MGIDI与可解释机器学习在雨养面包小麦多性状选择及产量驱动因子中的应用

《Plants》：MGIDI and Explainable Machine Learning for Multi-Trait Selection and Yield Drivers in Rainfed Bread Wheat

　　

在雨养半干旱条件下识别优良小麦基因型并理解驱动产量的性状仍然具有挑战性，而多性状选择指数与可解释机器学习很少被结合使用。本研究将多性状基因型-理想型距离指数（MGIDI）与可解释机器学习相结合，在土耳其迪亚巴克尔的一个单一雨养季节中，采用随机完全区组设计，对20个面包小麦（Triticum aestivum L.）基因型的14个物候、生理和产量构成性状进行了评价。所有性状的广义遗传力均较高（H² = 0.84–0.99），基因型与表型变异系数的接近一致表明遗传因素对表型变异起主要贡献。籽粒产量、每穗粒数和每穗粒重表现出最高的预期遗传进展（GAM = 17–22%）。基于MGIDI选择前25%的基因型使籽粒产量提高9.50%，同时在穗长、每穗小穗数和每穗粒重方面获得6–13%的协同增益；MGIDI与籽粒产量之间呈显著负相关（R² = 0.58，p < 0.001）。在区块分层GroupKFold交叉验证评估的五个学习器中，梯度提升（Gradient Boosting）表现最佳（CV R² = 0.740；训练R² = 0.998；RMSE = 30.55 kg da^?1；MAE = 24.43 kg da^?1）。SHAP分析确定每穗粒重、株高和开花天数为主要产量驱动因子，这些排序得到了与模型无关的置换重要性的证实。将MGIDI与可解释机器学习相结合，可以在一个统一框架内评估基因型选择和产量决定性状，且选择决策具有生物学一致性。

小麦（Triticum aestivum L.）约占全球谷物总产量的28%，在粮食安全中具有不可替代的战略地位。然而，全球许多地区小麦产量陷入停滞，气候变化导致的干旱和极端高温事件日益频繁。在土耳其东南部安纳托利亚等半干旱雨养地区，降水季节分布不均，夏季灌浆期干燥，末期干旱风险突出，选育适应雨养条件的早熟、避旱型基因型成为迫切需求。传统基于单性状的选择难以全面反映复杂性状间的互作，现代育种逐渐转向多性状选择方法。多性状基因型-理想型距离指数（MGIDI）通过因子分析消除性状间多重共线性，按基因型与理想型的欧氏距离进行排序，已在多种作物中成功应用。然而，将MGIDI与可解释机器学习结合在同一框架内的研究仍十分有限，特别是在雨养半干旱条件下，既识别优良基因型又解释其产量形成机制的研究存在明显空白。本研究旨在结合MGIDI与可解释机器学习，在一个统一框架内对土耳其迪亚巴克尔地区的20个面包小麦基因型进行多性状选择，并解析籽粒产量的主要驱动因子。该论文发表在《Plants》期刊。

研究人员在迪亚巴克尔Dicle大学农学院试验田（37°53′N，40°16′E，海拔668 m）开展了2022–2023生长季的田间试验。供试材料为20个面包小麦基因型，包括注册商业品种、高级育种品系和当地地方品种。试验采用随机完全区组设计，4次重复，播种密度500粒/平方米，全生育期不灌溉。共调查14个物候、生理和产量构成性状。统计方法包括：混合效应模型估算广义遗传力（H²）、基因型/表型变异系数（GCV/PCV）、遗传进展（GA和GAM%）；采用MGIDI进行多性状选择（选择强度25%）；利用区块分层GroupKFold交叉验证比较XGBoost、梯度提升、随机森林、岭回归和弹性网络五种机器学习模型，并采用SHAP（Shapley Additive Explanations）和置换重要性对最优模型进行解释。

3.1 方差分析与遗传参数估计
通过方差分析估算遗传参数，所有性状的广义遗传力均较高（H² = 0.84–0.99），基因型与表型变异系数彼此接近，表明表型变异主要受遗传控制。籽粒产量、每穗粒数和每穗粒重表现出最高的遗传进展（GAM% = 17–22%），说明通过产量构成性状进行选择可获得有效的遗传增益。

