-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
一种结合多准则与机器学习方法用于冰草（Agropyron cristatum L. Gaertn.）基因型评估的综合框架
《Genetic Resources and Crop Evolution》：An integrated framework combining multi-criteria and machine learning approaches for genotype evaluation in crested wheatgrass (Agropyron cristatum L. Gaertn.)
【字体： 大 中 小 】 时间：2026年08月27日 来源：Genetic Resources and Crop Evolution 1.9
编辑推荐：
摘要作为一种多年生牧草物种，冰草（Agropyron cristatum L. Gaertn.）因其耐旱性、抗放牧压力以及优良的营养品质，在半干旱地区被广泛种植。然而，评估基因型的传统方法通常依赖于单一的统计技术或狭窄的一组性状，因此无法捕捉产量、品质和矿物质成分之间复杂的非
作为一种多年生牧草物种，冰草（Agropyron cristatum L. Gaertn.）因其耐旱性、抗放牧压力以及优良的营养品质，在半干旱地区被广泛种植。然而，评估基因型的传统方法通常依赖于单一的统计技术或狭窄的一组性状，因此无法捕捉产量、品质和矿物质成分之间复杂的非线性关联。因此，提高育种效率需要集成框架，将预测模型与透明的决策支持工具相结合。本研究的目的是 (i) 确定遗传变异程度和基因型 × 环境互作， (ii) 通过人工神经网络 (ANN) 表征复杂的性状关系，以及 (iii) 联合应用几种多准则决策 (MCDM) 方法，以识别在半干旱条件下具有优异产量和牧草品质潜力的基因型。在两年内，对从土耳其五个省收集的 19 个基因型进行了 15 项农艺形态、产量、品质和矿物质性状评估。通过方差、相关、主成分和聚类分析来检查变异性和性状关系。ANN 模型采用包含两个隐藏层、ReLU 激活、Dropout 正则化和五折交叉验证的前馈架构构建，使用 R2、RMSE 和 MAE 来衡量性能。随后通过层次分析法 (AHP)、逼近理想解排序法 (TOPSIS) 和妥协排序法 (VIKOR) 方法进一步细化基因型排名，以保证技术之间的可重复性和一致性。显著的基因型 × 年份互作表明环境敏感性明显，因为在更干燥的条件下，牧草产量和粗蛋白含量均下降。ANN 模型提供了高预测精度 (R2 = 0.91–0.99)，并成功捕捉了性状之间的非线性关系。相关分析揭示了结构特征与营养特征之间的权衡，主成分解释了总变异的 73.1%，区分了与产量相关的性状和与纤维积累相关的性状。MCDM 方法之间高度一致 (r > 0.99)，并一致地将 G-483、G-476 和 G-479 选为最佳结合高牧草产量、良好营养品质和矿物质含量的基因型。综上所述，集成的 ANN–MCDM 框架提供了一种稳健、透明且可重复的方法，用于评估基因型选择中的多个性状。由于它将预测模型与结构化决策相结合，这种方法提高了选择效率，并支持培育适合半干旱环境的韧性品种。总体而言，结果表明，将先进的计算方法纳入牧草育种计划可以加速遗传进展，同时保护易受胁迫的农业生态系统的可持续性。
作为一种多年生牧草物种，冰草（Agropyron cristatum L. Gaertn.）因其耐旱性、抗放牧压力以及优良的营养品质，在半干旱地区被广泛种植。然而，评估基因型的传统方法通常依赖于单一的统计技术或狭窄的一组性状，因此无法捕捉产量、品质和矿物质成分之间复杂的非线性关联。因此，提高育种效率需要集成框架，将预测模型与透明的决策支持工具相结合。本研究的目的是 (i) 确定遗传变异程度和基因型 × 环境互作， (ii) 通过人工神经网络 (ANN) 表征复杂的性状关系，以及 (iii) 联合应用几种多准则决策 (MCDM) 方法，以识别在半干旱条件下具有优异产量和牧草品质潜力的基因型。在两年内，对从土耳其五个省收集的 19 个基因型进行了 15 项农艺形态、产量、品质和矿物质性状评估。通过方差、相关、主成分和聚类分析来检查变异性和性状关系。ANN 模型采用包含两个隐藏层、ReLU 激活、Dropout 正则化和五折交叉验证的前馈架构构建，使用 R2、RMSE 和 MAE 来衡量性能。随后通过层次分析法 (AHP)、逼近理想解排序法 (TOPSIS) 和妥协排序法 (VIKOR) 方法进一步细化基因型排名，以保证技术之间的可重复性和一致性。显著的基因型 × 年份互作表明环境敏感性明显，因为在更干燥的条件下，牧草产量和粗蛋白含量均下降。ANN 模型提供了高预测精度 (R2 = 0.91–0.99)，并成功捕捉了性状之间的非线性关系。相关分析揭示了结构特征与营养特征之间的权衡，主成分解释了总变异的 73.1%，区分了与产量相关的性状和与纤维积累相关的性状。MCDM 方法之间高度一致 (r > 0.99)，并一致地将 G-483、G-476 和 G-479 选为最佳结合高牧草产量、良好营养品质和矿物质含量的基因型。综上所述，集成的 ANN–MCDM 框架提供了一种稳健、透明且可重复的方法，用于评估基因型选择中的多个性状。由于它将预测模型与结构化决策相结合，这种方法提高了选择效率，并支持培育适合半干旱环境的韧性品种。总体而言，结果表明，将先进的计算方法纳入牧草育种计划可以加速遗传进展，同时保护易受胁迫的农业生态系统的可持续性。
