Regression approaches for modelling genotype-environment interaction and making predictions into unseen environments

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "نهج الانحدار لنمذجة التفاعل بين الطراز الجيني والبيئة وإجراء التنبؤات في البيئات غير المرئية."

1. بيان المشكلة

في مجال تربية النباتات واختبار الأصناف، يعد التنبؤ بأداء الطرز الجينية في المجتمعات المستهدفة من البيئات (TPE) — وتحديداً المواقع الجديدة والسنوات المستقبلية — تحدياً حرجاً. غالباً ما تعامل نماذج تجارب البيئات المتعددة (MET) التقليدية البيئات كآثار عشوائية دون نمذجة صريحة للمحركات البيئية الكامنة.

• الفجوة: بينما يعد استخدام المتغيرات المصاحبة البيئية (EC) لتفسير التفاعل بين الطراز الجيني والبيئة (G×E) أمراً شائعاً، فإن معظم طرق التحقق الحالية (مثل التحقق المتقاطع بترك بيئة واحدة خارج النموذج) تفترض أن قيم المتغيرات المصاحبة البيئية (EC) للبيئة "غير المرئية" معروفة. وفي الواقع، بالنسبة للسنوات المستقبلية أو المزارع الجديدة، تكون قيم الـ EC الدقيقة غير معروفة؛ حيث تتوفر فقط المتوسطات طويلة الأمد أو التوزيعات.
• الحاجة: هناك نقص في وجود إطار عمل موحد:
  1. يربط بين طرق الانحدار المتباينة (الانحدار العاملي، نهج النواة، وانحدار الرتبة المنخفضة) تحت إطار تنبؤي مشترك قائم على النموذج.
  2. يوفر طرقاً صارمة لتقدير عدم اليقين في التنبؤ عندما تكون قيم الـ EC بحاجة إلى تقدير أو تكون غير معروفة (أي عند مراعاة تباين المتغيرات المصاحبة نفسها).

2. المنهجية

أ. الإطار النظري

يقترح المؤلفون إطار عمل موحداً لـ النموذج الخطي المختلط (LMM) حيث تُعامل البيئات كعوامل عشوائية. يوسع النموذج الجوهري نهج الانحدار العاملي (FR):
$$y_{ij} = \eta_{ij} + u_j + e_{ij}$$
حيث تمثل $\eta_{ij}$ الاستجابة المتوقعة للطراز الجيني $i$ في البيئة $j$، والتي تُنمذج كدالة انحدار على المتغيرات المصاحبة البيئية ($x_{jk}$).

• نمذجة الطراز الجيني: تُنمذج الطرز الجينية كعوامل عشوائية ذات تقاطعات خاصة بكل طراز جيني ($\alpha_i$) وميول ($\gamma_{ik}$).
• هياكل التباين والتباين المشترك: تقارن الورقة بين أربعة تطبيقات محددة بناءً على كيفية هيكلة مصفوفة التباين والتباين المشترك ($\Sigma$) للميول العشوائية:
  1. الانحدار العاملي العشوائي (RFR): مصفوفة $\Sigma$ غير مهيكلة (الأكثر مرونة، مع عدد كبير من المعلمات).
  2. نهج نواة البيئة (Environmental Kernel Approach): يفترض مصفوفة $\Sigma$ قطرية (انحدار ريج في المتغيرات المصاحبة البيئية)، مما يؤدي إلى مصفوفة نواة $K_E = XX^T$.
  3. انحدار الرتبة المنخفضة (RRR): يقرب $\Sigma$ باستخدام هيكل تحليلي عاملي ذي رتبة منخفضة ($\Sigma = \Lambda\Lambda^T$). وهذا ينشئ متغيرات مصاحبة اصطناعية (SC).
  4. نهج فينلاي-ويلكينسونون الممتد (Extended Finley-Wilkinson): نهج ذو مرحلتين حيث يتم اشتقاق المتغيرات المصاحبة الاصطناعية أولاً، ثم تُستخدم في انحدار مع تأثيرات الطراز الجيني الثابتة.

