《Discover Plants》:An efficient strategy for genomic prediction in new locations via enviromic indexing
编辑推荐:
基因组预测(Genomic Prediction, GP)是现代育种计划的核心组成部分,但其在预测未测试环境中的表型时,准确性会显著下降,这主要归因于基因型与环境互作(Genotype-by-Environment interaction, G × E)。为了
基因组预测(Genomic Prediction, GP)是现代育种计划的核心组成部分,但其在预测未测试环境中的表型时,准确性会显著下降,这主要归因于基因型与环境互作(Genotype-by-Environment interaction, G × E)。为了提高模型在此类情景下的泛化能力,研究人员提出了一种替代框架,该框架通过一种新颖的基于岭回归(Ridge-based)的环境索引方法,整合了基因组信息和环境协变量(Environmental Covariates, ECs)数据。与偏最小二乘法(Partial Least Squares, PLS)等传统方法不同,本方法使用岭回归从阶段特异性ECs中推导环境指数,从而提高了模型的可解释性和稳定性。研究人员在代表不同育种背景的四个真实多环境数据集上评估了该方法。基准测试在留一环境交叉验证(Leave-One-Environment-Out, LOEO)策略下,针对传统的基因组最佳线性无偏预测(Genomic Best linear Unbiased Prediction, GBLUP)、PLS索引模型以及合成因子指数进行。在所有性状和数据集中,所提出的模型都表现出稳健且具有竞争力的预测能力,在皮尔逊相关系数(Pearson correlation, COR)和归一化均方根误差(Normalized Root Mean Square Error, RMSE)方面经常名列前茅。本研究支持基于岭回归的环境组学索引作为一种可扩展且实用的工具,用于改善新环境中的基因组预测,特别是在与其他数据模态结合时。该方法易于扩展到未测试的基因型,并可作为未来考虑G × E的选择策略的基础。
**论文解读:一种基于环境组学索引的新地点基因组预测高效策略**
**一、 研究背景与意义**
基因组预测(Genomic Prediction, GP)已成为现代植物育种的核心工具,它通过利用全基因组标记来预测表型性能,从而加速遗传增益。其优势在产量、适应性等复杂性状的选育中尤为突出,因为这些性状的测量成本高、周期长,且决策必须考虑多样化的目标环境群体。然而,GP的一个持续存在的局限性在于,当模型迁移到新的、未经测试的环境中进行预测时,其预测能力会下降。这主要归因于基因型与环境互作(Genotype-by-Environment interaction, G × E),而历史试验中学习到的标记效应无法完全捕捉这种互作。为了弥合这一差距,一个活跃的研究方向是将环境组学数据——描述天气、土壤和管理的定量环境协变量(Environmental Covariates, ECs)——整合到预测流程中。从概念上讲,环境组学的目标是以一种GP模型可以利用的方式来表示环境相似性和胁迫模式,从而泛化到未测试的地点或季节。
尽管整合ECs的早期方法已显示出改善多环境试验预测的潜力,但一个实际的挑战是如何总结或加权高维ECs,使得产生的环境信号稳健、可解释且能迁移到未测试环境。基于潜变量的压缩方法可能有效,但需要仔细调优,可能对噪声敏感,并且如果潜变量混合了不同的过程,会模糊可解释性。而将ECs转化为环境相关性的核方法虽然强大,但当ECs集合庞大且在不同数据集间异质性强时,仍面临灵活性与稳定性之间的权衡。
因此,本研究旨在提出一种新的、更简单有效的框架,以更稳健和可解释的方式整合ECs,提升GP模型在预测新环境表型时的泛化能力。该研究发表在《Discover Plants》期刊上,为解决育种实践中关键的“已知基因型在新环境”预测问题提供了新思路。
**二、 主要技术方法概述**
为评估所提出的方法,研究人员利用了四个真实的多环境数据集进行基准测试。这些数据集包括一个玉米数据集和三个小麦数据集。玉米数据集包含282个自交系在六个地点的表型数据(开花时间和株高),基因型数据来自约1200万个高质量单核苷酸多态性(Single Nucleotide Polymorphisms, SNPs)。三个小麦数据集(WheatG1, WheatG2, WheatG3)均包含287个精英品系在多个国家(如印度、巴基斯坦、墨西哥等)的表型数据(开花时间、株高和籽粒产量),基因型数据基于Illumina iSelect 90K SNP芯片。每个数据集中的“环境”定义为特定的地点-年份组合(玉米)或国家-地点组合(小麦)。
研究采用了留一环境交叉验证(Leave-One-Environment-Out, LOEO)策略来模拟在实际育种中预测新环境表型的场景。在此策略下,每次将一个完整环境的数据作为测试集,其余环境作为训练集,循环直到所有环境都被测试一次。评估指标包括皮尔逊相关系数(COR)和归一化均方根误差(NRMSE)。研究人员将提出的模型(M12)与11种现有基准模型进行了比较,这些基准模型涵盖了从仅使用基因型的GBLUP(M1)、到结合ECs作为固定效应(M2, M3)、再到基于主成分分析(Principal Component Analysis, PCA)(M4, M5)、偏最小二乘法(Partial Least Squares, PLS)(M6-M9)以及基于生理窗口相关性的合成指数(M10, M11)等多种方法。
