基于传统方法与人工智能框架的面包小麦和硬粒小麦黄锈病多组学预测

《Scientific Reports》：Multi-omics prediction for yellow rust in bread and durum wheat through conventional and Ai-based frameworks

　　

摘要

黄锈病是对面包小麦和硬粒小麦生产构成严重威胁的病害，常常导致巨大的产量损失。目前广泛采用的视觉评分方法虽然简单易行，但劳动强度大、耗时久，且容易出错。在本研究中，我们利用基因组数据和表型数据，在两种双亲本小麦群体（面包小麦和硬粒小麦）中，针对多种预测场景，评估了预测准确性——即预测值与实际值之间的相关性。黄锈病严重程度在两个不同时间点进行评估，一方面通过视觉观察判断，另一方面则使用多光谱相机收集基于无人机的高通量表型分析数据。这些表型数据经过处理后可提取出光谱波长和植被指数，同时所有植株还通过SNP芯片进行了基因分型。我们测试了多种模型，包括参数模型、机器学习模型以及深度学习模型。与仅使用基因组标记相比，结合高通量表型分析数据后预测准确性显著提升。例如，支持向量回归模型的预测准确性从仅使用标记时的0.35提高到了仅使用光谱波长时的0.87。不过，单纯整合基因组数据和表型数据并未带来进一步改善，因为仅使用高通量表型分析得到的特征时，模型性能往往会出现停滞。跨作物预测结果显示，该方法在面包小麦和硬粒小麦之间具有良好的通用性，预测准确性可达0.83。在最后这项任务中，最佳线性无偏预测模型和多层感知模型在各种场景下均表现出稳定的优异性能。这些研究结果充分体现了基于无人机的高通量表型分析技术在快速、大规模且精准预测小麦黄锈病严重程度方面的巨大潜力。尽管基因组学在育种领域仍具有广泛应用价值，但表型组学与人工智能驱动的预测技术的实际应用，最终还将取决于育种计划的具体策略、可用资源以及育种目标。