- 4 次围观
气候变化正日益扰乱局部适应种群与其演化环境之间的关系，因此亟需建立能够将基因组变异与气候联系起来的工具。共同园试验和种源试验仍是表征局部适应性的金标准，但其时间和资源需求限制了广泛应用。基因组学方法提供了一条互补路径。基因型—环境关联（genotype–environment association，GEA）方法能够识别与环境相关的位点。机器学习模型还表明，可以直接依据基因型预测地理来源。在此，我们提出 EcoLocator——一种有监督的深度神经网络，可从基因型联合预测地理位置和来源地气候。通过广泛的模拟，我们证明 EcoLocator 能够根据基因型数据准确恢复地理位置和来源环境；结合基于 SHAP 的特征归因方法，该模型比基准 GEA 方法更可靠地识别适应性位点。我们将该方法应用于海岸花旗松（Pseudotsuga menziesii var. menziesii），在留一交叉验证下，EcoLocator 对地理来源的预测结果为（R² = 0.75–0.83），对来源地气候的预测结果为（R² = 0.52–0.72）。值得注意的是，我们发现，直接从基因型预测的气候，其表现优于先预测地理来源、再据此推断气候的方法，表明 EcoLocator 捕捉到了仅凭地理信息无法恢复的基因型—气候信号。我们的预测误差处于现有种子调运指南所采用的容许范围内，证明 EcoLocator 的预测已具备实际应用条件；同时，我们的方法还可便捷地推广至其他物种和保护情境。
气候变化正日益扰乱局部适应种群与其演化所处环境之间的关系，因此，亟需开发能够将基因组变异与气候联系起来的工具。共同园试验和种源试验仍是表征局部适应性的金标准，但其时间和资源成本限制了广泛应用。基因组学方法提供了一条互补路径。基因型—环境关联（genotype–environment association, GEA）方法可识别与环境相关的位点。机器学习模型还表明，可以直接依据基因型预测地理来源。在此，我们提出 EcoLocator——一种有监督的深度神经网络，可根据基因型联合预测地理位置和原产地气候。通过广泛的模拟实验，我们证明 EcoLocator 能够从基因型数据中准确恢复地理位置和原产环境；结合基于 SHAP 的特征归因方法，与基准 GEA 方法相比，该模型能够更可靠地识别适应性位点。我们将该方法应用于海岸花旗松（Pseudotsuga menziesii var. menziesii），在留一交叉验证下，EcoLocator 对地理来源的预测结果为 R² = 0.75–0.83，对原产地气候的预测结果为 R² = 0.52–0.72。值得注意的是，我们发现，直接依据基因型预测气候的表现优于先预测地理来源、再据此推断气候的表现，这表明 EcoLocator 能够捕捉到仅凭地理信息无法恢复的基因型—气候信号。我们的预测误差处于现有种源调拨指南所采用的容许范围内，表明 EcoLocator 的预测结果已具备实际应用条件；同时，该方法也可方便地扩展至其他物种和保护情境。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.16.752190v1?rss=1
🏷️ 局部适应 基因型—环境关联 深度神经网络 气候适应 SHAP特征归因 保护遗传学