航天诱变种质资源基因型表型关联变异位点识别方法与流程

本发明公开一种航天诱变种质资源基因型表型关联变异位点识别方法，属于生物信息学。

背景技术：

1、在航天诱变育种研究中，通过空间环境中的高能粒子辐射、微重力等诱变因素处理作物种质，可引发基因组范围内的随机变异，从中筛选出与优良表型相关联的有利变异位点是育种工作的核心环节。目前，基因型-表型关联分析通常依赖于实验室条件下的静态基因组测序数据和有限的田间表型观测记录，采用常规的统计关联分析方法进行位点筛查。然而，田间环境因子如温度、湿度、光照、土壤条件具有显著的时空动态变化特征，这些环境波动会强烈影响变异位点的表型表达效应，而现有方法未能将实时环境参数动态纳入关联分析框架，导致所识别的变异位点在实际田间条件下的可重复性和解释力不足。

2、在现有的计算机辅助育种技术中，部分研究尝试利用仿真平台模拟诱变过程，例如采用蒙特卡洛方法生成辐射诱导的基因组损伤分布，或构建作物生长模型预测表型变化。但这些仿真平台多将诱变剂量和处理条件视为固定输入参数，未与田间传感器实时采集的环境数据进行动态耦合，无法反映不同环境背景对变异表达幅度的调制作用。另一方面，对于关联位点的筛选策略，现有方法通常依赖固定的显著性阈值或经验性过滤规则，缺乏根据数据特征动态调整筛选参数的自我优化机制。当面对海量的仿真变异数据和多样化的处理条件组合时，固定阈值策略难以兼顾阳性检出率与假阳性控制之间的平衡，往往造成关键变异位点的遗漏或大量无关位点的误报，限制了变异位点识别效度的进一步提升。

3、此外，现有技术对于所筛选出的候选变异位点和诱变条件的评估方式较为单一，一般仅采用总体检出率或准确率等全局性指标进行一次性评价，未考虑不同诱变剂量区间对识别效果的分层影响，也缺乏对位点在多轮模拟中出现稳定性以及位点效应随环境变化响应一致性的综合考量。这种评估模式的缺陷直接导致了最优诱变条件与变异位点组合的确定缺乏可靠依据，使得最终获得的关联解析结果难以在真实田间环境中稳定重现。更进一步的，现有方法在输出识别结果后即终止流程，缺少利用后续实测数据对结果进行验证和修正的反馈机制，无法根据环境条件的变化动态调整最优组合，制约了基因型-表型关联解析精度的持续提升。针对上述问题，本发明提出一种将实时田间传感数据、仿真平台生成、粒子群优化筛选、分层效果评估以及后验证修正相结合的系统性方法，以有效克服现有技术的不足。

技术实现思路

1、根据本发明第一方面，本发明请求保护一种航天诱变种质资源基因型表型关联变异位点识别方法，包括：

2、s1，获取来自作物田间布设的传感器与探测器的实时环境参数及种质表型数据，并动态映射至预设的基因型-表型关联物理模型中，以微分方程组描述环境因子与种质表型之间的动态耦合关系；

3、s2，分析所述实时环境参数、所述种质表型数据及所获取的历史种质观测数据，构建仿真平台，具有诱变条件参数输入接口和变异位点输出接口，采用蒙特卡洛模拟方法生成不同诱变剂量和处理条件组合下的基因型变异及对应表型响应数据；

4、s3，采用粒子群优化算法制定关联位点筛选策略，以所述仿真平台输出的所述基因型变异及对应表型响应数据作为输入，调整识别流程中的参数配置，以实现变异位点识别效度的最大化；

5、s4，在执行所述关联位点筛选策略后，评估该策略对候选变异位点的检出效果，所述检出效果通过比对所述仿真平台中预设的模拟真值集与策略实际输出集之间的吻合程度进行度量；

6、s5，根据所述检出效果的评估结果，筛选并确定最优的诱变条件与变异位点组合，使作物种质在当前环境及遗传背景下达到最高的基因型-表型关联解析精度。

7、进一步地，所述s1中，所述实时环境参数由部署于田间不同生态区位的多组传感器节点以无线同步方式采集，所述传感器节点按预设时间间隔输出环境温度、环境湿度、光照强度、风速方向及土壤电导率参数；

