《Plants》：Training a Model to Predict Asymbiotic Germination of Orchid Seeds on the Basis of Subfamily, Seed Morphology and Niche Profile
编辑推荐：
尽管非共生兰花种子萌发早在1922年首次在体外实现，但预测体外萌发条件仍然复杂。为解决这一问题，研究人员开发了一种机器学习框架，将野生兰花的迁地非共生萌发潜力分为四个离散组：低（0–30%）、中（31–50%）、高（51–80%）和最大（81–100%）。模型
尽管非共生兰花种子萌发早在1922年首次在体外实现，但预测体外萌发条件仍然复杂。为解决这一问题，研究人员开发了一种机器学习框架，将野生兰花的迁地非共生萌发潜力分为四个离散组：低（0–30%）、中（31–50%）、高（51–80%）和最大（81–100%）。模型基于203个物种的数据集进行训练，利用种子形态计量学——特别是胚胎/种皮长度比（E:S ratio）——以及核心生态特征（亚科、生长习性、栖息地和气候带），同时将化学处理时间作为种子渗透性的代理指标。验证利用了来自希腊（17个）和亚美尼亚（9个）共26个分类群的新颖萌发和性状数据，这些数据首次在此发表。为缓解类别不平衡并防止算法偏向高萌发物种，研究人员在训练过程中应用了逆频率加权。对六种算法进行迭代测试后发现，“步骤4”特征矩阵（排除气候带和处理时间）产生了最佳的预测平衡。K近邻算法（KNN）和支持向量机（SVM）成为最优模型，总体准确率分别达到44.4%和61.1%，且两者对低萌发物种均达到100%准确率。最后，研究人员综合了一个新数据库，汇编了来自亚美尼亚（17个分类群）、希腊（52个分类群）和文献（479个分类群）的新种子形态计量学数据。在过滤掉先前使用的物种后，研究人员生成了一个包含361个兰花分类群的预测池。应用步骤4的KNN和SVM模型预测其萌发行为，揭示了与生态特征相关的显著变异。该高准确率框架，尤其针对低萌发能力组，为迁地保护规划提供了强大的筛选工具。最终训练好的模型汇编在公开可用的R（v. 4.6.0）包OrchidGermClass中。
**论文解读**
**研究背景与问题**
兰花科（Orchidaceae）是全球最大的植物科之一，包含超过28,000个物种，其中半数以上被评估为受威胁类别。兰花的种子微小如尘，缺乏胚乳，因此其萌发依赖于与真菌的共生关系或复杂的营养培养基。非共生萌发技术虽于1922年首次实现，但不同分类群间的萌发成功率极不一致：某些物种在缺碳培养基中仅停滞于假根阶段，而一些陆生类群（如Cephalanthera属）对现有非共生技术完全不响应。这种差异反映了自然条件下萌发所需的生态和共生依赖性。传统上，萌发实验依赖于试错法，耗时且资源密集，难以满足全球迁地保护的紧迫需求。因此，开发基于易获取数据（如种子形态、系统发育和生态位特征）的预测模型，对于高效筛选兰花萌发潜力、指导保护规划至关重要。
**研究内容与结论**
本研究旨在开发一种机器学习框架，以预测野生兰花在非共生条件下的萌发潜力。研究人员收集了203个兰花分类群的已知萌发和形态数据作为训练集，并补充了来自希腊（52个分类群）和亚美尼亚（17个分类群）的新数据，其中26个分类群同时进行了萌发实验验证。通过分层特征纳入流程，确定了最优特征组合（步骤4：胚胎/种皮长度比、亚科、生长习性和栖息地），并测试了六种机器学习算法。结果表明，支持向量机（SVM）和K近邻算法（KNN）表现最佳，总体准确率分别达61.1%和44.4%，且两者对低萌发组（0–30%）均实现100%的正确分类。模型进一步应用于包含361个未测试分类群的预测池，揭示了与生态特征相关的萌发模式：所有附生和开阔栖息地分类群均无低萌发预测，而低萌发分类群全部属于陆生/荫蔽/树兰亚科（Epidendroideae）特征。该研究最终将优化模型打包为R包OrchidGermClass，供公众使用。论文发表在《Plants》。
**关键技术方法**
本研究主要采用以下关键技术方法：
1. **机器学习算法**：测试了线性回归（LM）、K近邻算法（KNN）、决策树（RPART）、径向基函数支持向量机（SVM）、随机森林（RF）和极端梯度提升（XGBoost）六种算法，经5折交叉验证调参。
2. **特征选择**：通过六步分层纳入流程，从单一胚胎/种皮长度比（E:S ratio）逐步添加亚科、生长习性、栖息地、气候带和化学处理时间，确定步骤4为最优特征集。
3. **数据来源**：训练集来自文献（203个分类群）；验证集来自希腊（17个分类群，每分类群5个培养皿重复）和亚美尼亚（9个分类群，每分类群1个培养皿）的新鲜种子萌发和形态数据；预测池整合了文献中479个分类群的形态数据，经筛选后保留361个。
4. **类别不平衡处理**：对树型及回归算法应用逆频率加权，以缓解训练集中高萌发分类群占多数的偏差。
5. **模型部署**：将最优的KNN和SVM模型封装为R包OrchidGermClass（v4.6.0），输入参数为E:S ratio、亚科、生长习性和栖息地。
