Login
Login
周永锋课题组
Yong-feng Zhou lab
Yong-feng Zhou lab
| 题目 | Deep learning empowers genomic selection of pest-resistant grapevine |
| 中文 | 深度学习使抗虫葡萄的基因组选择成为可能 |
| 参考 | Yu Gan, Zhenya Liu, Fan Zhang, Qi Xu, Xu Wang, Hui Xue, Xiangnian Su, Wenqi Ma, Qiming Long, Anqi Ma, Guizhou Huang, Wenwen Liu, Xiaodong Xu, Lei Sun, Yingchun Zhang, Yuting Liu, Xinyue Fang, Chaochao Li, Xuanwen Yang, Pengcheng Wei, Xiucai Fan, Chuan Zhang, Pengpai Zhang, Chonghuai Liu, Lianzhu Zhou, Zhiwu Zhang, Cong Tan, Yiwen Wang*, Zhongjie Liu*, Yongfeng Zhou*. Deep learning empowers genomic selection of pest-resistant grapevine, Horticulture Research, 2025;, uhaf128, |
| 作者 | 甘宇, 刘镇亚, 张帆, Qi Xu |
| 通讯 | 周永锋, 刘众杰, 王怡雯 |
| 期刊 | Horticulture Research [2025-5-7 ] 博文来源 原文链接 文档查看 文章下载 |
| 简介 | 本研究整合了深度学习（DL）/机器学习（ML）算法、植物表型组学、数量遗传学和转录组学技术，对葡萄的抗虫性进行基因组选择（GS）。我们构建了深度卷积神经网络（DCNN），能够准确评估葡萄叶片上的害虫危害程度，在分类分析中达到了95.3%的准确率（使用VGG16模型），在回归分析中获得了0.94的相关系数（使用DCNN-PDS模型）。害虫危害程度被表征为二分类和连续型性状，并将来自231份葡萄种质的基因组重测序数据与全基因组关联分析（GWAS）相结合，该分析定位了69个数量性状位点（QTL）和139个参与抗虫途径的候选基因，这些途径包括茉莉酸、水杨酸和乙烯信号通路。结合转录组数据，我们确定了特定的抗虫基因，如ACA12和CRK3，它们在植物对食草动物的响应中起着关键作用。基于机器学习的基因组选择在预测葡萄的抗虫性（分别作为二分类和连续型性状）方面表现出高准确率（95.7%）和强相关性（0.90）。总体而言，本研究凸显了深度学习/机器学习在植物表型组学和基因组选择领域的强大能力，有助于培育抗虫葡萄品种。 |
| 封面 |
|
随着全球气候变化日趋严峻，虫害愈发频繁和严重，显著降低作物产量，威胁全球粮食安全。传统的害虫防治严重依赖杀虫剂，导致顽固的农药抗性问题和严峻的生态问题。然而，作物及其野生近缘种表现出不同程度的抗虫性，表明培育抗虫作物品种具有巨大的潜力。
2025年第8期，Horticulture Research上线了（Advance Access）中国热带农业科学院/热带作物生物育种全国重点实验室周永锋团队联合中国农科院深圳农业基因组所等单位合作完成的题为Deep learning empowers genomic selection of pest-resistant grapevine的研究论文
团队通过整合机器学习/深度学习算法、表型组学、数量遗传学与基因组选择等技术，在三方面实现创新突破：1. 首次开发深度卷积神经网络（DCNN）模型，分为数量性状和质量性状，精准量化葡萄叶片虫害损伤，质量性状分类准确率达95.3%，数量性状相关性高达0.94。2. 正向遗传学深入解析了葡萄抗虫的遗传基础；3. 首次建立了基于机器学习的葡萄抗虫基因组选择模型，实现95.7%的预测准确率。该技术体系已形成从表型鉴定、基因定位到品种抗虫性预测的完整闭环，为作物，尤其是多年生作物，抗性育种提供可复制推广的新范式。
在作物抗虫育种领域，传统虫害评估依赖人工观察，存在效率低、主观性强等问题(图2)。基于深度卷积神经网络（DCNN）的人工智能虫害检测技术可自动分析葡萄叶片图像，实现质量性状虫害损伤分类准确率95.3%，损伤程度连续数量性状评分与人工标注相关性达0.94。单张叶片检测仅需0.03秒(图3)。该技术不仅为抗虫基因筛选提供大量精准数据，还可实时监测田间虫情，助力果农科学防治，减少农药过度使用。目前，相关算法已开源共享（https://github.com/zhouyflab/Pest-Resistance），相关成果将有助于推动农业智能化迈入新阶段。
图1 斜纹夜蛾等害虫严重危害葡萄叶片
图2 AI算法精准量化葡萄虫害表型（A，B为质量性状，D，E为数量性状）
团队利用图像识别模型VGG16和DCNN-PDS对葡萄害虫损伤程度进行量化，分别获得了二分类和连续性状指标。进一步通过深入数量遗传学分析，质量和数量性状开展GWAS分析，发现了33个与二分类性状相关的数量性状位点（QTL）和36个与连续性状相关的QTL，共涵盖139个候选抗虫基因(图4)。值得关注的是，在第16号染色体上的Chr16: 26.7Mb-27.0Mb区域，发现一个显著的连续性状信号（P=1.71e-6）。该位点中携带有利等位基因的植株表现出更低的虫害，显示出更强的抗虫性。进一步分析发现，该区段存在一个与CDPK-RELATED KINASE 3（CRK3）启动子强连锁的区域。CRK3是一种钙调素依赖的蛋白激酶，其表达受茉莉酸和脱落酸信号调控，在受到虫害胁迫时能够激活防御转录因子WRKY14并上调防御基因PDF1.2的表达，该基因是抗逆防御体系中的核心节点。
图3 系统数量遗传学解析葡萄抗虫的遗传基础
为加速葡萄抗虫性状的分子育种，周永锋团队采用机器学习模型，构建了基于质量性状和数量性状的基因组选择模型（GS），显著提高了葡萄抗虫性状的预测精度。在数量性状建模中，研究团队测试了四种经典分类器模型：逻辑回归（LR）、支持向量分类器（SVC）、随机森林分类器（RFC）和朴素贝叶斯（NB），其中LR模型最为优秀，用2000个变异位点时准确率达94.5%，并在测试集上进一步提升至95.7%。在数量性状建模中，团队比较了线性回归模型（Lasso、Ridge、ElasticNet）与机器学习模型（RFR、SVR）的表现，其中SVR模型表现最佳，在2000个变异位点时准确率达92.0%，在最终测试集中，基于SVR和10000个SNP位点的模型预测结果与真实表型的相关性为0.90（P=3.5e-9），显示出极高的预测能力(图5)。本研究展示了机器学习在表型预测和基因组预测方面的巨大潜力，为葡萄抗虫性状的精准分子设计育种提供了数据支撑和方法路径。
图4 基于机器学习算法开展葡萄虫害基因组预测
中国热带农业科学院/热带作物生物育种全国重点实验室周永锋研究员、中国农业科学院深圳农业基因组研究所（岭南现代农业科学与技术广东省实验室深圳分中心，大鹏湾实验室）博士后刘众杰（现华润科学技术研究院研究员）和王怡雯（现墨尔本大学助理教授）为该文章的通讯作者，基因组所已毕业硕士生甘宇、博士生刘镇亚、博士后张帆和副研究员徐琦为该文章的共同第一作者，该研究获得了国家重点研发计划、国家优秀青年科学基金（海外）、国家自然科学基金、中央政府引导地方科技发展专项资金项目等项目的支持。