多模态深度学习提升了环境多变条件下硬质小麦产量各组成部分的预测能力

《BMC Plant Biology》：Multimodal deep learning improves cross-environment prediction of durum wheat yield components

　　

摘要

硬粒小麦育种越来越需要能够预测基因型如何应对地中海干旱地区典型热度和干旱变化的工具。在这项研究中，我们探讨了多模态深度学习（MM-DL）框架——该框架结合了基因组标记、环境协变量（ECs）、近红外光谱（NIRS）和物候学——是否能提高对五个关键产量相关性状的预测能力：每穗籽粒数（GN）、每穗籽粒重量（GW）、每穗小穗数（NS）、穗长（SL）和穗重（SW）。评估基于来自三个不同季节的多环境数据，使用了两种与育种直接相关的场景：预测一个完全未见过的气候季节（年份预测，PoY）以及预测同一季节内的新播种环境（播种年份预测，PoSY）。在所有性状中，整合多种数据源相对于仅使用基因组信息提高了预测准确性，提升程度因性状的生理基础而异。穗长（SL）始终是最容易预测的性状（PoY约为0.56–0.71；PoSY约为0.74–0.80），其次是每穗小穗数（NS，PoY约为0.23–0.47；PoSY约为0.56–0.67）。籽粒重量（GW）显示出中等且可靠的准确性（PoY约为0.24–0.30；PoSY约为0.34–0.46），而穗重（SW）的预测准确性处于中等水平（PoY约为0.27–0.38；PoSY约为0.34–0.41）。每穗籽粒数（GN）仍然是对环境变化最敏感的性状，在预测未见过的气候年份时准确性较低（0.28–0.32），但在预测同一季节内的新播种环境时提升较为明显（0.43–0.53）。环境协变量（ECs）对提高跨季节预测能力贡献最大，而近红外光谱（NIRS）和物候学则提供了较小但仍有用的性状特异性信号。总体而言，结果表明将基因组学与环境组学和表型组学相结合可以产生更稳定且基于生物学信息的预测结果。对于在气候变异性不断增加的情况下进行硬粒小麦育种，MM-DL为跨季节做出更可靠的选择提供了实用的方法。