.png){kind=icon}
返回
Accelerating Sugarcane Breeding with Machine Learning: A Concurrent Multi-trait Predictive Approach
.png){kind=icon}
OA
AI
DOI：10.1007/s12355-025-01709-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
甘蔗品种改良面临基因组大且高度多倍体、育种周期长、产量及其构成部分的狭义遗传力低以及持续的产量停滞等挑战，这制约了传统和分子育种的发展。为解决这一问题，本研究开发了一种基于表型的高效多性状预测框架，利用人工智能技术，并借助广西农业科学院甘蔗研究所提供的2700组亲本组合及其子代田间表现数据。根据数据特征，选择了五种机器学习范式：针对结构化表格数据和非线性性状交互的基于树模型（GBDT、XGBoost）；针对细微跨性状依赖关系的基于注意力机制表格模型（TabTransformer、TabNet）；以及作为基线的多层感知器（MLP）。所有模型均通过80/20分层训练-测试分割、加权损失函数和交叉验证网格搜索进行优化。GBDT在总体性能上表现最佳，宏F1得分为0.7316，汉明损失为0.2052，样本准确率为0.5630，在蔗糖含量、甘蔗产量和黑穗病抗性预测方面表现突出。XGBoost性能相当，而TabTransformer在总体农艺性状预测上提供了互补优势，F1得分为0.6829。结果表明，人工智能（AI），特别是机器学习（ML），通过集成AI方法有望提高预测能力和鲁棒性。该基于表型的框架证明了ML作为高效决策支持工具的价值，能够帮助育种者优先选择杂交组合并优化资源利用，从而减少对广泛田间试验的依赖。尽管AI在加速品种开发方面的潜力显而易见，但其常规应用在现实商业育种中仍需验证。
Keyword:
Sugarcane breeding
Agronomic trait prediction
Phenotype-based selection
Multi-trait classification
Breeding decision support
期刊
IF:
2
论文数:
108
被引数:
2.7K
机构
引用论文
XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
查看更多内容