《Horticulture, Environment, and Biotechnology》：Optimizing germplasm characterization via phenotypic diversity assessment and descriptor selection in Passiflora spp.
编辑推荐：
为评估西番莲属(Passiflora spp.)种质资源的表型多样性并优化表征效率，本研究对114个基因型进行了基于74个形态学描述符的分析。研究人员通过主成分分析(PCA)和香农熵(Shannon's entropy)等方法，筛选出一组核心描述符(最终保留27个定性、11个定量描述符)，显著减少了冗余工作量。结果显示，使用精简后的描述符进行聚类(采用Gower距离和UPGMA法)与使用完整集的效果相似，且随机森林(Random Forest)模型验证了分组的可靠性(Kappa指数87%，准确率88%)。该研究为高效、低成本地进行西番莲种质资源评价和遗传改良提供了重要的方法论支持。
在热带和亚热带地区，西番莲（Passiflora spp.）因其美味的果实、独特的观赏价值和潜在的药用特性而备受青睐。巴西作为世界最大的西番莲生产国，其产业却面临着生产力不足的困境，这背后是缺乏优良品种、管理不当以及多种病虫害问题。为了解决这些挑战，育种学家们将希望寄托于丰富的种质资源上。巴西农牧业研究公司（Embrapa）的西番莲种质资源库就保存着约490份种质资源，蕴藏着巨大的遗传潜力。然而，如何高效、准确地从这大量的资源中鉴别和筛选出有价值的基因型，却是一个令人头疼的难题。传统的形态学表征方法虽然成本低廉，但往往依赖于大量的描述符，其中许多可能是冗余或信息量低的，这使得评估过程变得异常繁琐和昂贵。有没有一种方法，能像为复杂的图像找到最关键的特征点一样，为西番莲的表型鉴定找到一套“最小但足够”的特征集呢？这正是发表在《Horticulture, Environment, and Biotechnology》上的这项研究试图回答的核心问题。
为了达成目标，研究人员运用了多管齐下的分析方法。他们首先对来自Embrapa种质库的114个西番莲基因型（涵盖39个物种和4个杂交种）进行了全面的形态学数据采集，共涉及74个描述符（56个定性，18个定量）。对于定性描述符，他们引入信息论中的香农熵(Shannon's entropy)来衡量每个描述符的信息含量，并设定阈值（≥1.0）来筛选高信息量的描述符。对于定量描述符，则采用了经典的主成分分析(PCA)，并结合皮尔逊相关性(Pearson's correlation)分析，以剔除对前两个主成分贡献低（≤6.0%）且彼此高度相关（≥0.70）的冗余变量。在获得精简的描述符集后，研究利用Gower距离计算基因型间的遗传距离，并采用UPGMA（非加权配对算术平均法） 进行聚类分析，通过共表型相关系数(cophenetic correlation coefficient, ccc) 评估聚类树的可靠性。最后，他们创新性地引入了机器学习中的随机森林(Random Forest, RF) 算法，这不仅用于验证聚类分组的准确性（通过Kappa指数和准确率），还能识别出对每个特定分组贡献最大的关键描述符变量。
基于全部56个定性描述符的聚类分析
使用Gower距离和UPGMA法对114个基因型进行聚类，形成了10个主要组群。其中，最大的组（Group 10，占25.44%）主要由商业物种P. edulis（西番莲）的基因型组成，而其他组则包含了P. cincinnata、P. alata等多种物种，表明研究材料具有广泛的表型多样性。
通过香农熵筛选定性描述符
根据香农熵值，从56个定性描述符中筛选出27个（QL-27，熵≥1.0）和40个（QL-40，熵>0.70）核心描述符。令人惊讶的是，无论是使用27个还是40个筛选后的描述符进行聚类，所产生的树状图结构与使用全部56个描述符的结果高度相似，共表型相关系数均保持在80%左右。这表明，超过一半（51.79%）的定性描述符可以被安全地剔除，而不会损失关键的分类信息。
基于定量描述符的聚类与PCA筛选
使用全部18个定量描述符进行聚类，将基因型分为9个组。随后，通过PCA分析发现，前两个主成分（PC1和PC2）累计解释了59.8%的总变异。结合相关性分析，研究人员剔除了7个（38.89%）对主成分贡献低且与其他性状高度相关的定量描述符，包括ANDL-QN（雌雄蕊柄长度）、SEW-QN（萼片宽度）等。使用筛选后的11个定量描述符（QN-11）重新聚类，其分组结构与使用全部18个描述符时基本一致，共表型相关系数仅从74.92%略微下降至73.11%，证明筛选是有效的。
遗传距离分布与联合分析
通过绘制Gower距离的密度图发现，在筛选掉冗余的描述符后，基因型间的平均遗传距离反而有所增加，说明精简后的描述符集能更好地区分基因型。当将筛选后的定性（QL-27）和定量（QN-11）描述符联合进行分析时，所形成的8个聚类组与使用完整描述符集（QL-56+QN-18）得到的结果高度一致。相关性分析进一步表明，在联合分析中，定性描述符比定量描述符对最终聚类结构的贡献更大（联合集与QL-27的相关系数为0.96，与QN-11的为0.68）。
随机森林验证与关键变量识别
为了验证聚类分组的可靠性并识别每个组内的关键区分变量，研究采用了随机森林(RF) 算法。建立的模型表现出色，总体准确率达到88%，Kappa系数为87%，表明模型预测与实际情况高度一致。通过分析模型的平均精度下降(Mean Decrease Accuracy, MDA) 值，研究成功鉴定出对区分不同组群最重要的描述符。例如，PEW-QN（花瓣宽度）、PCP（花瓣颜色模式）、SID（萼片内侧颜色）、LSH（叶片形状）、SEL-QN（萼片长度）和PEL-QN（花瓣长度）等变量被识别为最具影响力的预测因子。同时，RF分析也精确指出了每个特定聚类组内贡献最大的变量，例如在主要由P. edulis组成的G1组中，SID和PEL-QN是关键变量。
本研究成功地建立了一套高效、精简的西番莲种质资源形态学表征方案。通过系统性的筛选，最终将74个初始描述符精简为38个（27个定性和11个定量），淘汰率高达48.6%。这一“最小描述符集”在保留核心分类信息的前提下，显著降低了表征工作的人力、时间和经济成本。研究证实，基于香农熵的筛选、主成分分析与相关性分析相结合的方法是剔除冗余描述符的有效策略。更重要的是，引入的随机森林算法不仅以高精度（88%）验证了聚类结果的可靠性，还智能化地识别出驱动每个类群分化的关键形态特征，为育种家进行亲本选择和性状定向改良提供了精准的“路线图”。这项工作超越了传统的描述性研究，为大型种质资源库的管理和利用提供了可复制的分析框架。所确定的精简描述符列表及其筛选方法论，可直接应用于西番莲乃至其他作物的种质资源评价实践，加速优异基因型的发掘与利用，最终推动西番莲遗传改良和产业发展的进程。
