机器学习与基于网络的定性和定量特征整合方法，用于解析水稻（Oryza sativa L.）的产量构成机制

《Cereal Research Communications》：Machine learning and network-based integration of qualitative and quantitative characters for decoding the yield architecture of rice (Oryza sativa L.)

　　

摘要

水稻（Oryza sativa L.）具有巨大的遗传多样性，但这些多样性在提高产量方面尚未得到充分利用，因此需要新的策略来挖掘这些潜力并增强产量。传统的分析方法通常将定性描述指标和定量产量成分分开处理，从而掩盖了植物的整体特征。本研究整合了143个定性形态描述指标和14个定量性状，这些指标和性状来自西孟加拉邦和特里普拉邦的本地品种以及栽培品种，共计62个水稻基因型，以解析谷物产量的构成机制。研究采用了一套明确的多阶段分析流程。通过构建全局性状关联网络，描述了定性性状与定量性状之间复杂的高维交互关系。利用随机森林回归方法分析了各性状对单株产量的相对重要性，最终确定了20个最具影响力的性状。通过对这些关键性状进行网络重建和相关性分析，发现穗重、1000粒种子重量和每株分蘖数是决定产量的主要定量性状。在定性性状中，直立旗叶和中等穗密度对单株产量的影响最为显著。通过三维主成分分析（3D PCA）对62个基因型进行多变量分析，将其分为四个不同的遗传群。基于这些关键性状构建的选择指数筛选出了10个优良基因型，这些基因型兼具较大的穗重和高效的植株结构。研究结果表明，定性形态特征不仅是描述性标记，更是影响产量形成的关键因素。将这些性状整合到机器学习和网络分析框架中，显著提高了针对本土水稻种质资源的育种程序中的选择精度。