选择还是淘汰？菜豆育种中的机器学习方法

《Agronomy Journal》：Select or discard? A machine learning approach in common bean breeding

　　

在菜豆（Phaseolus vulgaris L.）育种中，由于分离群体广泛的遗传变异，选择优良基因型具有挑战性。在此背景下，机器学习（ML）已成为支持植物育种决策的有前景工具。本研究旨在评估ML根据选择价值对菜豆基因型进行分类的潜力。研究人员对总共5136株植物进行了田间评价，包括自交系、品种和分离世代（F₂至F₁₀）。分析的性状包括株高、茎粗（SD）、荚数（NP）、第一荚着生高度和单株粒重（GWPP）。将随机森林（Random Forest）分类算法应用于数据集，分为训练集（70%）和测试集（30%）。根据GWPP的四分位数将基因型分类如下：差（<4.99 g）、一般（5.00–8.50 g）、良好（8.51–13.93 g）和优秀（>13.93 g）。模型准确率达到0.68，对“优秀”（0.78）和“差”（0.77）类别的精确率较高。GWPP与NP（r=0.93）和SD（r=0.64）之间观察到强相关性，支持间接选择策略。排名靠前的个体，如BAF07种质和BRS Embaixador品种，被鉴定为潜在亲本。这些发现强化了监督式ML模型在菜豆育种中的实用性，特别是用于选择极端表现的基因型，并突出了它们在提高育种效率、精确度和速度方面的潜力。

**论文解读：菜豆育种中基于机器学习的基因型选择策略**

**研究背景与问题**

菜豆（*Phaseolus vulgaris* L.）是全球重要的食用豆类作物，其育种目标集中于提高产量和抗逆性。然而，由于分离群体（segregating populations）中广泛的遗传变异，筛选优良基因型始终是育种计划的核心挑战。传统依赖表型观察的选择方法耗时长、效率低，尤其对于受多基因控制的复杂性状（如单株粒重），人工判断易受环境影响。近年来，机器学习（ML）技术，特别是随机森林（Random Forest）等分类算法，在植物育种领域显示出辅助决策的潜力。但现有研究多聚焦于预测模型，对如何将ML应用于实际分类选择（即区分“保留”与“淘汰”基因型）的探讨仍不充分。本研究旨在回答：监督式ML模型能否有效根据选择价值对菜豆分离群体中的基因型进行分类，从而辅助育种者识别极端表现个体，加速遗传增益。

**研究内容与结论**

研究人员在巴西圣卡塔琳娜州立大学植物育种与分子遗传学研究所的田间试验中，评价了总计5136株菜豆植株，包括固定基因型（9个注册品种、2个育种品系、5个种质）和117个分离群体（F₂至F₁₀）。测量了株高（PH）、茎粗（SD）、荚数（NP）、第一荚着生高度和单株粒重（GWPP）。基于GWPP的四分位数将基因型划分为“差”（<4.99 g）、“一般”（5.00–8.50 g）、“良好”（8.51–13.93 g）和“优秀”（>13.93 g）四类。采用随机森林分类器，以70%数据训练、30%测试，并用10折交叉验证评估稳定性。模型整体准确率为0.68，对“优秀”和“差”类别的精确率分别达0.78和0.77，召回率分别为0.84和0.71。特征重要性分析显示，NP（重要性0.389）和SD（0.367）是主要预测因子，PH（0.244）次之。表型相关分析表明，GWPP与NP（r=0.93）和SD（r=0.64）呈强正相关，与第一荚着生高度呈弱负相关（r=-0.22）。顶级表现个体（如BAF07种质、BRS Embaixador品种）被鉴定为潜在亲本，其平均株高64.2 cm、茎粗9.20 mm、荚数41个。研究结论强调，ML模型可作为辅助工具，优先选择极端表现个体，提高育种效率、精确度和速度。该论文发表于《Agronomy Journal》。

