基于机器学习的多花黑麦对盐分胁迫的形态生理、离子及生化反应预测

《BMC Plant Biology》：Machine learning-based prediction of morphophysiological, ionic, and biochemical responses of Lolium multiflorum to salinity stress

　　

摘要

背景

盐度是影响一年生黑麦草（Lolium multiflorum Lam.）生长与产量的重要限制因素。本研究探讨了NaCl胁迫对四种一年生黑麦草品种（‘Grasslands Bill’、‘Koga’、‘Trinova’和‘Vivaro’）的萌发、生长、矿物质组成及生化反应的影响，同时评估了机器学习算法在不同盐度水平下预测品种表现的能力。

结果

萌发实验在0、5、10、15和20 dS m?1的NaCl浓度下进行，而盆栽实验则采用0、2.5、5、7.5和10 dS m?1的浓度。品种、盐度及其相互作用显著影响了大多数观测指标。盐度升高会显著降低茎和根的长度、幼苗鲜重以及茎的鲜重和干重，还会减少分蘖数和植株高度。粗蛋白、叶绿素、脯氨酸以及抗氧化酶活性对盐度的响应具有差异性且呈非线性特征。在盐处理条件下，脯氨酸含量通常较高，SOD活性趋于下降，而POD活性在7.5 dS m?1时达到最大值。随着盐度增加，Na?浓度大幅上升，而K?浓度则下降。‘Trinova’的茎鲜重（23.68克）、茎干重（9.44克）和植株高度（46.98厘米）均最高。‘Koga’的K?浓度（23,050毫克/千克）和粗蛋白含量（7.80%）最高，而‘Vivaro’的脯氨酸含量（8.50毫克/克鲜重）和过氧化物酶活性（10,892 EU/克鲜重）最高。通过100次重复的组内训练-测试评估以及五折交叉验证，发现预测性能显著依赖于具体性状。对于萌发相关性状，平均测试R2值在0.51到0.95之间；对于盆栽实验中的性状，这一数值则在0.19到0.95之间。茎长、平均萌发时间、茎鲜重、植株高度和Na?浓度的预测结果相对一致，而幼苗干重、叶绿素含量、超氧化物歧化酶活性和过氧化物酶活性的预测效果则较差或不够稳定。没有一种算法在所有情况下都表现最优，XGBoost、随机森林、支持向量回归和高斯过程回归在不同目标性状上的表现各有优势。

结论

不同一年生黑麦草品种对盐度的生理和生化反应存在显著差异，表明其响应模式具有特异性。机器学习通过在不同的盐度梯度下提供针对特定性状的预测结果，弥补了传统统计分析的不足。但由于这些模型仅基于四个品种以及每组20种不同的品种×盐度组合构建，因此相关研究结果属于探索性质。若要将其应用于更广泛的预测或作物管理领域，还需通过更多基因型、不同环境以及田间数据集进行独立验证。