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

Dit artikel bespreekt diverse regressiebenaderingen voor het modelleren van genotype-omgevingsinteractie en het voorspellen van prestaties in nieuwe omgevingen, waarbij wordt aangetoond dat deze methoden binnen een gemeenschappelijk lineair gemengd modelkader vallen en wordt ingegaan op het beoordelen van de onzekerheid van deze voorspellingen aan de hand van rijstproefdata uit Bangladesh.

De kern

Stel je voor dat je een boer bent die een nieuw rijstsoort wil kweken. Je hebt een heleboel proeven gedaan in verschillende velden, in verschillende jaren, met verschillende weersomstandigheden. Nu wil je weten: "Welke rijstsoort zal het beste presteren op mijn boerderij, volgend jaar?"

Het probleem is dat je het weer van volgend jaar nog niet kent. En elke rijstsoort reageert anders op hitte, regen of droogte. Soms is een soort geweldig in een nat jaar, maar slecht in een droog jaar. Dit noemen we de interactie tussen genotype (de plant) en omgeving (het weer).

Deze paper is als een kookboek voor slimme voorspellingen. De auteurs (onderzoekers uit Duitsland en Bangladesh) hebben gekeken naar verschillende wiskundige manieren om te voorspellen hoe planten zich gaan gedragen in een omgeving die we nog niet hebben gezien.

Hier is de uitleg, vertaald naar alledaags taalgebruik:

1. De oude manier vs. de nieuwe manier

Vroeger keken boeren alleen naar het gemiddelde resultaat van de afgelopen jaren. Dat is alsof je zegt: "Deze rijstsoort gaf gemiddeld 5 ton per hectare." Maar dat zegt niets over wat er gebeurt als het volgend jaar extreem droog is.

De auteurs gebruiken omgevingsgegevens (zoals temperatuur, regenval, etc.) als "ingrediënten" in hun recept. Ze bouwen een model dat zegt: "Als het 2 graden warmer is dan normaal, geeft deze specifieke rijstsoort 10% meer opbrengst."

2. De verschillende "Recepten" (Modellen)

De paper vergelijkt verschillende wiskundige methoden om dit te doen. Ze noemen ze met ingewikkelde namen, maar we kunnen ze zien als verschillende manieren om de relatie tussen plant en weer te begrijpen:

• De simpele lijn (Finlay-Wilkinson): Dit is als een rechte lijn trekken. "Hoe meer regen, hoe meer rijst." Maar in de echte wereld is het vaak niet zo rechttoe-rechtaan.
• De "Kern"-methode (Kernel): Dit is alsof je kijkt naar de "smaak" van het weer. Als het weer van dit jaar lijkt op het weer van 2010, dan gedraagt de plant zich waarschijnlijk ook zo. Het is een slimme manier om gelijkenissen te vinden zonder alle details te hoeven begrijpen.
• De "Samengeperste" methode (RRR): Soms heb je te veel weergegevens (te veel ingrediënten). Deze methode pakt de belangrijkste "smaakmakers" (bijvoorbeeld: totale regen en gemiddelde temperatuur) en negeert de rest. Het is efficiënter en minder vatbaar voor fouten.
• De "Synthetische" methode (FW-US): Dit is de nieuwste truc. In plaats van te kijken naar elke individuele regenbui, maken ze een "samengesteld weerbeeld". Stel je voor dat je 10 verschillende weersvariabelen samenvoegt tot één "Weer-Index". Dit werkt vaak het beste omdat het ruis (toeval) filtert.

3. Het grootste probleem: De "Onbekende Toekomst"

Dit is het meest interessante deel van de paper.
Stel, je wilt voorspellen wat er gebeurt in volgend jaar. Je hebt de weergegevens van volgend jaar nog niet!

• De optimistische fout: Veel onderzoekers doen alsof ze het weer van volgend jaar al weten. Ze gebruiken de echte waarden om hun model te testen. Dat is alsof je een examen doet met de antwoorden erbij. Het werkt goed, maar is niet eerlijk voor de echte boer.
• De realistische aanpak: De auteurs zeggen: "Nee, we moeten doen alsof we het weer nog niet weten." We gebruiken alleen de gemiddelde weergegevens van de afgelopen 20 jaar voor die specifieke locatie.

4. De "Onzekerheidsmeter" (Het nieuwe idee)

Dit is waar de paper echt briljant is. Ze zeggen niet alleen: "Deze rijstsoort geeft 5 ton." Ze zeggen ook: "En we zijn 80% zeker dat het tussen 4 en 6 ton ligt."

Ze hebben een nieuwe manier bedacht om die onzekerheid te berekenen.

