基于深度学习和GBLUP-MGIDI联合分析的甜椒产量预测与优异基因型筛选

为解决甜椒(Capsicum annuum L.)育种中产量预测复杂性和多性状协同选择难题，伊朗马拉盖大学和乌尔米大学团队通过卷积神经网络(CNN)建模结合基因组最佳线性无偏预测(GBLUP)和多性状基因型-理想型距离指数(MGIDI)，成功筛选出兼具高产潜力(G12、G13)和综合优良性状(G11、G15)的基因型。研究通过CNN模型(R2=0.879)精准预测产量并识别关键性状果肉厚度(FT)和果宽(FW)，同时利用65个ISSR标记解析加性遗传效应，为甜椒分子设计育种提供了高效策略。

　　

甜椒育种的新智能路径：当深度学习遇见基因组预测
在追求农作物高产稳产的今天，甜椒(Capsicum annuum L.)作为全球重要的蔬菜和经济作物，其产量提升却面临多重挑战。传统育种依赖经验性选择，而产量作为典型的多基因性状，易受环境干扰且与众多形态特征存在复杂非线性关系。更棘手的是，育种者常需同时改良多个相互制约的性状——如果实大小与植株抗倒伏性往往呈负相关。如何精准预测产量、解析关键性状的遗传控制机制，并高效筛选综合性状优良的基因型，成为甜椒育种亟待突破的科学难题。

来自伊朗马拉盖大学和乌尔米大学的研究团队在《Scientific Reports》发表了一项创新研究，首次将深度学习中的卷积神经网络(CNN)与基因组预测技术(GBLUP)和多性状选择指数(MGIDI)相结合，构建了一套甜椒智能育种方法论。通过对29份伊朗本土甜椒种质进行系统分析，研究人员不仅实现了高达R²=0.879的产量预测精度，还筛选出兼具高产潜力和理想株型的核心亲本，为甜椒分子设计育种提供了可量化的决策工具。

关键技术方法
研究团队在乌尔米农业研究中心开展两季田间试验，采用随机区组设计评估29份种质的14个农艺性状。通过ISSR分子标记构建遗传相似性矩阵，运用CNN模型（含2个卷积层和3个全连接层）比较相关性分析（模型a）和逐步回归（模型b）的输入变量效果。采用GBLUP计算育种值(BV)，结合MGIDI指数进行多性状综合评价，所有分析均在MATLAB R2021b和R语言中完成。

关键研究发现
1. 甜椒产量建模与关键性状识别
通过比较两种CNN模型发现，基于相关系数筛选的模型a（输入PH、FL、FT、FTL、FW、FFW）预测性能更优（测试集R²=0.879）。敏感性分析揭示果肉厚度(FT)和果宽(FW)是共同的关键预测因子，其重要性在逐步回归模型b中再次被验证。值得注意的是，10果实鲜重(FFW)在模型b中表现出决定性影响——移除该变量导致预测精度骤降至R²=0.023，暗示果实大小与产量的强关联性。

2. 基因组育种值解析
GBLUP分析显示，G25基因型在FT(1.372)、FW(4.633)等产量相关性状上具有显著加性效应（均为最高BV），而G12在单株产量(Y)上表现突出（BV=2.242）。有趣的是，部分基因型呈现性状间的遗传拮抗——如G14虽在FT(1.076)和FW(3.139)上表现优异，但其株高(PH)育种值低至-6.986，提示矮化株型可能与果实发育存在遗传连锁。

3. 多性状理想型筛选
MGIDI指数通过因子分析降维，将14个性状整合为5个主成分（累计解释83.1%变异）。FA1主导产量相关性状（FFW载荷0.92），FA4则调控株型特征（SL载荷0.87）。最终筛选的G11-G13、G15基因型在85%性状上实现理想选择差，其中G12和G13在FA1（产量潜力）和FA2（果实品质）上均接近理想值，而G15在FA4（株型结构）上表现最佳。

研究启示与展望
这项研究开创性地将深度学习与基因组选择技术应用于甜椒育种，其价值体现在三个维度：方法学上，证实CNN模型能有效捕捉产量与形态性状的非线性关系，相较传统线性回归（R²通常<0.6）具有显著优势；育种实践上，明确FT和FW可作为间接选择标记，且G12、G13等种质因其高育种值成为杂交亲本优选；理论层面上，揭示产量相关性状主要受加性基因控制，为后续QTL定位奠定基础。

研究仍存在可拓展空间：当前ISSR标记密度（65个位点）可能限制GBLUP精度，未来采用SNP芯片有望提升预测效果；环境互作未纳入模型，需多地点试验验证性状稳定性。该团队提出的"CNN-GBLUP-MGIDI"框架为其他作物复杂性状研究提供了普适性范式，其核心思路——即通过深度学习解析表型组、结合基因组预测实现智能育种——正引领作物遗传改良进入数字化新时代。