ソルガム育種と収量予測のための説明可能な人工知能と作物モデリングを組み合わせた二段階データ駆動型プロセスベースモデル

科学分野:

• 農業科学
• 計算生物学
• 植物育種

背景:

• 世界的な人口増加は、食料供給を増やすための高度な育種方法を必要としている。
• ソルガムは多様なタイプ（穀物、飼料、デュアルパーパス、周日長感受性）を持つ重要な穀物であり、調整された育種戦略が必要である。
• 遺伝子型×環境（GxE）相互作用は作物パフォーマンスに大きく影響し、洗練されたモデリングアプローチが要求される。

研究 の 目的:

• ソルガム育種のための二段階、データ駆動型およびプロセスベースの作物モデルを開発する。
• 遺伝子型×環境（GxE）効果を分析することにより、育種推奨を提供する。
• 説明可能なAI手法を通じて、作物モデルの解釈可能性と柔軟性を高める。

主な方法:

• プロセスベースの作物モデルと説明可能なデータ駆動型技術を統合した。
• 7年間の毎時気象データ、土壌要因、管理慣行、および651人の男性と131人の女性からの親情報を使用した。
• 管理慣行を組み込み、毎時の乾物重量（葉、茎、穀物）と最終収量を予測した。

主要な成果:

• 様々な環境条件下で16%-19%の相対二乗平均平方根誤差を達成し、堅牢な予測精度を示した。
• 4つの異なるタイプにわたるエリートソルガムハイブリッドを特定し、広範な圃場試験の必要性を減らした。
• GxE相互作用の有意な変動を明らかにし、環境固有の育種戦略の重要性を強調した。

結論:

• 説明可能なハイブリッドモデルフレームワークは、作物モデリングと植物育種を大幅に改善する。
• このアプローチは、育種推奨を最適化することにより、農業の効率と持続可能性を高める。
• GxE分析に基づいた調整された育種戦略は、作物パフォーマンスを最大化するために不可欠である。