• Analogie: Stel je voor dat je een weersvoorspelling doet. Als je zegt "Morgen is het 20 graden", is dat een voorspelling. Maar als je zegt "Morgen is het 20 graden, met een onzekerheid van +/- 5 graden omdat we het weer van morgen nog niet kennen", is dat veel waardevoller.
• De paper laat zien hoe je die "plus of min" berekent, rekening houdend met:
  1. Hoe goed het model de plant kent.
  2. Hoe goed het model het weer kent.
  3. Hoeveel variatie er is in het weer (kan het volgend jaar heel anders zijn dan gemiddeld?).

5. Wat hebben ze gevonden? (De conclusie)

Ze hebben dit getest op rijstproeven in Bangladesh.

• Resultaat: Het gebruik van weergegevens helpt echt! De voorspellingen zijn beter dan zonder.
• De winnaar: De methode met de "samengestelde weersindex" (FW1-US) en de "Kern-methode" deden het het beste. Ze waren niet te ingewikkeld, maar wel accuraat.
• De les: Als je een boer wilt adviseren, moet je niet alleen kijken naar het gemiddelde. Je moet kijken naar hoe de plant reageert op het weer, en je moet eerlijk zeggen hoe groot de kans is dat het misgaat als het weer anders is dan verwacht.

Samenvattend in één zin:

Deze paper leert ons hoe we slimme, wiskundige recepten kunnen gebruiken om te voorspellen welke plantensoort het beste doet in een onbekend toekomstjaar, en geeft ons een "onzekerheidsmeter" zodat we weten hoe betrouwbaar die voorspelling is.

Het is een stap in de richting van slimmere landbouw, waar data en wiskunde boeren helpen om de juiste keuzes te maken, zelfs als ze de toekomst niet kunnen zien.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Regression approaches for modelling genotype-environment interaction and making predictions into unseen environments" in het Nederlands.

Probleemstelling

In plantenveredeling en variëteitstesten is er een groeiende interesse in het gebruik van omgevingsinformatie (envirotyping) om de prestaties van variëteiten in nieuwe, onbekende omgevingen te voorspellen. Bestaande methoden voor het modelleren van genotype-omgeving interactie (GxE) zijn vaak versnipperd en worden als distinct beschouwd, hoewel ze onderliggende theoretische overeenkomsten hebben. Een groot praktisch probleem is het voorspellen van opbrengsten in toekomstige jaren of nieuwe locaties waar de exacte omgevingscovariaten (zoals weergegevens) nog niet bekend zijn. Traditionele validatiemethoden, zoals "leave-one-environment-out" cross-validatie, gebruiken vaak de waargenomen covariaten van de uitgelaten omgeving, wat een te optimistisch beeld geeft van de voorspellende kracht in echte scenario's waar deze data ontbreekt. Daarnaast is er een gebrek aan robuuste methoden om de onzekerheid van deze voorspellingen (voorspellingsvariantie) nauwkeurig te kwantificeren, vooral wanneer de omgevingswaarden zelf geschat moeten worden.

Methodologie

De auteurs presenteren een unificerend raamwerk op basis van lineaire gemengde modellen (LMM) dat diverse regressiebenaderingen voor GxE met elkaar verbindt.

1. Model Raamwerk:

   • Het uitgangspunt is de Factoriële Regressie (FR), waarbij het responsverwachte voor een genotype een lineaire functie is van omgevingscovariaten (EC).
   • Genotypen worden gemodelleerd als willekeurige factoren, wat leidt tot drie hoofdvarianten afhankelijk van de variantie-covariantiestructuur:
     • Random Factorial Regression (RFR): Gebruikt een ongestructureerde variantie-covariantiematrix voor de regressiecoëfficiënten.
     • Environmental Kernel Approach: Gebruikt een kernelmatrix afgeleid van de covariaten (vergelijkbaar met ridge-regressie), wat een parsimonieuzer model is.
     • Reduced Rank Regression (RRR): Benadert de ongestructureerde matrix met een lagere rang (factor-analytische structuur), wat leidt tot synthetische covariaten.
   • De auteurs verbinden RRR ook met een uitgebreide versie van de Finlay-Wilkinson-regressie, waarbij synthetische covariaten worden gebruikt om de interactie te modelleren.

2. Voorspellingsscenario's en Onzekerheid:

   • Het artikel onderscheidt vier specifieke scenario's voor voorspelling in nieuwe omgevingen (bijv. nieuwe locatie, nieuw jaar, of beide), variërend van het voorspellen van een langetermijngemiddelde tot een specifiek toekomstig jaar op een nieuwe locatie.
   • Cruciaal is de ontwikkeling van een nieuwe methode om de voorspellingsvariantie te schatten. De auteurs tonen aan dat de naïeve schatter voor de variantie van een product van twee geschatte grootheden (regressieslope $\times$ covariatenwaarde) vertekend is. Ze stellen een correctie voor die rekening houdt met de onzekerheid in zowel de regressiecoëfficiënten als de covariaten zelf (vooral belangrijk bij onbekende toekomstige weersomstandigheden).
   • De totale voorspellingsvariantie wordt opgebouwd uit:
     1. Variantie door het schatten van de regressieparameters.
     2. Variantie door de onzekerheid in de toekomstige covariatenwaarde.
     3. Variantie door de afwijkingen van de regressie (residuen), opgesplitst in locatie-, jaar- en interactie-effecten.

