文献类型： 中文期刊

作者： 徐歆 ¹ ; 李亚奇 ¹ ; 杨亦扬 ² ; 徐琪 ¹ ; 钱雪飞 ¹ ; 马春雷 ³ ; 梅菊芬 ¹ ;

作者机构： 1.江苏省茶叶研究所

2.江苏省农业科学院休闲农业研究所

3.中国农业科学院茶叶研究所/农业农村部特种经济动植物生物学与遗传育种重点实验室

关键词： 茶树育种;机器学习;黄化性状;性状预测

期刊名称： 茶叶科学

ISSN： 1000-369X

年卷期： 2025 年 45 卷 003 期

页码： 393-401

收录情况： 北大核心 ; CSCD

摘要： 茶树作为重要经济作物，其品质改良是育种的核心目标。针对传统茶树育种周期长（≥2年）、表型鉴定效率低等问题，以黄化茶树品种‘安吉黄叶’自然杂交的90个子代为材料，整合40 326个核心单核苷酸多态性（Single nucleotide polymorphism,SNP）位点的基因型数据与黄化表型连续两年观测数据（黄化∶非黄化=54∶36），系统比较了逻辑回归、随机森林和支持向量机3种机器学习模型的预测效能。结果显示，随机森林模型在十折交叉验证中性能最优，其精确度达78.96%，显著优于其他模型。通过特征重要性分析鉴定出两个关键遗传标记位点：Chr8＿142477650（编码叶绿体型丙酮酸脱氢酶E1β亚基）和Chr8＿126475215（参与RNA加工调控）。然而，在涵盖109份多源黄化种质的独立验证中，模型预测准确率降至21.10%，遗传背景差异导致的特征权重偏移是主要限制因素。该研究建立了茶树黄化性状的机器学习预测框架，将表型鉴定周期从24个月缩短至基因型即时分析，实现了育种早期阶段的性状预判。尽管跨品种泛化能力有待提升，但构建的SNP-表型关联模型为解析茶树基因型-表型复杂关联提供了可扩展的研究范式，标志着人工智能技术在木本植物复杂性状预测中的创新应用。