**研究结果**
**训练集分布与形态学评估**
初始训练集包含203个分类群，最终萌发百分比（FG%）分布不均：最大萌发组（81–100%）34.0%，高萌发组（51–80%）25.6%，中萌发组（31–50%）8.9%，低萌发组（0–30%）31.5%。形态学分析显示，整体平均胚胎/种皮长度比（E:S ratio）为0.33 ± 0.15，最大萌发组平均E:S比为0.41 ± 0.14，而低萌发组仅为0.24 ± 0.10，表明E:S比与萌发潜力正相关。
**特征选择与模型性能**
通过六步特征纳入，步骤4（E:S比、亚科、生长习性、栖息地）达到最佳预测性能。SVM算法在此步骤获得最高总体准确率61.1%和Cohen's kappa 0.4074，KNN准确率44.4%、kappa 0.3110。两类模型对低萌发组的敏感度均达100%。进一步纳入气候带（步骤5）和处理时间（步骤6）导致性能下降，步骤6的SVM准确率降至38.9%，KNN降至22.2%。
**分类性能详细评估**
在步骤4特征集上，SVM的总体准确率0.612、kappa 0.407、宏F1 0.442、加权F1 0.579，均为六种算法最佳；KNN次之。所有六种算法均未正确识别任何中萌发分类群（中F1 = 0）。加权模型（LM、RPART、RF、XGBoost）在总体指标上劣于未加权的SVM和KNN，表明算法选择是主要因素。当考虑序数结构时，二次加权Cohen's kappa显著提升：SVM达0.858，KNN达0.790，表明误分类主要发生在相邻等级之间。
**新增形态与萌发数据**
亚美尼亚和希腊新增的69个分类群形态数据中，最低E:S比出现在Cephalanthera damasonium（0.196）、C. longifolia（0.198）和Epipactis palustris（0.198），最高E:S比出现在Orchis quadripunctata（0.653）、O. anthropophora（0.589）和O. provincialis（0.518）。26个分类群的萌发实验显示，FG%从0%到98.5%不等，其中12个分类群（46.1%）属于低萌发组（<30%），8个分类群完全未萌发。
**预测池应用**
将步骤4的KNN和SVM模型应用于361个未测试分类群。SVM分类：17个低、23个中、278个高、43个最大；KNN分类：42个低、41个中、219个高、59个最大。所有SVM低萌发分类群均属于树兰亚科（Epidendroideae）且具有陆生/荫蔽特征，包括Gastrodia、Calanthe、Liparis等属。所有附生分类群（159个）被SVM归类为高或最大，无低或中预测。所有43个SVM最大萌发分类群均属于树兰亚科，其中93.0%为附生。KNN对杓兰亚科（Cypripedioideae）全部归类为低或中，与SVM以高为主的分歧反映了训练集代表性不足导致的算法差异。
**讨论与结论**
**讨论**
研究指出，希腊和亚美尼亚作为生物多样性热点，拥有丰富的兰花物种，但气候变化和栖息地破碎化加剧了保护需求。非共生萌发的高度变异性和尝试-错误法的低效性，促使研究者转向预测建模。步骤4特征集（排除处理时间）性能最优，因为处理时间是人为主观分配的后验参数，引入逻辑循环和统计噪声。模型对低萌发组的完美识别尤其重要，这些物种往往具有强共生依赖性、水不可渗透的种皮结构（如Cephalanthera和Gastrodia）或极长的萌发需求。OrchidGermClass包可提前标记困难分类群，指导培养基选择、处理时间决策及共生/非共生策略取舍。
研究还强调了数据局限性：生长习性和栖息地采用二分类变量（如陆生/附生、开阔/荫蔽），未能充分反映中间状态（如石生、全菌异养），但菌异养依赖通过E:S比间接捕获。验证设计存在三个不足：希腊与亚美尼亚培养皿重复数不一致；验证集高萌发和最大萌发组样本量小；所有验证集属均出现在训练集中，但模型未使用属或种身份作为输入。未来需增加多重复试验、包含未见于训练集属的验证数据，并推动负面萌发结果的发表以改进模型。
**研究结论**
“总之，本研究提供了一个对低萌发物种高度准确的预测模型，通过公开可用的OrchidGermClass R包，基于易获取的生态位和系统学数据以及易测量的种子形态学数据，对兰花萌发潜力进行分类。如上所述，该模型可对未测试的兰花分类群进行快速初始萌发需求筛选。通过减少盲目实验测试的时间和成本，显著提升了这一受威胁科的保护潜力。然而，未来仍需改进分类技术，特别是促进物种特异性方案预测。为此，必须采用更标准化的方法学，确保预测因素（如处理时间、萌发条件、萌发成功标准）的一致性。由于模型在应用类别阈值前预测连续最终萌发百分比，标准驱动的噪声直接进入训练数据，导致中间组（中和高）的分类准确率低于低组，尤其在中组，六种算法均未正确识别独立测试集中的任何中萌发分类群。对于361个分类群的案例研究，中组预测需谨慎对待。KNN和SVM预测之间的分歧（占3.6%）应视为低模型置信度的信号，建议用户同时参考连续原始预测值。不同培养基的变异也会影响模型准确性，因此研究者提出分层萌发筛选框架，系统评估内在萌发能力、化学处理必要性及真菌共生依赖性。推进这些预测工具需要出版界转变范式，积极发表负面萌发结果。”