ب. سيناريوهات التنبؤ وتقدير عدم اليقين

المساهمة الرئيسية هي تعريف أربعة سيناريوهات تنبؤية متميزة بناءً على توفر بيانات الـ EC:

1. الحالة 1: المتوسط طويل الأمد في الـ TPE (متوسط معروف، لا يوجد تباين في الـ EC).
2. الحالة 2: سنة جديدة عند متوسط الـ TPE (تباين الـ EC ناتج عن تأثيرات السنة).
3. الحالة 3: متوسط طويل الأمد عند موقع جديد (متوسط الموقع معروف، لا يوجد تباين في الـ EC).
4. الحالة 4: سنة جديدة عند موقع جديد (قيم الـ EC المستقبلية غير معروفة؛ تتطلب مكونات تباين الـ EC).

النهج الجديد لتباين التنبؤ:
اشتق المؤلفون مُقدِّراً جديداً لإجمالي تباين التنبؤ ($\vartheta_i$)، والذي يأخذ في الاعتبار:

1. خطأ التقدير: عدم اليقين في تقدير معاملات الانحدار ($\hat{\gamma}$) ومتوسطات المتغيرات المصاحبة ($\hat{\xi}$).
2. عدم يقين المتغيرات المصاحبة: تباين الـ EC نفسه ($\sigma_x^2$) عند التنبؤ في سنة/موقع مستقبلي.
3. الانحراف المتبقي: تباين الانحرافات عن خط الانحدار (G$\times$L، G$\times$Y، G$\times$L$\times$Y).

تُستخدم صيغة تباين حاصل ضرب المتغيرات العشوائية لتصحيح التحيز في المقدرات البدائية (plug-in estimators):
$$est. var(\hat{\gamma}\hat{\xi}) = \hat{\gamma}^2 var(\hat{\xi}) + \hat{\xi}^2 var(\hat{\gamma}) - var(\hat{\gamma})var(\hat{\xi})$$

ج. البيانات والتنفيذ

• مجموعة البيانات: تجارب أصناف الأرز طويلة الأمد من معهد بحوث الأرز في بنغلاديش (BRRI)، تغطي الفترة من 2001 إلى 2022. مجموعتان من البيانات: الأرز الشتوي المروي وأرز الصيف المطرى.
• المتغيرات المصاحبة: 8 متغيرات جوية (درجة الحرارة، الهطول، الإشعاع) مجمعة حسب موسم النمو من قاعدة بيانات AgERA5.
• البرمجيات: تم ضبط النماذج باستخدام ASReml-R 4.2.
• التحقق:
  • LOEO (ترك بيئة واحدة خارج النموذج): يستخدم قيم الـ EC المرصودة (سيناريو متفائل).
  • LYLO (ترك سنة وموقع واحد خارج النموذج): يستخدم متوسطات الـ EC طويلة الأمد للموقع/السنة المتروك خارج النموذج (سيناريو واقعي/غير مرئي).

3. المساهمات الرئيسية

1. توحيد الطرق: يثبت أن طرق RFR ونهج النواة وRRR ونهج فينلاي-ويلكينسون الموسع مرتبطة رياضياً ضمن إطار LMM واحد، وتختلف أساساً في افتراضات التباين والتباين المشترك الخاصة بها.
2. إطار تنبؤ واقعي: يتجاوز معايير التحقق المتقاطع القياسية من خلال نمذجة عدم اليقين في الظروف البيئية المستقبلية (الحالة 4) بشكل صريح، بدلاً من افتراض معرفة المتغيرات المصاحبة.
3. مُقدِّر تباين جديد: يقدم طريقة مصححة للتحيز لتقدير إجمالي تباين التنبؤ، بما يشمل عدم اليقين في المتغيرات البيئية المصاحبة نفسها. وهذا يسمح للمربين بقياس فترات الثقة للتوصيات في البيئات غير المرئية.
4. المتغيرات المصاحبة الاصطناعية: يتحقق من استخدام انحدار الرتبة المنخفضة (RRR) لاشتقاق متغيرات مصاحبة اصطناعية، والتي غالباً ما توفر بديلاً موجزاً وقوياً لاستخدام بيانات الطقس عالية الأبعاد.

