《Applied Sciences》：Explainable Artificial Intelligence for Genomic Prediction in Plants: A Critical Review of Methods, Biological Insights, and Practical Challenges
编辑推荐：
机器学习已成为植物基因组预测中建模复杂基因型-表型关系并改进育种决策的重要工具。然而，许多高性能模型，特别是集成学习和深度学习方法，仍然难以解释，限制了其生物学适用性。本综述总结了植物基因组学中使用的主要机器学习方法和可解释人工智能（XAI）方法，包括SHAP
机器学习已成为植物基因组预测中建模复杂基因型-表型关系并改进育种决策的重要工具。然而，许多高性能模型，特别是集成学习和深度学习方法，仍然难以解释，限制了其生物学适用性。本综述总结了植物基因组学中使用的主要机器学习方法和可解释人工智能（XAI）方法，包括SHAP（SHapley Additive exPlanations）、LIME（Local Interpretable Model-Agnostic Explanations）、注意力机制、排列重要性、基于树的特征重要性和基于梯度的归因方法。XAI有助于识别与复杂性状相关的有影响力的SNP、基因组区域、候选基因、调控元件和组学特征。例如，在杏仁种质资源库中的SHAP分析识别了一个与脱壳率相关的基因组区域，说明了XAI如何生成可验证的假设以供进一步验证。本综述进一步讨论了在性状预测、育种、功能基因组学和多组学整合中的应用。重要的是，研究人员强调了主要局限性，包括数据偏差、模型不稳定性、相关基因组标记、有限模型可迁移性，以及特征重要性意味着生物学因果关系的常见误解。研究人员建议在优先考虑候选基因之前，将XAI与连锁不平衡修剪、稳定性评估、生物学注释和实验验证相结合。总体而言，XAI应被视为模型解释、特征优先排序和假设生成的框架，而不是植物基因组学和育种中实验验证的替代。
1. 引言
高通量测序、基因分型平台和数字表型技术的进步显著改变了植物遗传资源的分析和育种应用。当代植物基因组学常规生成大规模数据集，包括密集的单核苷酸多态性（SNP）图谱，可与表型和环境信息整合，以改进复杂农艺性状的预测。基因组预测的概念基础由Meuwissen等人（2001）建立，他们证明全基因组密集分子标记可用于比仅基于表型观察或有限显著位点的方法更有效地预测遗传值。在育种程序中，监管批准、杂交决策和知识产权索赔日益要求基于模型的选择提供透明依据，使可解释性不仅是学术关切，更是实际需求。然而，高维基因组数据的可用性也引入了重要分析挑战。植物性状很少由单一遗传效应决定，而常源于位点间复杂相互作用、调控机制、群体结构、连锁不平衡和基因型-环境互作。机器学习方法，包括随机森林、支持向量机、梯度提升和深度神经网络，因此吸引了植物基因组选择领域的日益关注。可解释人工智能（XAI）作为一种方法论回应，提供了检查复杂模型如何生成预测以及哪些输入特征对模型输出贡献最大的工具。在植物育种中，近期研究已开始将XAI直接应用于基因型-表型预测。本综述旨在提供应用于植物基因组预测的可解释人工智能方法的集中概述，具体目标包括总结主要机器学习方法、讨论关键XAI方法及其对基因组和多组学数据的相关性、评估这些方法如何支持生物学意义基因特征的识别，以及批判性审视当前局限性。
2. 基因组预测中的机器学习
机器学习（ML）是人工智能的一个分支，使计算模型从数据中学习模式并用于预测或决策。在基因组预测中，模型在具有基因组标记数据和表型值的个体上训练，然后应用于预测新基因型的性状。基因组预测的基本目标是利用全基因组标记信息估计个体的遗传潜力。经典方法如基因组最佳线性无偏预测（GBLUP）、贝叶斯岭回归、BayesA、BayesB和再生核希尔伯特空间回归仍广泛使用，但可能无法完全捕捉非线性关系。ML方法提供更灵活的建模框架，尤其适用于受多个小效应位点控制的性状。常用工具如ShinyGS允许用户基准测试统计和ML模型，但缺乏对基因组特征的洞察。
2.1 经典机器学习模型
