解开小麦叶枯病的病原体组群之谜：超越“一种病原体导致一种疾病”的传统范式

《Journal of Plant Pathology》：Unravelling the wheat leaf blight pathobiome: a shift beyond the one pathogen–one disease paradigm

小麦叶枯病病原真菌分析及AI检测系统研究显示，印度恒河平原地区分离的106株真菌中， Bipolaris sorokiniana（41.50%）、Alternaria alternata（26.42%）和 Curvularia lunata（22.64%）为主要病原体，共感染显著提高病害严重性（PDI 48.2%）。基于深度学习的CNN模型（如GoogleNet、Inception V3）对1000张数字图像训练，症状识别准确率>90%。分隔符：

　　

摘要

本研究调查了印度恒河-gangetic平原地区小麦叶枯病相关的真菌病原体，重点研究了它们的鉴定、致病性及其相互作用。共分析了来自24个地点的有症状小麦样本中的106个真菌分离株。形态学和分子鉴定结果显示，Bipolaris sorokiniana是最常见的物种（41.50%），其次是Alternaria alternata（26.42%）和Curvularia lunata（22.64%）。Alternaria triticina（5.66%）、Curvularia spicifera（1.89%）和Bipolaris drechsleri（1.89%）的检出率较低。致病性评估表明，共感染情况（尤其是涉及多种病原体Bipolaris属、Alternaria属和Curvularia属的情况）会导致更严重的疾病，表现为感染频率增加、病斑面积扩大和坏死程度加重。与单一病原体感染相比，共感染使平均病害指数（PDI）上升至48.2%。这表明研究范式正从传统的“一种病原体导致一种疾病”模式转向更复杂的病原体组学方法，该方法综合考虑了多种共生体与宿主之间的相互作用，从而对疾病病因有了新的理解。此外，还开发了一种基于人工智能的图像分析系统，利用深度学习模型实现小麦叶枯病的早期检测。该系统经过1000张数字图像的训练，使用卷积神经网络（CNN）如GoogleNet和Inception V3对叶枯病症状进行分类，准确率超过90%。本研究支持“一种病原体导致一种疾病”的模式正逐渐向病原体组学概念转变。