4. النتائج

• ملائمة النموذج:

  • النماذج التي تتضمن المتغيرات المصاحبة البيئية (ECs) قللت عموماً من مكونات تباين البواقي لـ G$\times$L و G$\times$Y مقارنة بالنموذج الأساسي (بدون ECs).
  • حقق كل من RRR2 (الرتبة 2) و FW1-US (متغير مصاحب اصطناعي واحد) أدنى قيم لمعيار أكايكي (AIC)، مما حقق التوازن بين الملائمة والتعقيد.
  • "تأثير الـ EC الرئيسي" (الميل الثابت) لم يحسن AIC بشكل ملحوظ في جميع الحالات، ولكنه كان ضرورياً للتنبؤات غير المنحازة في البيئات غير المرئية.

• الأداء التنبؤي (التحقق المتقاطع):

  • سيناريو LOEO: تفوقت نماذج الـ EC قليلاً على النموذج الأساسي، لكن الفروقات كانت هامشية.
  • سيناريو LYLO (البيئات غير المرئية): وفر إدراج الـ ECs تحسينات أكثر اتساقاً. ومن الملاحظ أن النماذج ذات تأثير الـ EC الرئيسي أدت بشكل أفضل في سيناريو LYLO، مما يؤكد أن نمذجة المتوسط ضروري عندما تكون قيم الـ EC المستقبلية غير معروفة.
  • الأرز الشتوي مقابل الصيفي: أظهر الأرز الصيفي (المطري) فوائد أوضح لنمذجة الـ EC. بينما أظهر الأرز الشتوي (المروي) روابط أضعف بين متغيرات الطقس والإنتاجية، ربما بسبب دور الري في تخفيف حدة الإجهاد البيئي.

• تقدير التباين:

  • اقترب التباين التنبؤي القائم على النموذج (MVP) بشكل وثيق من متوسط خطأ التنبؤ التربيعي (MSPE) من التحقق المتقاطع.
  • نجح مُقدِّر التباين الجديد في رصد زيادة عدم اليقين المرتبط بالتنبؤ في سنوات/مواقع جديدة (الحالة 4)، حيث يساهم تباين المتغيرات المصاحبة بشكل كبير في إجمالي الخطأ.

5. الأهمية والآثار المترتبة

• لمربي النباتات: يوفر هذا العمل طريقة صارمة إحصائياً لقياس المخاطر المرتبطة بالتوصية بصنف معين لموقع جديد أو موسم مستقبلي. إنه يتجاوز مجرد التقديرات النقطية ليوفر فترات ثقة تأخذ في الاعتبار عدم اليقين الجوي.
• التقدم المنهجي: من خلال ربط تقنيات الانحدار المتباينة، توضح الورقة المقايضات بين تعقيد النموذج (RFR) والتبسيط (Kernel/RRR). وتقترح أن انحدار الرتبة المنخفضة (RRR) أو نهج فينلاي-ويلكينسون الموسع مع المتغيرات المصاحبة الاصطناعية غالباً ما يقدم أفضل توازن بين الدقة والاستقرار.
• متطلبات البيانات: تسلط الدراسة الضوء على أنه بينما تحسن الـ ECs التنبؤات، فإن جودة البيانات أمر بالغ الأهمية. تشير المكاسب المتواضعة في مجموعة بيانات الأرز الشتوي المروي إلى أن بيانات الطقس الخشنة قد لا تلتقط الفروق الدقيقة للمناخ المحلي (مثل إدارة الري) الضرورية لبعض المحاصيل.
• الاتجاهات المستقبلية: الإطار قابل للتوسع ليشمل البيانات الجينومية (عبر مصفوفات القرابة) والحدود غير الخطية. ويدعو المؤلفون إلى توفير "راسترات التباين" (variance rasters) للمتغيرات البيئية لزيادة دقة تقديرات عدم اليقين.

باختصار، تضع هذه الورقة أساساً قوياً قائماً على النماذج لعلوم البيئة (enviromics)، مما يمكن المربين من اتخاذ قرارات أكثر استنارة وإدراكاً للمخاطر عند نشر الأصناف في بيئات غير مختبرة.