3.2 物候、生理、形态和产量相关性状
基因型间所有性状差异显著。抽穗期和开花期范围分别为139–152天和145–160天，早抽穗基因型也早开花。NDVI、LAI和SPAD等传感器生理性状表现出广泛的基因型差异。产量构成性状中，每穗粒重（0.75–1.65 g）和千粒重（24.5–35.8 g）范围最宽。籽粒产量范围为320–535 kg da^?1，籽粒蛋白质含量为11.2–13.8%，两者呈负相关。

3.3 多变量结构与性状关联
主成分分析显示，前两个主成分解释48.9%的总方差。籽粒产量与每穗粒重正相关，每穗小穗数与每穗粒数正相关，NDVI之间正相关，抽穗期与开花期正相关，蛋白质含量与籽粒产量负相关。

3.4 基于MGIDI的多性状选择
因子分析保留5个因子，累计解释85.9%的方差。MGIDI与籽粒产量呈显著负相关（R² = 0.58，p < 0.001）。入选的5个基因型（H?LAR、DZTB-5、DZTB-2、14STEMRRSN、DZTB-8）平均产量为486.75 kg da^?1，选择增益达9.50%。同时，每穗粒重（12.88%）、LAI（9.31%）、每穗小穗数（7.01%）和穗长（6.23%）获得协同增益，籽粒蛋白质仅下降0.93%。尽管每穗粒数具有高遗传进展（GAM% = 20.67%），但在入选群体中的实际增益仅为4.66%，反映了多性状指数在因子间平衡选择的特性。

3.5 籽粒产量的机器学习预测
在区块分层GroupKFold交叉验证下，梯度提升模型表现最佳（CV R² = 0.740，训练R² = 0.998，RMSE = 30.55 kg da^?1，MAE = 24.43 kg da^?1）。SHAP分析表明，每穗粒重、株高和开花天数是籽粒产量的主要驱动因子，该排序与置换重要性结果一致。

3.6 基因型×性状聚类
基于Z分数的层次聚类将基因型分为高、中、低产三组，高产品种（如14STEMRRSN、H?LAR等）在产量构成性状上取值较高；性状聚类显示物候与株高、生理指标与蛋白质、产量构成性状分别聚为三类。

讨论部分指出，高遗传力和接近的GCV/PCV表明性状主要受遗传控制，选择效率较高。MGIDI在平衡多性状的同时获得9.50%的产量增益，且蛋白质损失极小，优于单性状选择。SHAP识别的产量驱动因子与源库关系及物候适应一致，并得到置换重要性验证。将MGIDI与可解释机器学习结合，可同时实现基因型筛选和产量机制解析，为育种决策提供了互补性支持。然而，本研究基于单地点单季节，无法分析基因型×环境互作，机器学习模型受样本量限制，SHAP归因仅反映统计关联而非因果关系。因此，结论需在多环境试验中验证，并建议整合基因组信息以提高准确性。

结论（翻译原文）：本研究证明了在雨养半干旱条件下，将多性状选择与可解释机器学习相结合用于评价面包小麦基因型的价值。所研究的性状表现出较高的遗传力和明确的遗传增益潜力；通过MGIDI以平衡的方式排序基因型，研究人员鉴定了优良基因型，使籽粒产量提高9.50%。机器学习分析表明，籽粒产量的主要决定因素是一小组关键性状——每穗粒重、株高和开花天数——并且基于SHAP的这些发现有助于更好地理解产量形成的生物学基础。将MGIDI与可解释机器学习结合使用，使得基因型选择和产量决定性状能够同时被评估，为育种项目提供了有用的决策支持框架。由于结果基于单一环境，应在未来的多环境试验中进行验证，更大的数据集和基因组信息的整合可能进一步提高该方法的准确性和适用性。鉴于所有结果基于单一地点和单一生长季，本研究应视为方法学示范，其选择结果在纳入正式品种推荐之前需经多环境试验确认。