8、所述探测器按预设空间间隔输出作物冠层光谱反射率及叶面温度分布参数；

9、所述实时环境参数与所述种质表型数据在进入所述物理模型前经时间戳对齐及空间坐标配准处理。

10、进一步地，所述s1中，所述基因型-表型关联物理模型包含环境响应模块和遗传表达模块，所述环境响应模块接收所述实时环境参数并输出环境胁迫向量，所述遗传表达模块接收所述环境胁迫向量并输出表型可塑性区间，所述动态映射将每一采样时刻的所述实时环境参数代入所述环境响应模块求解瞬态环境胁迫值，再将该瞬态环境胁迫值作为边界条件输入所述遗传表达模块以更新当前时刻的预期表型值，所述预期表型值与所述探测器实测的所述种质表型数据之间的残差被实时记录并用于驱动所述物理模型的参数微调。

11、进一步地，所述s2中，所述仿真平台基于所述实时环境参数、所述种质表型数据及所述历史种质观测数据构建数字孪生田间环境，所述数字孪生田间环境包含土壤剖面分层模型、小气候边界层模型及作物生长动力学模型，所述土壤剖面分层模型按不同深度土层分别存储水分运移参数和养分扩散参数，所述小气候边界层模型按日变化周期和天气过程事件驱动的方式更新近地表辐射平衡和湍流交换系数，所述作物生长动力学模型以积温累积量和光能利用效率为核心状态变量输出作物的器官建成速率和生物量分配比例；

12、所述蒙特卡洛模拟方法按以下方式实施：

13、基于历史诱变实验记录确定诱变剂量的概率分布函数和处理持续时间的概率分布函数；

14、从所述诱变剂量的概率分布函数和所述处理持续时间的概率分布函数中独立抽取随机样本，构成一组候选处理条件组合；

15、对每一候选处理条件组合，在所述数字孪生田间环境中执行预先设定的基因组损伤模拟子程序，所述基因组损伤模拟子程序依据辐射能量沉积的随机性和dna双链断裂修复的竞争性路径产出单核苷酸变异位点集合和结构变异位点集合；

16、将所述单核苷酸变异位点集合和所述结构变异位点集合输入所述作物生长动力学模型中的表型转换子程序，所述表型转换子程序依据变异位点所处基因的调控网络位置和代谢通路归属计算变异对所述器官建成速率和所述生物量分配比例的定量扰动值；

17、记录每一候选处理条件组合下的所述单核苷酸变异位点集合、所述结构变异位点集合以及对应的所述定量扰动值作为所述基因型变异及对应表型响应数据。

18、进一步地，所述s2中，所述仿真平台还包含田间异质性噪声注入模块，所述田间异质性噪声注入模块根据所述实时环境参数的空间变异半方差函数生成空间连续的噪声场，并将所述噪声场叠加至所述蒙特卡洛模拟方法输出的所述对应表型响应数据上；

19、所述空间变异半方差函数由所述历史种质观测数据中的重复测量记录拟合得到，所述田间异质性噪声注入模块在每次蒙特卡洛模拟迭代中重新生成独立的噪声场实现。

20、进一步地，所述s3中，所述粒子群优化算法将所述识别流程中的待调整参数编码为粒子位置向量，所述粒子位置向量包含变异位点显著性阈值、表型响应幅值截断系数及位点共现频率门限；

21、所述粒子群优化算法初始化粒子种群后，每一粒子依据所述仿真平台输出的所述基因型变异及对应表型响应数据运行所述关联位点筛选策略，并计算该策略在所述仿真平台上的阳性检出率和假阳性检出率，将所述阳性检出率和所述假阳性检出率的加权调和平均值作为适应度值；

22、所述粒子群优化算法依据所述适应度值迭代更新粒子个体最优位置和群体全局最优位置，并按照速度更新方程调整每一粒子的飞行方向和步长，直至所述适应度值的变化率低于预设收敛判据或迭代次数达到预设上限。

