Comparative Evaluation of AMMI, GGE, GYT, and Bayesian Models for Risk-Based Selection of Forage Sorghum in multi-environmental trials

想象一下你是一位正试图为一种新型汤品创造完美配方的厨师。你的储藏室里堆满了各种不同的食材（这些就是“基因型”），但你也知道，汤的味道会根据烹饪地点而不同。也许你厨房里的水质很硬，或者炉灶火力过旺，又或者空气中的湿度会改变蔬菜的烹饪状态。在农业领域，这被称为 基因型 × 环境交互作用 (Genotype × Environment Interaction)。这是在用一种高级的方式表达：一种在某个农场表现如冠军般的植物，可能会在另一个农场表现挣扎，仅仅是因为天气、土壤或季节不同。

农民和育种家想要寻找那些“超级食材”——不仅产量高（产出大量食物），而且还要具有稳定性。稳定的植物就像一位可靠的朋友，无论是在晴天、雨天还是刮风天，都能如约出现并出色完成工作。长期以来，科学家们一直使用数学方法来确定哪些植物是最可靠的。他们使用的工具看起来像是计算平均表现，有点像计算学生的平均绩点（GPA）。但平均值可能会误导人。一个一周拿 A、下一周拿 F 的学生，与一个每周都拿 B 的学生，其平均分可能是一样的。第二个学生更稳定，但“平均值”的数学逻辑并不总能体现这一点。

最近，一种新的数学方法——贝叶斯统计 (Bayesian statistics) 进入了厨房。这种方法不再仅仅给你一个单一的数字（比如一个成绩），而是给你一个概率。这就像是在问：“这个植物在任何随机的未来季节里都能成为明星选手的概率是多少？”这种方法不仅告诉你是谁的平均水平最高，还告诉了你谁才是最稳妥的赌注。对于像 forage sorghum（饲用高粱）这样的作物来说，这一点至关重要，因为这种草是用来喂养牛群和其他牲畜的。如果农民选错了植物导致失败，动物们就会挨饿。因此，寻找既高产又可靠的植物是一场高风险的游戏。

---

伟大的植物大对决：谁能赢得“最可靠”奖杯？

在这项研究中，一组科学家决定举办一场大规模锦标赛，看看哪些饲用高粱植物能够经受住考验。他们收集了 30 种不同类型 的高粱（可以把它们想象成 30 支不同的运动员队伍），并将它们置于严苛的环境中进行测试。他们不仅仅是在一个地方进行测试；他们是在印度 五个不同的环境 中进行的，这些环境跨越了从阿萨姆邦（Assam）潮湿多雨的季节到海德拉巴（Hyderabad）干燥炎热的条件。这些测试在 2020 年和 2021 年的不同季节（冬季、夏季和季风季节）进行。

目标很简单：测量每株植物产生的绿色饲料（用于动物的叶片食物）的量。但真正的挑战在于弄清楚哪些植物是能够在上述五个环境中应对自如而不崩溃的“冠军”。

旧学派 vs. 新学派

为了解决这个谜题，研究人员使用了两组不同的侦探。

第一组：经典侦探 (AMMI, GGE, 和 GYT)
这些是几十年来科学家一直在使用的传统方法。它们分析数据并绘制出被称为 双图 (biplots) 的彩色地图。想象一下这些地图就像雷达屏幕，植物是点，环境是箭头。

• AMMI 观察植物的表现随天气变化而产生波动的程度。
• GGE 试图寻找“理想”的环境，并观察哪些植物最接近这个理想状态。
• GYT 则更为复杂；它不仅观察植物产出多少食物，还会检查植物是否具备其他优良性状（如粗壮的茎或茂密的叶片），以及这些性状是否有助于提高产量。