经典ML模型在基因组预测中仍广泛使用，因其在预测性能、计算成本和相对可解释性之间提供平衡。随机森林由多个决策树组成，可建模非线性关系和SNP标记间的相互作用，但杂质基重要性度量可能偏向相关预测因子。支持向量机（SVM）利用核函数建模复杂关系，但其性能依赖于核选择、参数调优和数据缩放，并且在超过10,000个样本的数据集中可扩展性差。梯度提升方法如XGBoost顺序构建模型，纠正先前错误，但也可能过拟合。总体而言，经典ML模型是线性模型的有价值补充，但需谨慎解释特征重要性。
2.2 深度学习方法
深度学习（DL）是基于多层人工神经网络的ML子集，可学习数据的层次化表示。在基因组预测中，多层感知机、卷积神经网络、循环神经网络和注意力模型已被探索。DL在植物基因组学中有前景，但并非普遍优于经典方法，其性能依赖于训练样本数、标记密度、性状架构和验证设计。DL的另一重要限制是可解释性，难以确定哪些SNP、基因或基因组区间对预测贡献最大。
2.3 模型评估与育种实用
ML在基因组预测中的实用性取决于模型训练、验证和解释方式。交叉验证的设计必须反映育种应用，随机交叉验证可能高估预测准确性。模型选择应基于生物学和实践背景，线性模型适用于加性效应主导的性状，核方法、随机森林或提升方法用于非线性关系，深度学习适用于大型多模态或序列数据。
2.4 可解释性的动机
ML可改善基因组预测，但仅预测往往不足。XAI通过提供检查模型预测的方法，帮助识别有影响力的SNP、基因组区间或分子特征，并评估预测信号是否稳定。但可解释性不应与因果关系混淆，XAI输出应视为假设而非最终生物学结论。
3. 可解释人工智能方法
本节综述了用于检查植物基因组预测中机器学习模型的主要XAI方法。XAI方法可分为模型特定和模型无关方法，以及全局和局部解释。在植物基因组数据中，特征重要性模式可能受连锁不平衡、相关SNP、群体结构、基因型-环境互作或数据集特定偏差影响。
3.1 SHAP：SHapley Additive exPlanations
SHAP基于合作博弈论中的沙普利值，估计每个输入特征对模型预测的贡献。可提供局部和全局解释，在植物育种中已用于识别与性状相关的基因组区域，如杏仁种质中的脱壳率。但SHAP计算成本高，受相关特征影响，且依赖于训练模型。建议使用TreeSHAP处理树模型，或将SHAP应用于基因组窗口（如10-50 kb区间）以聚合重要性。
3.2 LIME：局部可解释模型无关解释
LIME通过用简单可解释替代模型局部近似复杂模型来解释单个预测。在基因组预测中可用于解释特定基因型的预测，但存在扰动不稳定性和缺乏全局解释的限制。建议多次运行并报告特征排名的稳定性，若秩相关低于0.7则表示解释不稳定。
3.3 深度学习中的注意力机制
注意力机制允许模型关注输入中更相关的部分。在植物基因组学中，注意力权重可能有助于识别基因组区域，但不应直接视为解释，因为高注意力不一定对应特征重要性或因果相关性。建议与扰动方法（如留一法或SHAP）比较，以评估注意力区域是否真正影响模型输出。
3.4 排列重要性与基于树的特征重要性
排列重要性通过随机打乱特征值衡量模型性能下降，概念简单且模型无关，但在高维相关数据中可能低估重要区域。基于树的模型提供内置重要性分数，但杂质基度量可能偏向高变异或相关变量。建议将特征重要性评估在基因组窗口或注释区域级别进行。
3.5 基于梯度的归因与显著性方法
梯度基方法主要用于神经网络，通过计算输入梯度估计特征对输出的影响。在植物基因组学中适用于序列或组学输入，但梯度可能噪声大，且不证明生物学因果性。
3.6 总结
XAI方法为基于ML的基因组预测提供了重要解释层。SHAP提供理论框架，LIME提供灵活局部解释，注意力和梯度方法适用于深度学习，排列和树基重要性用于探索性分析。但所有方法需谨慎解释，应结合生物学注释、稳健验证和实验验证。
4. 可解释AI在植物基因组学中的应用
XAI将基因组预测从预测性工作流程转变为可解释的生物发现框架。在复杂性状预测、重要基因组区域识别、植物育种影响、生物学解释、功能基因组学整合以及SNP基和多组学预测中均有应用。
4.1 复杂性状预测
