针对基因型-环境预测定制人工智能和机器学习模型并利用环境协变量:欧洲黑麦示例

《Theoretical and Applied Genetics》:Tailoring AI and ML models for genotype-by-environment prediction leveraging environmental covariates: A European rye example

【字体: 大 中 小 】 时间:2026年07月16日 来源:Theoretical and Applied Genetics 4.1

编辑推荐:

  准确预测环境特异性基因型表现仍是作物改良和农业决策中的主要挑战。基于机器学习(ML)和深度神经网络(DNN)的预测常受环境主效应主导,而非基因型-环境互作(GxE)效应,这阻碍了其在植物育种中的应用。本研究旨在通过开发新方法,将ML和DNN模型定制为预测环境特

  
准确预测环境特异性基因型表现仍是作物改良和农业决策中的主要挑战。基于机器学习(ML)和深度神经网络(DNN)的预测常受环境主效应主导,而非基因型-环境互作(GxE)效应,这阻碍了其在植物育种中的应用。本研究旨在通过开发新方法,将ML和DNN模型定制为预测环境特异性基因型差异和排名而非绝对表现,从而改进黑麦乃至一般作物的GxE预测能力。研究人员引入了两种方法:(1)基于线性混合模型(LMM)分解的目标变量工程,以分离GxE效应;(2)基于差异均方误差(MSED,Piepho 1998)的自定义损失函数实现,直接优化模型对环境内基因型差异的预测。研究数据集涵盖全球主要黑麦种植区,并使用综合交叉验证(CV)框架评估模型。与经典ML/DNN产量预测相比,研究人员的ML/DNN模型预测能力提高了+21% 到 +62%。在不同CV方案下,环境特异性基因型排名的预测准确率比基线基因型主效应提高了+15.0% 到 +9.8%。此外,历史天气记录使研究人员能够预测未来未测试年份的基因型表现。这项工作表明,定制的ML和DNN策略在GxE预测上可超越经典方法,为植物育种者、种植者和品种测试机构提供实用价值。
论文解读

研究背景与问题:在作物改良和农业决策中,准确预测特定环境下的基因型表现一直面临重大挑战。基因型-环境互作(genotype-by-environment interaction,GxE)会导致基因型在不同环境中的排名发生显著变化,即便在相对稳定的作物(如杂交黑麦,hybrid rye)中也是如此。气候变化预计将在本世纪末使全球约5%至13%的陆地表面转变为不同的气候分类,并增加目标环境群体(target population of environments,TPE)内作物生产力的空间异质性(Challinor et al. 2014;Kersebaum and Nendel 2014)。这一趋势对传统的广适应选择策略构成了严峻挑战,尤其在杂交黑麦中,来自同一育种体系的材料常被供应到从加拿大到俄罗斯的多个市场(Riedesel et al. 2024)。准确预测GxE的工具能够使育种者有针对性地利用基因型的特定适应性,从而在气候变化日益加剧的背景下保障作物产量。尽管已存在多种基于混合模型的方法(如环境亲缘关系基因组最佳线性无偏预测(E-GBLUP;Jarquín et al. 2014)、因子回归(Denis 1988)或因子分析模型(Tolhurst et al. 2022;Piepho and Blancon 2023)),以及越来越多探索使用人工智能(Jubair et al. 2023;Kick et al. 2023)和机器学习(machine learning,ML)模型(Westhues et al. 2021;Fernandes et al. 2024)进行GxE预测的研究,但深度神经网络(deep neural network,DNN)和其他ML模型常常受环境主效应驱动,而非基因型主效应和GxE互作效应。这是因为大多数多环境试验(multi-environment trial,MET)数据集中,环境因素解释的总方差比例远大于基因型相关因素(Laidig et al. 2017;Kick and Washburn 2023;Avagyan et al. 2025)。因此,使用均方误差(mean square error,MSE)或平均绝对误差(mean absolute error,MAE)优化的ML和DNN模型在预测环境特异性基因型产量时,倾向于准确预测每个环境的平均产量,而对环境内基因型排名的分辨率较差(Washburn et al. 2024)。本研究旨在解决上述问题,开发能够使ML和DNN模型聚焦于GxE效应预测的新方法。

