结合多变量分析与机器学习方法解析秋葵（Abelmoschus esculentus L.）的耐旱性

《BMC Plant Biology》：Integrating multivariate and machine learning approaches to decipher drought tolerance in okra (Abelmoschus esculentus L.)

　　

摘要

背景

干旱胁迫会严重限制作物的生长与产量，因此在气候变化背景下，人们需要通过早期筛选方法来识别具有抗逆性的基因型。本研究利用聚乙二醇诱导的渗透胁迫，评估了15个秋葵（Abelmoschus esculentus L.）基因型在幼苗阶段的耐旱性。通过检测种子发芽情况以及形态生理和生化特征，量化不同基因型的响应差异，并找出其关键的耐旱适应机制。

结果

大多数特征都存在显著的基因型差异，表明作物在应对干旱方面的反应具有很大的多样性。在PEG胁迫条件下，耐旱基因型的发芽率更高、发芽速度更快、平均发芽时间更短，根系生长更旺盛，叶绿素稳定性及抗氧化能力也更强。通过基于综合特征表现的多变量分析，这些基因型被成功分类。虽然在不同环境条件下各有最佳表现的基因型，但多特征基因型–理想型距离指数（MGIDI）在水分充足和干旱胁迫条件下均将NBO-31、NBO-10和NBO-4列为最优，这体现了它们在不同水分条件下的强大稳定性和广泛适应性。随机森林分析进一步表明，根系形态、抗氧化能力和光合特性是影响秋葵耐旱性的主要因素。

结论

总体而言，这些研究结果揭示了秋葵基因型之间耐旱性的程度及其相关特征，为育种计划中筛选出具有耐旱性的亲本材料提供了可靠的早期筛选框架。