XAI通过显示驱动模型输出的基因组或分子特征，改善复杂性状预测。在拟南芥多组学预测中，可解释性分析可恢复生物学相关基因和分子相互作用。动态性状预测中，XAI需考虑时间维度。
4.2 重要基因组区域识别
XAI可识别与表型性状相关的基因组区域，与全基因组关联研究（GWAS）互补。GWAS和XAI在30-50%情况下识别不同SNP集，XAI可捕捉相互作用和非线性效应。推荐使用GWAS初筛后，在缩减标记集上应用XAI识别交互效应。
4.3 对植物育种的影响
XAI支持标记辅助选择和候选基因优先排序，通过揭示驱动预测的基因组特征，提高选种决策的透明度和可信度。多环境育种中，XAI需提供条件解释，说明特征在哪些环境条件下重要。
4.4 XAI输出的生物学解释
XAI输出应连接到基因组位置、连锁不平衡结构、附近基因、调控注释和已知通路。XAI是模型解释而非生物学解释，应视为优先排序和假设生成工具。
4.5 与功能基因组学整合
XAI有助于生成关于基因功能、调控和分子机制的假设。在序列基模型中，可识别调控序列和候选调节元件。基础模型如AgroNT训练于48个植物物种，需XAI解释学习到的表示。但重要性不等于因果性，需实验验证。
4.6 SNP基与多组学预测中的XAI
SNP基基因组预测中，XAI方法可能识别相关SNP簇而非单个因果变异。多组学预测中，XAI可识别不同生物学层间的相互作用，但需注意批次效应和缺失数据。两种情况下均需稳健验证和生物学确认。
5. 挑战与局限性
5.1 数据偏差与代表性
植物基因组数据集常来自特定育种群体，可能不全面，导致模型泛化性差。XAI输出可能反映训练集偏差，需多样化训练群体和多环境评估。
5.2 模型不稳定与可重复性
高维数据中，不同算法、数据划分或随机种子可能产生不同预测和解释。需重复交叉验证、独立测试集和敏感性分析。
5.3 XAI结果的过度解释
XAI方法不证明生物学因果性，特征重要性可能反映连锁、群体结构或数据集特定相关性。输出应视为假设，需额外证据支持。
5.4 当前XAI方法的局限性
SHAP计算昂贵，LIME对扰动敏感，树基重要性可能偏倚。基因标记间相关性使解释复杂化。建议在多个水平（个体标记、基因组窗口、基因、通路）解释。
5.5 XAI在基因型-表型预测中的代表性应用
在拟南芥、杏仁、玉米等作物中，XAI已用于识别相关基因和调控区域。但大多依赖特征归因，需结合遗传作图和实验验证。
5.6 植物基因组学中的数据约束
“大p小n”结构增加过拟合风险，表型数据噪声和基因型-环境互作带来挑战。多组学数据引入新问题，需区分生物学信号与人为伪影。
6. 未来展望
6.1 XAI整合到育种流程
需开发育种者易用的工作流程，支持决策支持而非因果证明。
6.2 深度学习可解释性的进展
需开发适用于基因组和序列基深度学习的解释方法，如梯度归因和注意力机制。基础模型如植物基因组基础模型需稳健可解释性。
6.3 多模态与多组学整合
多组学整合提供更完整表示，XAI有助于识别贡献层。但需处理缺失数据和批次效应。
6.4 解决偏差与改进泛化
需多样化训练群体、多环境试验和偏差感知学习策略，XAI可用于审计模型。
6.5 标准化与可重复性
需建立标准化报告规范，包括模型架构、预处理、验证设计和解释方法。基准测试如Plants Genomic Benchmark有助于可比性。
6.6 桥接计算预测与实验验证
XAI输出应作为候选，结合共定位、功能注释、表达分析和基因编辑进行验证。CRISPR/Cas方法可用于验证候选基因。
6.7 走向因果推断
将XAI与因果发现算法整合，如SHAP筛选候选SNP后，应用PC算法或因果森林，再通过孟德尔随机化或基因编辑验证。但需注意样本量和群体结构限制。
7. 结论
机器学习已成为植物基因组预测的重要方法，但高模型性能伴随可解释性问题。XAI如SHAP、LIME、注意力机制等可帮助识别有影响的SNP、基因组区间和组学特征，但需谨慎解释，特征重要性不代表因果性。XAI应视为模型检查、特征优先排序和假设生成工具，而非实验验证的替代。未来需发展稳健、可重复和生物学知情的工作流程，以提升透明度和生物学实用性。