研究开展与结论:研究人员以杂交黑麦为案例,组装了包含德国、波兰、丹麦、奥地利和捷克共和国五个欧洲国家(约占全球黑麦产量的60%)的广泛黑麦籽粒产量数据集,训练数据包括官方品种试验(official variety testing trials,OVT)、上市后试验(post-release trials,PRT)以及KWS公司的商业化前试验网络(pre-commercial trial network,VP)的数据,时间跨度为2013至2024年,共计约2.3万个单试验基因型最小二乘均值(best linear unbiased estimates,BLUEs)数据点。由于缺乏系谱或分子标记信息,研究侧重于利用环境协变量和表型模式来建模G×E互作。研究人员提出了两种新颖方法:(1)基于线性混合模型(linear mixed model,LMM)分解的目标变量工程(target-variable engineering),通过移除响应变量(籽粒干物质产量,GDY)中的环境主效应,构建仅包含GxE效应(yHatGE)或同时包含GxE效应与基因型主效应(yHatGGE)的新目标变量;(2)自定义损失函数工程(loss-function engineering),即实现基于Piepho(1998)的差异均方误差(mean squared error of differences,MSED)作为优化目标,直接优化模型对环境内基因型差异的预测。研究人员采用了四种交叉验证(cross-validation,CV)方案:逐环境(E)、逐地点(L)、逐年(Y)和逐年逐地点(LY),并使用环境亲缘关系最佳线性无偏预测(E-BLUP)模型作为基准。研究得出以下结论:与经典ML/DNN产量预测相比,基于目标变量工程和损失函数工程的方法使预测能力(以环境内皮尔逊相关系数PCC衡量)提高了+21%至+62%;在不同CV方案下,环境特异性基因型排名的预测准确率比基线基因型主效应最佳线性无偏预测(BLUP)提高了+15.0%(E方案)至+9.8%(LY方案);利用历史天气记录可成功预测未来未测试年份的基因型表现。该研究发表在《Theoretical and Applied Genetics》。研究表明,定制的ML和DNN策略在GxE预测方面可超越经典方法,为植物育种者、种植者和品种测试机构提供了实用价值。

主要关键技术方法:研究人员主要使用了以下关键技术方法:1)线性混合模型(LMM)方差组分分解,用于构建目标变量yHatGE和yHatGGE;2)自定义MSED损失函数,直接优化环境内基因型差异预测;3)两种梯度提升算法(XGBoost和LightGBM)和一个深度神经网络(DNN,基于TensorFlow-Keras实现)模型;4)环境协变量(包括从ISRIC Soilgrids数据库获取的土壤参数和DTN-ClearAgTM获取的日天气数据,共403个协变量)及分类变量(国家、处理、基因型年龄和基因型)作为预测因子;5)四种交叉验证方案(E、L、Y、LY),以VP试验网络作为测试集。数据来源包括奥地利(AGES)、捷克(úKZúZ)、德国(BSA)、丹麦(TystofteFonden)和波兰(COBORU)的官方品种试验及KWS公司的商业前试验和部分国家的上市后试验(如德国LSV、丹麦Landsfors?gene)。

