著者の所属・活動拠点の国は、トルコです。

掲載誌：Plants

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的

コムギは世界の穀物生産のおよそ28%を占める重要な作物です。一方で、多くの地域で収量が伸び悩み、干ばつや高温による減収の危険も高まっています。トルコ南東アナトリア地方のように、雨水だけに頼る半乾燥地では、年ごとの気象の違いで収量が大きく揺れやすいと研究チームは述べています。

品種改良では、収量だけでなく、早く穂が出るか、穂の形、葉の茂り具合、タンパク質含量など多くの形質を同時に考える必要があります。そこで研究チームは二つの手法を組み合わせました。一つはMGIDIで、複数の形質から見た理想的な姿（理想型）にどれだけ近いかで系統を順位付ける指標です。もう一つは機械学習による収量予測で、SHAPという解析を加え、予測にどの形質がどれだけ効いたかを読み取れるようにしました。ねらいは三つあります。系統間の遺伝的なばらつきを評価すること、MGIDIで均衡の取れた優良系統を選ぶこと、そして収量を主に左右する形質を特定することです。

何を、どのように調べたか

試験はトルコ・ディヤルバクルにあるディジレ大学の圃場で、2022〜2023年の1作期に行われました。灌漑は一切せず、水は降雨だけでまかないました。この期間の降水量は330.7ミリで、その74%は12月から4月に降りました。粒が実る6〜7月の雨はわずか6.0ミリでした。

対象はパンコムギ20系統です。登録済みの商業品種、育種途中の有望系統、在来種が含まれます。圃場をブロックに分け、各ブロックに全系統を無作為に配置する方式で、4反復の試験を行いました。

測定した形質は次のとおりです。収量、草丈、穂の長さ、1穂あたりの小穂数・粒数・粒重、千粒重、子実タンパク質含量、出穂までと開花までの日数です。加えて、センサーで植物の生育状態も測りました。測ったのは、緑の量を示すNDVI（茎伸長期と出穂期）、葉の量を示す葉面積指数LAI、葉の緑色の濃さを示すSPAD値です。

まず各形質について、ばらつきのうち遺伝による部分がどれだけかを示す「遺伝率」と、選抜でどれだけ改良が見込めるかを示す「期待遺伝獲得量」を推定しました。MGIDIでは、各形質を理想型の方向へ0〜100に換算しました。出穂・開花の日数は、生育後半の干ばつを避けるため早いほうを望ましいとし、ほかの形質は大きいほうを望ましいとしました。

機械学習では、勾配ブースティング、XGBoost、ランダムフォレストなど5種類のモデルで収量の予測精度を比べました。データは80区画分、説明に使った形質は13個です。同じブロックのデータが学習と検証の両方に入ると精度を過大評価するため、ブロック単位で検証用データを分ける交差検証を採用しました。最も成績の良かったモデルについて、SHAPと、モデルに依存しない別の重要度指標（並べ替え重要度）で各形質の寄与を評価しました。

主な報告結果

収量の平均は1デカール（1000平方メートル）あたり444.50キログラムでした。系統間では320キログラム（BEZOSTAYA）から535キログラム（14STEMRRSN）まで、約1.7倍の開きがありました。タンパク質含量は11.2〜13.8%で、収量の高い系統ほど低い傾向がありました。遺伝率は全形質で0.84〜0.99と高い値でした。平均に対する期待遺伝獲得量が大きかったのは、1穂粒重（21.79%）、1穂粒数（20.67%）、収量（17.23%）の順でした。

MGIDIで選ばれたのは、理想型に最も近い5系統（HİLAR、DZTB-5、DZTB-2、14STEMRRSN、DZTB-8）です。この5系統の平均収量は1デカールあたり486.75キログラムで、全20系統の平均より42.24キログラム（9.50%）高くなりました。一方、平均タンパク質含量は12.43%から12.31%への小さな低下にとどまりました。MGIDIの値と収量の間には、統計的に有意な負の関係がありました（決定係数0.58）。理想型に近い系統ほど収量が高いということです。

収量予測の精度は、勾配ブースティングが最も高い結果でした。交差検証での決定係数は0.740で、予測誤差の目安は1デカールあたり30.55キログラムでした。XGBoostは0.703、ランダムフォレストは0.658で、直線的な関係を前提とする2モデルは0.526〜0.546でした。

収量予測に最も効いた形質は1穂粒重で、草丈、開花までの日数がこれに続きました。NDVI、LAI、タンパク質含量の寄与は比較的小さいものでした。SHAPと並べ替え重要度による順位はおおむね一致していました。

この報告が示すこと

研究チームによると、二つの手法は互いを補い合います。MGIDIは多くの形質を均衡よく見て系統を選び、説明可能な機械学習は収量を決める少数の鍵となる形質を示します。MGIDIでは穂の構造に関わる形質が目立ち、SHAPでは1穂粒重が最重要とされました。この重なりから、著者らは選抜の判断が生物学的に筋の通ったものだと述べています。また、MGIDIで選ばれた系統は最高収量の系統を一部しか含みませんでした。著者らは、これを収量と他の形質の釣り合いを取る指標として想定どおりの振る舞いだと説明しています。

実用面では、著者らはHİLARと14STEMRRSNをこの地域の育種にとって有望とみています。ただし、品種登録や普及の推奨には、複数年・複数地点での確認が必要だとしています。

研究チームは限界も明記しています。データは1地点・1作期に限られるため、系統と環境の相互作用は分析できず、遺伝率の推定値は上限とみるべきです。予測モデルは学習データでの決定係数が0.998と、交差検証の0.740との差が大きく、観測数の少なさが一般化を制約しています。0.740はこの試験内でブロックをまたいだ予測力を示す値で、別の年や場所への当てはまりを示すものではありません。さらに、説明に使った形質はどれも収量と同じ区画で測った植物の形質です。そのためSHAPが示すのは試験内での統計的な関連であり、因果関係ではありません。著者らはこの研究を、手法を組み合わせた枠組みの有効性を一つの環境で示した概念実証と位置付けています。

原著論文の著者・所属：Levent Yorulmaz（Department of Field Crops, Faculty of Agriculture, Dicle University, Diyarbakır 21280, Türkiye）、Süreyya Betül Rufaioğlu（Department of Soil Science and Plant Nutrition, Faculty of Agriculture, Harran University, Şanlıurfa 63300, Türkiye）、Murat Tunç（Department of Field Crops, Faculty of Agriculture, Harran University, Şanlıurfa 63300, Türkiye）、Sibel İpekeşen（Department of Field Crops, Faculty of Agriculture, Dicle University, Diyarbakır 21280, Türkiye）、Mihriban Okur（Department of Agricultural Machinery and Technologies Engineering, Faculty of Agriculture, Dicle University, Diyarbakır 21280, Türkiye）、Doğan İpekeşen（Department of Plant Protection, Faculty of Agriculture, Dicle University, Diyarbakır 21280, Türkiye）、Cuma Akıncı（Department of Field Crops, Faculty of Agriculture, Dicle University, Diyarbakır 21280, Türkiye）、Mehmet Yıldırım（Department of Field Crops, Faculty of Agriculture, Dicle University, Diyarbakır 21280, Türkiye）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Levent Yorulmaz, Süreyya Betül Rufaioğlu, Murat Tunç, et al. MGIDI and Explainable Machine Learning for Multi-Trait Selection and Yield Drivers in Rainfed Bread Wheat. Plants（出版社：Multidisciplinary Digital Publishing Institute） 2026-09-11. DOI: 10.3390/plants15182787. 原著ライセンス：CC BY.