**主要关键技术方法**

本研究的田间试验地点位于巴西圣卡塔琳娜州拉热斯市（27°47′ S, 50°18′ W，海拔950 m），采用Federer增强块设计，共3个重复，165个试验单元，包含16个固定基因型（9个注册品种、2个育种品系、5个种质）和117个分离群体（F₂至F₁₀）。表型数据包括株高、茎粗（SD）、荚数（NP）、第一荚着生高度和单株粒重（GWPP）。机器学习方法：使用随机森林（Random Forest）分类器，将数据按70%训练、30%测试划分，并进行10折交叉验证。特征重要性分析用于评估各性状对分类的贡献。模型性能通过准确率、精确率、召回率、F1-score和混淆矩阵进行评估。样本队列来源明确为巴西圣卡塔琳娜州立大学育种计划。

**研究结果（按原文小标题归纳）**

**1. 描述性统计与基因型类别表现**

通过描述性统计分析，固定基因型（商业品种）的平均GWPP为19.96 g，种质（纯系混合物）为11.99 g，而F₃分离世代表现突出（平均22.71 g）。整体数据呈正偏态分布（偏度系数2.63），表明多数个体低于均值，少数高潜力个体位于右尾。这一变异为选择提供了基础。

**2. 混淆矩阵与模型性能**

混淆矩阵显示，模型正确预测了“差”、“一般”、“良好”、“优秀”类别的样本数分别为276、216、233、321。错误主要集中在“一般”和“良好”之间的相邻类别，而“优秀”和“差”类别的错误最少。模型整体准确率0.68，10折交叉验证平均准确率0.659±0.018，宏F1-score 0.660±0.018，加权F1-score 0.659±0.019，表明结果稳定。

**3. 特征重要性分析**

特征重要性分析表明，NP（荚数）是影响分类的最重要变量（重要性0.389），其次为SD（茎粗，0.367）和PH（株高，0.244）。这说明模型不仅依赖单一性状，而是综合了生殖与营养性状进行决策，支持在育种中结合多性状选择。

**4. 实际决策场景**

基于混淆矩阵，研究讨论了假阳性（FP）和假阴性（FN）在育种中的实际后果：FP导致保留低潜力基因型，增加成本；FN导致淘汰优良基因型，损失遗传变异。模型在识别极端类别（“优秀”和“差”）时表现更好，因此建议育种者优先关注“优秀”个体，同时利用模型辅助淘汰“差”个体。

**5. 顶级表现基因型**

从“优秀”类别中选出的10个最高表现基因型显示，亲本BAF07（黑粒种质，中美洲基因库）出现在一半的优良后代中，其与BRS Embaixador（红粒品种，安第斯基因库）的杂交组合F₆后代表现出高粒数与粒重的平衡。这些基因型平均株高64.2 cm、茎粗9.20 mm、荚数41个，表明高产依赖于生殖能力和营养生长共同支持。

**6. 表型相关性分析**

Pearson相关分析显示，GWPP与NP（r=0.93）和SD（r=0.64）呈强正相关，与PH（r=0.24）弱正相关，与第一荚着生高度（r=-0.22）弱负相关。这些结果支持通过早期观察茎粗和荚数来间接选择高产量个体，加速育种进程。

**讨论与结论**

讨论部分强调，模型对极端类别的良好识别能力具有实际价值，因为育种中常需快速淘汰低产个体或保留优良个体。特征重要性表明，NP和SD是有效的早期选择指标，与大量文献报道一致。模型性能（准确率0.68）虽非完美，但考虑到单株粒重作为复杂数量性状的遗传复杂性，该结果可接受（文献中同类性状准确率0.27–0.70）。研究建议将ML作为辅助工具而非替代育种者经验，尤其在处理大规模分离群体时。顶级亲本BAF07与BRS Embaixador的潜在价值表明，利用基因库间杂交可聚合有利等位基因。

研究结论（翻译原文结论部分）如下：

**结论**：本研究的结果凸显了机器学习作为支持菜豆育种计划中基因型选择的有效工具的潜力。在个体分类中获得的满意准确率，结合农艺性状与单株粒重之间的强相关性，强化了间接选择策略的可行性。因此，表型数据、统计分析和人工智能的整合被证明是一种有前景的方法，可加速遗传增益，并支持在分离群体选择中做出更精确的决策，特别是对于具有复杂遗传方式的农艺性状。