研究结果:
- **Sources of variance in European MET rye dataset(欧洲黑麦MET数据集中的方差来源)**:通过拟合LMM(公式1)进行方差分解,发现环境主效应(年份、地点及其与处理的互作)解释了训练集84.1%和测试集88.8%的总方差。基因型相关效应(基因型主效应+GxE)仅占约15%(训练集)至11%(测试集),其中GxE方差约占基因型相关方差的40-50%。约15%的基因型相关方差被定义为“不可解释方差”(如试验与基因型互作),因为环境数据分辨率不足以捕获。这一结果突出了需要使ML/DNN算法从环境主效应中分离基因型相关效应的必要性。
- **Designing GxE target variables to guide ML and DNN models(设计GxE目标变量以指导ML和DNN模型)**:在所有四种CV方案和评估指标下,使用设计的GxE目标变量(yHatGE和yHatGGE)的模型预测能力显著优于直接使用GDY作为目标变量的模型。例如,XGBoost基于yHatGE+?i的PCC中位数比基于GDY提高了+62%至+52%;LightGBM提高了+31.5%至+39%;DNN提高了+21%至+42%。对于XGBoost和LightGBM,yHatGE+?i在Y和LY方案中优势更明显,而DNN则更偏好yHatGGE。这表明通过移除环境主效应,ML/DNN模型能够更有效地学习GxE模式。
- **Designing GxE loss functions to guide DNN and ML(设计GxE损失函数以指导DNN和ML)**:自定义MSED损失函数显著提高了DNN模型的预测能力。在E、L、Y、LY方案中,使用MSED损失的DNN的PCC中位数相比使用MSE损失的默认模型分别提高了23%、18%、45%和37%。MSED损失与目标变量工程的效果相当甚至在某些方案(Y和LY)中达到最高准确率(中位数SCC比?i提高7.9%和6.6%)。然而,对于XGBoost和LightGBM,MSED损失在Y和LY方案中效果逊于目标变量工程,但使用历史天气数据时几乎完全恢复。这表明MSED损失函数是简单有效的替代方案,但树模型可能需要进一步细化(如利用完整Hessian矩阵)。
- **Realized gain of presented methodology(所提出方法的实际增益)**:所有ML/DNN模型基于GxE目标变量和MSED损失在E和L方案中均显著优于基因型主效应BLUP(?i)基准。最大PCC中位数较?i提高+15%(E)和+13.7%(L)。而在Y和LY方案中,仅DNN能一致地略优于?i。对比E-BLUP基准模型,DNN在所有CV方案中至少有一个工程方法表现略优,且DNN/ML模型计算时间显著更短(DNN训练时间约为E-BLUP的1/12,XGB和LGBM约为1/120和1/470)。然而,各方法在环境间的预测能力差异仍然很大(PCC范围从-0.08到0.94),但相比?i,四分位距(IQR)减小了11-20%。
- **Inference for future years(对未来年份的推断)**:使用历史天气数据(来自其他11年)作为未来年份天气的代理进行Y和LY方案预测。结果表明,历史天气数据预测的环境内基因型排名中位数SCC比?i提高最高达+9.8%(Y)和+9.9%(LY)。有趣的是,历史天气数据预测的效果甚至略优于使用实际天气数据的预测(中位数准确率提高约5%),这可能因为实际年份的天气数据偏离历史模式,且环境间相关性在同一年份内远高于不同年份。总体而言,历史天气数据是推断未来年份基因型表现的有效选项。

总结讨论:本研究证明,将性状预测问题分解为GxE预测问题,通过目标变量工程和损失函数工程两种新方法,可有效引导ML和DNN模型聚焦于GxE效应。与经典E-BLUP模型相比,提出的方法在预测精度上相当或略优,同时计算资源需求显著降低。研究还指出,传统ML/DNN方法在预测环境特异性基因型表现时严重低于基因型主效应基准(?i),强调了选择相关基准的重要性。对于未来年份预测,历史天气数据提供了一个可行的解决方案。研究局限性包括:缺少第一阶段BLUEs的方差协方差矩阵(无法加权分析)、环境数据精度有限(坐标仅为地点级别而非试验田级别)、缺少关键试验元数据(如播种日期)以及遗传标记信息。未来工作应纳入遗传亲缘关系信息、改进不确定性量化(如使用Jackknife+方法)以及探索气候模型数据的价值。结论部分翻译如下:本研究提出了两种新工具——目标变量工程和MSED损失函数工程——已证明能提高杂交黑麦环境特异性基因型排名预测的精度。通过广泛的交叉验证,研究人员展示了这些方法在多数情况下持续优于依赖MSE优化的传统ML/DNN方法,甚至优于参数化环境亲缘关系LMM,预测增益较基线基因型均值?i最高达+15%。研究强调的是,通过在模型训练中明确聚焦GxE效应,ML和DNN模型可以有效桥接经典统计模型与现代育种所需的可扩展高通量预测框架之间的差距。此外,研究人员证明了利用历史天气记录可改善对未测试年份基因型表现的预测稳健性,为育种和农业在未来不确定性下的决策提供了新机会。总体而言,本研究开发的这些方法不仅推进了杂交黑麦GxE预测的最新技术,也为跨作物的更广泛应用奠定了基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号