整合 AMMI、GGE 和机器学习，探究有机和无机生产系统下水稻的产量稳定性及性状贡献

《BMC Plant Biology》：Integrating AMMI, GGE and machine learning to understand yield stability and trait contributions in rice under organic and inorganic production systems

　　

摘要

背景

开发在不同生产系统中表现稳定的水稻品种对于可持续作物改良至关重要，这需要透彻理解基因型 × 环境互作（GEI）。在本研究中，66 个水稻基因型（62 个地方品种和 4 个对照）在有机和无机生产系统下，采用α格子设计设三次重复，连续两年（2023 年和 2024 年）进行评估。目标是鉴定具有产量表现和稳定性有利组合的基因型，并确定与产量相关的性状对单株产量（SPY）的贡献。

结果

联合方差分析显示，所有研究性状的基因型（G）、环境（E）和 GEI 均具有显著（p <?0.01）效应。对于单株产量，GEI 占总变异的 46.71%，超过了单纯的基因型效应，突显了基因型在不同生产系统中的差异化响应。AMMI 分析显示，IPCA1 解释了 59.5% 的 GEI，表明存在高度结构化的互作模式。基于 AMMI 稳定值（ASV）和平均单株产量，基因型 G39 (Polinel)、G7 (Buthakaima)、G47 (Sempalai)、G4 (Arcot kitchadi)、G44 (Rathasali II) 和 G57 (Vaigunda red) 在不同生产系统中表现出产量表现和稳定性的有利组合，而 G40 (Ponmani samba) 和 G29 (Mani samba) 则显示出优越的平均 SPY，分别对有机和无机生产系统具有特定适应性。GGE 双标图分析进一步证实了不同巨环境和交叉型 GEI 的存在。在评估的机器学习（ML）模型中，随机森林（RF）模型显示出最佳的预测性能，因此被选用于基于沙普利加性解释（SHAP）的与产量相关的性状对单株产量相对贡献的解释。SHAP 分析确定每株有效分蘖数是 SPY 的主要贡献者（33.59%），其次是 50% 开花天数（17.20%）和百粒重（12.78%）（在混合条件下）。

结论

综合使用 AMMI、GGE 和 SHAP 辅助机器学习提供了对对比生产系统下基因型表现和产量相关性状架构的改进见解。在将鉴定出的基因型更广泛地用于水稻改良计划之前，需要在更多地点、季节和田间试验中进行进一步验证。