3. Validatie en Data:

   • De methoden werden getest op twee lange-termijn rijstproefdatasets uit Bangladesh (winter- en zomerrijst) van het Bangladesh Rice Research Institute (BRRI).
   • Er werden twee cross-validatie (CV) scenario's gebruikt:
     • LOEO (Leave-One-Environment-Out): Gebruikt waargenomen covariaten (optimistisch).
     • LYLO (Leave-One-Year-and-Location-Out): Simuleert een echt onbekende omgeving door het gebruik van langetermijngemiddelden voor de covariaten in de uitgelaten locatie/jaar (realistischer).

Belangrijkste Bijdragen

• Theoretische Unificatie: Het artikel toont aan dat methoden zoals RFR, Kernel-benaderingen, RRR en uitgebreide Finlay-Wilkinson-regressie dicht bij elkaar liggen en binnen één gemeenschappelijk modelraamwerk vallen.
• Nieuwe Schatter voor Voorspellingsvariantie: De auteurs introduceren een nieuwe, onbevooroordeelde schatter voor de variantie van voorspellingen in nieuwe omgevingen. Deze methode corrigeert voor de bias die optreedt wanneer zowel regressiecoëfficiënten als toekomstige omgevingswaarden geschat moeten worden.
• Realistische Validatie: Door de LYLO-scenario's te benadrukken, wordt een meer realistisch beeld gegeven van de prestaties van modellen wanneer exacte toekomstige omgevingsdata ontbreken, in tegenstelling tot de gangbare LOEO-methoden.
• Synthetische Covariaten: Het gebruik van synthetische covariaten (via RRR of FW-US) blijkt effectief om de complexiteit te beheersen en de voorspellingsnauwkeurigheid te behouden zonder overfitting.

Resultaten

• Modelprestaties: Over het algemeen presteerden modellen met omgevingscovariaten beter dan het baseline-model (zonder GxE-interactie op basis van covariaten), zowel in LOEO als in LYLO scenario's.
• Beste Modellen: De FW1-US (uitgebreide Finlay-Wilkinson met één synthetische covariaten) en het Environmental Kernel model bleken veelbelovend door een goede balans tussen voorspellingsnauwkeurigheid en modelparsimonie (weinig parameters).
• Variantiecomponenten: Het toevoegen van covariaten leidde tot een significante reductie in de variantiecomponenten voor genotype-locatie ($\alpha L$) en genotype-jaar ($\alpha Y$) interacties, wat aangeeft dat de covariaten een deel van deze variatie verklaren.
• Voorspellingsvariantie: De modelgebaseerde schattingen van de voorspellingsvariantie (MVP en VPD) correleerden goed met de resultaten van de cross-validatie (MSPE en MSEPD), maar gaven een meer gestructureerd beeld van de onzekerheid.
• Datasetverschillen: De resultaten waren consistent voor zowel winter- als zomerrijst, hoewel de verbetering bij winterrijst (geïrrigeerd) minder uitgesproken was, waarschijnlijk door de minder directe link tussen externe weersdata en de gecontroleerde omstandigheden van irrigatie.

Betekenis en Conclusie

De studie benadrukt dat het integreren van omgevingsinformatie via regressiemodellen de voorspelling van genotypen in nieuwe omgevingen kan verbeteren, zelfs wanneer de exacte toekomstige omgevingswaarden onbekend zijn. De belangrijkste praktische implicatie is de beschikbaarheid van een robuust raamwerk om de onzekerheid van deze voorspellingen te kwantificeren. Dit stelt veredelaars in staat om beter geïnformeerde beslissingen te nemen over variëteitsaanbevelingen.

De auteurs concluderen dat hoewel de huidige verbeteringen gematigd zijn (mogelijk door beperkte resolutie van weergegevens of irrigatie-effecten), de linear gemengde modellen een sterke, interpreteerbare basis vormen. Toekomstig onderzoek zou zich moeten richten op het gebruik van hogere resolutie omgevingsdata, het opnemen van niet-lineariteiten en het integreren van genomische informatie om de voorspellende kracht verder te vergroten. De gepresenteerde methode voor variantieschatting is een cruciale stap naar realistische risicobeoordeling in de veredeling.