基因組育種是僅根據DNA篩選數千名候選者進行田間試驗的過程，可以節省開發新植物品種所需的時間和資源，例如在乾旱條件下生長得更好。基因組育種的一個重要部分涉及基因組預測，以利用DNA來估計植物的產量。

　　巴西阿肯色大學研究團隊主要使用機器學習（ML）技術，特別是基於梯度提升技術（GBM）的LightGBM框架，來進行基因型與環境互動的預測。研究中引入了環境數據和基因數據的特徵工程，以提高預測準確性。使用來自「基因組到田野」計畫的多環境試驗數據，涵蓋2019至2021年間的玉米雜交品種在72個環境中的表現。環境數據包括氣候、土壤等變量，並由Spectrum WatchDog 2700氣象站收集。

　　研究發現G+E模型在預測準確性上優於GEI模型，且在計算資源和時間上更具優勢，在包含環境數據的情況下，機器學習模型的平均預測準確性比傳統的因子分析乘法混合模型提高了7%。通過特徵工程可以有效地將環境數據整合入基因組預測模型中，並且不需要明確地將互動項納入模型中，即可考慮基因型與環境之間的互動。

　　此項研究發表在2024年7月《Applied Genetics》期刊，此項研究貢獻在於為作物育種領域提供了一種新的預測工具，能夠有效結合環境特徵與基因數據，提升作物產量預測的準確性。這一成果不僅有助於節省資源，還能加速新作物品種的開發過程。隨著對環境數據和基因數據結合的研究日益增加，該研究為未來的農業科學研究奠定了基礎。

【延伸閱讀】- 利用空拍AI分析影像技術預測甜玉米最佳收穫時間