第二组：概率巫师 (Bayesian Models)
这一组使用了一种不同的方法。他们不再只是说“植物 A 比植物 B 好”，而是询问：“植物 A 击败植物 B 的概率是多少？”他们利用计算机运行数千次模拟，为每株植物创建一个可能的结局“云团”。这给了他们一个风险评分。它不仅告诉他们谁是最好的，还告诉了他们谁才是最安全的赌注。

结果：谁是超级巨星？

在处理完数据后，两组侦探都指向了相同的几株植物，这充分说明结果是可靠的。

明显的赢家，即那株脱颖而出、既稳定又高产的植物是 G24 (348B)。

• 经典侦探们说：“G24 是最稳定且高产的。它在几乎所有环境下表现都非常出色。”
• 概率巫师们说：“我们非常有信心（概率约为 96%），G24 是顶尖表现者，而且它也有很高的稳定性概率。”

其他进入“精英名单”的植物包括 G30 (SSG-59-3)、G26 (314B) 和 G19 (327B)。这些植物在各个方面都表现得始终如一。

然而，研究发现关于一株名为 G21 (CSV32F) 的植物有一个非常有趣的现象。

• 如果你只看平均产量，G21 看起来就像个超级巨星，足以与 G24 媲美，对吧？
• 但 概率巫师们 揭示了一个秘密：G21 是一个“高风险”选手。它有很大的机会表现卓越，但也面临着因季节不同而表现糟糕的高风险。它的“稳定性概率”非常低（仅为 0.08 左右）。
• 教训是： 仅仅拥有高平均分并不意味着你是一个稳妥的赌注。G21 就像是一个在复习充分的考试中拿了 A，但在没复习的考试中不及格的学生。相比之下，G24 则是那个每次都能稳拿 A- 的学生。

“风险图”

研究人员创建了一张特殊的地图（四象限风险图）来进行可视化展示。

• 右上象限（精英层）： 既高产又稳定的植物。G24 就坐落在那里。
• 左上象限（冒险赌徒）： 可能成为大赢家，但也可能成为彻底的输家。G21 就在这里。
• 右下象限（稳健但规模小）： 虽然安全，但产量不高。
• 左下象限（失败者）： 既不安全也不高产。

关于环境的情况如何？

研究还确定了哪些测试地点是最好的评判者。

• E1, E2, 和 E3 被认为是“理想”的测试环境。它们能够识别出优秀的植物，并且具有现实世界的代表性。
• 研究还发现，该地区可以被划分为两个“大环境 (mega-environments)”。这意味着虽然有些植物在任何地方都很棒，但有些则是“专家型”植物。例如，G3 在两个特定的环境中表现最佳，但在其他环境中并非如此。这告诉农民，如果他们处于某种特定类型的气候中，他们可能需要选择专家型植物而非全能型植物。

“秘方”性状

研究人员还观察了是什么让获胜的植物如此优秀。他们发现，具有较粗茎部 (SGT)、较宽叶片 (LFW) 以及较高的叶面积指数 (LAI)（这基本上意味着更多的叶片表面来捕捉阳光）的植物往往能产生更多的饲料。事实证明，如果你想要大量的绿色饲料，你需要一株能够构建起庞大且强健的“太阳能电池板”系统的植物。

总结

这项研究不仅找到了几株好植物，它还证明了同时使用旧学派数学和新学派概率数学可以获得最佳结果。旧方法提供了关于“谁”表现良好的清晰图像，而新方法则提供了关于“选择它是多么冒险”的清晰图像。

最终结论是：G24 (348B) 是值得关注的植物。它是那种在不同气候下（包括像阿萨姆邦这样非传统的种植区）都能让农民信赖的、高产且可靠的冠军。G30, G26, 和 G19 也是强有力的竞争者。但如果你选择 G21，你最好做好博弈的准备。

通过结合这两种看待数据的方式，科学家们为育种家提供了一个强大的新工具，以应对天气变得越来越难以预测的未来。这不仅仅是为了寻找最大的植物，更是为了寻找那一株在风暴来袭时不会让你失望的植物。