Advanced Science | 代谢组学遇上机器学习，buff叠满助力互花米草耐盐机制的探索

         2025年4月，中国农业科学院作物科学研究所李慧慧团队在期刊《Advanced Science》上发表题为“Unveiling Salt Tolerance Mechanisms in Plants: Integrating the KANMB Machine Learning Model With Metabolomic and Transcriptomic Analysis”的研究成果。该研究开发了一种专为鉴定代谢生物标志物设计的ML模型KANMB，通过将KANMB应用于互花米草这种盐生植物在不同盐浓度下生成的大规模转录组和代谢组数据集，成功鉴定了关键代谢生物标志物，为互花米草的耐盐机制提供了新见解。

        盐胁迫对谷类作物的生产力构成了重大威胁，尤其是在盐分水平较高的沿海农业地区。应对这一挑战需要创新方法来挖掘支持耐盐作物分子育种的遗传资源。在本研究中，引入了一种新型机器学习模型KANMB，旨在分析天然盐生植物互花米草在不同NaCl浓度下的整合多组学数据。利用KANMB，基于代谢组学和转录组学图谱，鉴定出226个与盐胁迫响应显著相关的代谢生物标志物。这些生物标志物与耐盐相关的代谢通路相关，为深入了解潜在的生化机制提供了见解。共表达分析进一步强调，MYB基因SaMYB35是盐胁迫下类黄酮生物合成通路中的关键调控因子。在高盐条件下生长的水稻（ZH11）中过表达SaMYB35时，与野生型植株相比，其触发了类黄酮生物合成关键基因的上调，提高了类黄酮含量，并增强了耐盐性。本研究的发现为耐盐谷类品种的育种提供了有价值的遗传工具包，并展示了机器学习在加速非模式植物物种抗逆性生物标志物发现方面的强大能力。

图1 KANMB和DL框架概述。输入数据包含代谢物的相对定量值，这些被用作输入数据模块

图2 盐胁迫对交替花藻生长及离子含量的影响

图3 代谢组和转录组数据集的总结

图4 盐胁迫下S. alterniflora主要代谢物动态代谢与基因表达模式的关系

图5 通过KANMB模块识别的代谢生物标志物对应的差异表达基因的功能富集分析

图6 S. alterniflora中黄酮类化合物合成途径基因的调控

        总之，本研究引入了KANMB，这是一种专为在多组学数据中识别盐响应生物标志物而设计的新型机器学习方法。通过将KANMB应用于盐生植物互花米草在不同盐分条件下的转录组和代谢组数据集，作者发现了关键的代谢生物标志物，包括参与类黄酮生物合成的标志物，这些标志物对耐盐性至关重要。在高盐条件下，水稻中关键调控因子SaMYB35的过表达增强了类黄酮的产生和耐盐性。本研究为培育耐盐作物提供了一个遗传工具包，展示了机器学习在生物标志物发现和抗逆性研究中的强大能力，这对在盐渍环境中维持农业生产力至关重要。