**三、 研究模型与结果分析**
**3.1 提出的模型(M12):基于岭回归的环境组学索引**
研究人员提出的M12模型是对M4模型的改进。M4模型使用一个从基因型与环境互作效应经奇异值分解(Singular Value Decomposition, SVD)得到的主成分作为合成协变量。M12的核心创新在于,它使用岭回归来预测这个合成协变量的值,并将其用于新环境的预测。具体步骤包括:1)计算训练集中每个环境的表型平均值,构成响应向量;2)获取所有环境(包括训练和测试环境)的阶段特异性ECs并标准化;3)对标准化的ECs矩阵进行SVD,生成正交的预测变量矩阵;4)使用岭回归,将环境表型均值向量对SVD生成的预测变量矩阵进行拟合;5)对于测试环境,利用其ECs通过训练好的岭回归模型预测其环境指数值,然后将该值代入M4模型框架,生成该环境下各基因型的最终表型预测值。该方法的关键在于,通过SVD处理提高数值稳定性,并通过岭回归的L2正则化处理ECs间的共线性问题,从而得到一个稳定且可解释的环境指数。
**3.2 各数据集结果分析**
* **玉米数据集**:在COR方面,M4模型表现最佳(0.847),而提出的M12模型与M2、M3模型并列第三(0.843),与最佳模型差距仅0.5%。在NRMSE方面,M6模型表现最好(0.150),M12模型排名第六(0.174)。
* **WheatG1数据集**:M3模型在COR上领先(0.563),M12模型排名第四(0.557),差距为1.1%。在NRMSE上,M2模型最优(0.137),M12模型排名第六(0.209)。
* **WheatG2数据集**:M1模型在COR上最佳(0.474),M12模型排名第四(0.468),差距1.28%。在NRMSE上,M1模型同样最优(0.23),M12模型排名第七(0.319)。
* **WheatG3数据集**:M10模型在COR上最佳(0.484),M12模型排名第六(0.455)。在NRMSE上,M2模型最优(0.057),M12模型排名第三(0.272)。
* **跨数据集综合表现**:综合四个数据集看,M10模型在COR上总体最佳(0.585),M12模型排名第三(0.581),差距仅0.7%。在NRMSE上,M2模型总体最优(0.205),M12模型与M5模型并列第五(0.243)。
**3.3 结果总结**
总体而言,提出的M12模型在COR指标上 consistently(始终)表现出具有竞争力的性能,经常在众多模型中排名靠前,这表明它能有效捕捉观测值与预测值之间的整体关联和排序。然而,这种优势并不总是转化为最低的预测误差(NRMSE)。因此,M12应被视为一种稳健且具有竞争力的替代方案,而非在所有评估标准下都占主导地位的通用最优解。其优势在于方法简单、透明、易于实现和调优,同时在预测新环境时保持了良好的排名准确性。
**四、 讨论与结论**
**讨论部分总结**:研究人员指出,可靠预测新环境表型仍是现代植物育种的关键挑战之一。本研究提出的基于岭回归的环境指数,为将ECs整合到GP模型中提供了一种灵活且可解释的方法。在四个涵盖不同作物性状和环境异质性的真实数据集中,该指数 consistently 提供了稳健且具有竞争力的预测能力。其性能与PLS索引模型、基于领域知识的合成因子指数等现有方法相当,甚至在某些情况下媲美更复杂的JARIS框架。这一结果值得注意,因为本方法在保持简单性和透明性的同时(无需潜变量、核校准或多步超参数调优),通过避免共线性陷阱和保持可解释性,在模型复杂性与稳定性之间取得了平衡。
该方法在ECs与关键物候阶段(如开花至成熟期)对齐时尤其有效,因为此期间胁迫条件对产量和籽粒灌浆的影响最大。岭回归的正则化允许模型对相关的ECs进行加权,同时减弱边缘或冗余变量的噪声。这与未正则化的合成指数可能过度拟合或无法跨年份或地点泛化形成对比。
研究人员也承认了本方法的若干局限性:首先,它尚未将G × E明确建模为随机互作项或潜互作结构;其次,当前公式假设预测对象是已测试的基因型,要扩展到同时预测未测试基因型在新环境的表现需要额外的正则化或分层建模;再次,虽然已在四个数据集上验证,但仍需在更广泛的育种流程中测试其可扩展性;最后,该方法假设未来目标环境的ECs是可获取的。
尽管如此,该方法具有显著的操作潜力。它不需要专业软件或高性能计算,可以使用R或Python的标准线性建模包实现,且指数本身可以从公开的ECs数据集预计算,非常适合国家项目和资源有限的育种操作。通过提供透明、稳定且低成本的解决方案,该岭回归指数降低了将环境组学常规整合到GP工作流程中的门槛。
**研究结论翻译**:在本研究中,研究人员提出并评估了一种基于岭回归的环境指数,作为将ECs整合到未测试环境GP模型中的一种实用替代方案。通过用针对物候对齐的ECs的惩罚回归替代偏最小二乘法等潜变量方法,该方法在预测能力、可解释性和简单性之间取得了平衡。在四个真实世界的多环境数据集中,所提出的方法在与评估方法的比较中取得了具有竞争力的性能,特别是在LOEO交叉验证下,这反映了预测已测试基因型在未见环境中表现这一关键的育种挑战。其生物学相关性通过将ECs与关键发育阶段对齐而得到加强,使得能够捕获有意义的环境胁迫,同时通过岭回归惩罚有效解决多重共线性问题。
这些发现强调,有效的基因组预测依赖于针对性状复杂性、环境异质性和现实发育背景而量身定制的模型,而非通用解决方案。研究结果还表明,结构良好的线性模型可以与计算密集型方法竞争,同时为育种计划提供更高的稳定性、透明度和操作可及性。尽管本研究侧重于新环境中的已测试基因型,但该框架可以扩展到更广泛的场景,包括未来年份或未测试基因型和环境。总体而言,基于岭回归的环境组学索引代表了一种可扩展且科学严谨的工具,可用于推进在日益增加的环境不确定性下的气候适应性育种。