些复杂相互作用的重要工具；然而，它们传统的“黑箱”特性限制了其在生物学上的可解释性和在作物改良中的实际应用。本文综述了可解释机器学习算法的最新进展，这些算法能够预测具有气候适应性的作物对多因素非生物胁迫的反应。我们分析了如何利用基于注意力机制的神经网络、SHAP值分析和决策树集成等可解释模型，将多组学数据与高通量表型数据和环境因素结合起来。这些技术旨在提高预测精度，并阐明影响胁迫抗性的关键调控途径和生物学机制。此外，我们还探讨了数据整合、模型透明度以及将计算发现转化为实际育种方法所面临的挑战。最后，我们提出了未来的研究方向，以进一步完善这些基于AI的框架，加快培育出具有更强多胁迫耐受性的作物品种的进程。本文强调了可解释机器学习的变革性能力，它有助于弥合计算预测与实际田间应用之间的差距，在变化的气候条件下实现精准农业。