23、进一步地，所述s3中，所述关联位点筛选策略由分级过滤架构和精细定位架构串联构成；

24、所述分级过滤架构以所述基因型变异及对应表型响应数据中的全基因组变异位点为处理对象，按照染色体分区策略将全基因组划分为若干等长的物理区间，再对每一物理区间内的变异位点按照表型关联强度排序并保留排序靠前的候选位点，所述表型关联强度由变异位点所在位置的局部表型效应量与全局表型效应量的比值确定；

25、所述精细定位架构接收所述分级过滤架构输出的所述候选位点，对每一候选位点周围预设侧翼长度范围内的全部变异位点执行连锁不平衡衰减分析，以成对位点间的相关系数随物理距离衰减的规律为基础，识别出具有独立遗传效应的标签位点；

26、所述粒子群优化算法在迭代过程中同步调整所述分级过滤架构中的所述物理区间的划分粒度和排序保留比例，以及所述精细定位架构中的所述预设侧翼长度和所述连锁不平衡衰减分析的显著性截断值，所述显著性截断值由适应度值的实时变化动态引导更新。

27、进一步地，所述s4中，所述检出效果的评估过程按照诱变剂量区间分层实施，将所述仿真平台产生的所述基因型变异及对应表型响应数据按诱变剂量数值划分为低剂量子集、中剂量子集和高剂量子集，再分别在各子集内计算所述关联位点筛选策略的检出召回率和检出精确率，将所述检出召回率和所述检出精确率按各子集的样本量加权汇总得到全局检出效度指标；

28、所述全局检出效度指标与所述模拟真值集中预先标注的已知关联位点数量之间的比值被用于判定当前策略是否达到预设的效度及格线，若未达到所述效度及格线则返回s3重新执行所述粒子群优化算法的迭代优化。

29、进一步地，所述s5中，所述最优的诱变条件与变异位点组合的筛选过程依次执行诱变条件初筛阶段和变异位点精筛阶段，所述诱变条件初筛阶段以所述s4中获得的各候选诱变条件对应的所述检出效果为排序依据，选取检出效果排名前列的多个诱变条件构成候选条件池；

30、所述变异位点精筛阶段在所述候选条件池所对应的变异位点集合内，以各位点在所述仿真平台的多轮蒙特卡洛模拟中出现的稳定性和各位点与所述实时环境参数之间的响应一致性为二维排序准则，选取在所述二维排序准则下综合得分最高的变异位点作为最优组合中的目标位点，同时记录所述目标位点所对应的诱变剂量和处理持续时间作为最优组合中的目标条件。

31、进一步地，所述s5之后还执行后验证步骤，所述后验证步骤在所述作物田间布设的传感器与探测器持续采集的下一时间窗口的实时环境参数及种质表型数据到达时，将所述最优的诱变条件与变异位点组合中的所述目标位点输入所述基因型-表型关联物理模型，驱动所述物理模型正向推演出所述下一时间窗口内的预期表型变化轨迹；

32、将所述预期表型变化轨迹与所述下一时间窗口内实测的种质表型数据进行比较，若两者的偏差超过预先设定的容许范围，则触发所述仿真平台以所述下一时间窗口的实时环境参数作为新的初始条件重新执行所述蒙特卡洛模拟方法；

33、以重新执行后获得的更新数据驱动所述粒子群优化算法对所述最优的诱变条件与变异位点组合进行修正。

34、本发明公开一种航天诱变种质资源基因型表型关联变异位点识别方法，属于生物信息学技术领域。将田间传感器与探测器实时采集的环境参数及种质表型数据动态映射至基因型-表型关联物理模型，并联合历史观测数据构建仿真平台，通过蒙特卡洛模拟生成不同诱变处理条件下的基因型变异及对应表型响应数据，采用粒子群优化算法制定关联位点筛选策略，自适应调整识别流程中的参数配置以实现变异位点识别效度的最大化，并对策略的检出效果进行分层评估，筛选出最优的诱变条件与变异位点组合。本发明解决固定阈值筛选策略在阳性检出与假阳性控制之间难以平衡的问题，显著增强所识别变异位点在真实田间环境中的可重复性和稳定性。