机器学习揭示了麦谷物模具中真菌耐药性的复杂遗传学
Ezekiel Ahn1, Louis K Prom2, Sunchung Park3
1Sustainable Perennial Crops Laboratory, Agricultural Research Service, United States Department of Agriculture, Beltsville, MD, USA. ezekiel.ahn@usda.gov.
Heredity
|July 19, 2025
概括
机器学习增强的全基因组关联研究 (ML-GWAS) 成功识别了对麦谷物菌耐药性的基因. 这种方法提高了对复杂植物疾病耐药性的理解,并有助于育种工作.
科学领域:
- 植物遗传学 植物遗传学
- 农业科学 农业科学
- 计算生物学是一种计算生物学.
背景情况:
- 植物疾病耐药性是一种复杂的多基因特征,使遗传分析变得困难.
- 由真菌引起的麦谷物菌是农业的一个重大问题.
- 传统的全基因组关联研究 (GWAS) 在剖析复杂特征方面面临挑战.
研究的目的:
- 应用机器学习 (ML) 驱动的GWAS来剖析谷粒菌耐药性的遗传基础.
- 为了加强遗传分析,研究多样化的表型表征.
- 识别候选基因并了解耐药性的遗传结构.
主要方法:
- 使用一组306个加入的面板.
- 采用了各种表型数据 (原始分数,差异表型,主要组件) 的ML模型 (增强树,引导森林).
- 执行GWAS以识别与耐药性相关的单核酸多态 (SNP).
主要成果:
- 证实了一种高度多基因的架构,用于粮食菌的耐药性.
- 在基因组中发现了许多与耐药性相关的SNP.
- 在不同模型和表型数据中发现了一致的SNP关联,通常接近与防御相关的基因.
结论:
- ML-GWAS方法有效地揭示了植物中复杂的遗传特征.
- 鉴定了对黄对抗谷物菌的防御至关重要的候选基因,对繁殖有价值.
- 基于ML的策略为作物和其他物种的复杂特征剖析提供了一个精细的框架.
