中国农业科学院植保所通过机器学习策略开发出基于作物基因型的抗病表型精准预测方法

　　在整体设计中，本研究将小麦和水稻核心群体（各包含超过300个代表性品种）进行多种病害抗性鉴定，对不同病害的抗性分为R（抗病）和S（感病）两种类型（去除部分抗感不确定品种），将复杂的群体数量抗性问题简化为二分类问题；在机器学习训练过程中，对取样过程进行干预，将亲缘关系（K）加入到取样过程，使其每次取样在群体中的分布由随机改为均匀，避免训练过程中的取样不均。研究结果表明，在适当P阈值范围内（P值代表全基因组关联分析获得的抗病关联SNP标记的关联值），随机森林分类（RFC）、支持向量机分类（SVC）、以及轻量级梯度提升机器学习（lightGBM）、深度神经网络（DNNGP）、稠密连接卷积网络（DenseNet）等机器学习算法均能实现较高准确性预测。其中，当RFC、SVC、以及lightGBM结合亲缘关系均匀取样训练情况下，即RFC_K、SVC_K、以及lightGBM_K方法（与未结合K取样方法相比较）均能显著提高预测准确性，本研究对水稻稻瘟病抗性的预测准确性最高达95%，跨群体预测结合人工接种鉴定确定的准确性也高达91%。另外，对小麦麦瘟病和条锈病的预测准确性分别达�?0%�?4%。对水稻纹枯病和水稻黑条矮缩病两种公认难以准确鉴定抗病性的病害，其预测准确性都达到85%。上述结果说明本研究开发的基于基因型精准筛选表型的机器学习方法对于作物多种病害抗性表型预测具有广适性，未来合理利用可显著提高作物抗病育种效率、�/div>