本研究由广东海洋大学和西北农林科技大学的研究团队完成。第一作者为左冠强（Guanqiang Zuo）和梅万奇（Wanqi Mei），通讯作者为郑殿峰（Dianfeng Zheng），研究发表于2025年的《BMC Plant Biology》期刊（文章ID: 25:823）。

学术背景 本研究属于植物生理学与作物逆境生物学领域，聚焦于如何提升水稻在盐胁迫下的耐受力。土壤盐渍化是影响全球作物生产的主要非生物胁迫之一，它会严重扰乱植物的光合作用、离子平衡和酶活性，最终导致生长受阻和产量下降。植物生长调节剂（Plant Growth Regulators, PGRs）被认为是缓解盐胁迫的有效农艺策略之一。然而，在盐胁迫与PGR联合作用的复杂条件下，哪些生理性状最能可靠地预测作物的生长表现（通常以生物量来衡量），是一个尚未明确的关键科学问题。传统研究多依赖单一的生理指标或简单的相关性分析，但植物生长是多个生理过程（如光合作用、氧化应激防御）相互作用的结果，这种关系可能是非线性的，且存在基因型特异性。因此，需要一种更强大的方法来识别在复杂条件下决定生物量的关键预测因子。基于此，本研究旨在探究在盐胁迫和新型植物生长调节剂“调环酸钙”（Prohexadione-Calcium， PCA）协同处理下，如何利用机器学习方法从多个关键生理指标中识别出预测水稻生物量的最优特征，从而为耐盐水稻育种和管理提供理论依据和实践框架。

详细工作流程 本研究是一项严谨的整合生理学与生物信息学分析实验，其主要工作流程可分为实验设计、生理生化测定、数据分析和模型验证几个部分。 1. 实验设计与材料准备：研究选用两个遗传背景不同的水稻品种作为研究对象，分别是盐敏感品种“9311”和耐盐品种“长毛谷”（Changmaogu, CMG）。实验采用盆栽法，设置四个处理组：对照（CK）、仅喷施PCA、仅盐胁迫（0.3% NaCl）、盐胁迫+PCA联合处理（PCaS）。实验采用完全随机设计，每个处理4个重复。PCA以100 mg·L⁻¹的浓度进行叶面喷施，盐处理则通过灌溉方式分两次施加使土壤最终电导率达到2200 µS/cm。生理和生物量测量在两个关键时间点进行：处理后14天（14 DAT）和21天（21 DAT），以确保观察到显著的生物量差异。 2. 生理与生化指标测定：研究团队系统测量了六项与胁迫响应密切相关的关键生理参数。这些指标涵盖了光合性能、光系统功能和氧化应激等多个方面，具体包括： * 光合作用参数：使用LI-6800便携式光合作用测量系统测定净光合速率（Photosynthetic Rate, Pn）和电子传递速率（Electron Transport Rate, ETR）。 * 叶绿素荧光参数：使用PAM-2500荧光仪测定OJIP快速荧光动力学曲线，并从中计算最大光化学效率（Maximum Photosystem II Efficiency, Fv/Fm）和吸收光性能指数（Photosynthetic Performance Index, PIABS）。PIABS是一个综合参数，整合了反应中心密度、能量捕获效率和电子传递概率，能更全面地反映光系统II的功能状态。 * 氧化应激指标：测定叶片中超氧化物歧化酶（Superoxide Dismutase, SOD）的活性，以评估植物的抗氧化能力。同时，测定丙二醛（Malondialdehyde, MDA）含量，作为膜脂过氧化和氧化损伤的关键生物标志物。 * 生物量测定：在收获期，将水稻地上部分烘干至恒重后称重，作为最终的生物量数据。 所有这些测定均遵循标准化的实验室流程，并设置了技术重复以确保数据的可靠性。 3. 数据分析与建模：本研究在数据分析上的创新之处在于结合了传统统计方法和机器学习算法。首先，使用SPSS软件进行单因素方差分析（ANOVA）和Duncan多重比较检验，评估不同处理间各生理指标和生物量的显著性差异。其次，通过计算皮尔逊相关系数（Pearson correlation coefficient），分析了两个水稻品种中各生理指标与生物量之间的线性关系。为了克服传统相关性分析在捕捉非线性关系和交互作用方面的局限性，并量化各生理性状对生物量预测的相对重要性，研究采用了随机森林（Random Forest） 机器学习模型。该模型利用R语言中的“randomforest”包进行构建和训练，基于全部实验数据（两个品种、两个时间点、四个处理）来评估六个生理参数（Pn, ETR, Fv/Fm, PIABS, SOD, MDA）对于预测生物量的“变量重要性”（Variable Importance）。这一方法能够客观地识别出在复杂交互条件下最具预测力的关键特征。

主要结果 实验结果清晰地揭示了盐胁迫、PCA处理以及基因型之间的复杂互作，并最终通过机器学习模型确定了核心预测因子。 1. 光合性能的基因型差异与PCA的缓解效应：盐胁迫显著抑制了盐敏感品种9311的光合作用，在21 DAT时，其Pn和ETR分别比对照下降了77.1%和54.2%。而耐盐品种CMG则表现出更强的稳定性，光合参数变化不显著。PCA的效应具有时间和基因型依赖性。在14 DAT时，PCA显著改善了盐胁迫下CMG的Pn和ETR；到了21 DAT，PCA的益处则主要体现在9311上。这表明PCA缓解盐害的作用机制可能因品种的耐受策略和胁迫阶段而异。 2. 光系统II功能与氧化应激响应：Fv/Fm在所有处理中保持稳定（0.77-0.81），表明实验条件下的盐胁迫并未造成PSII反应中心的不可逆损伤。然而，更具综合性的指标PIABS则对胁迫和PCA处理更为敏感。例如，在21 DAT时，盐胁迫导致9311的PIABS显著下降，而PCA处理（PCaS组）则使其得以维持。对于氧化应激，盐胁迫导致了MDA含量的升高，而PCA处理能有效降低两个品种在盐胁迫下的MDA水平，尤其在9311中效果更显著（21 DAT时降低78.1%）。SOD活性的响应则较为复杂，并未在所有情况下都表现出与MDA的简单负相关关系，暗示抗氧化防御系统可能存在下游瓶颈。 3. 生物量积累及相关性分析的局限性：盐胁迫使CMG在14 DAT时的生物量显著降低，而PCA处理能够有效缓解这种抑制。相关性分析显示，MDA含量与生物量在两个品种中均呈一致的负相关，这印证了氧化损伤对生长的负面影响。然而，一个关键且有趣的发现是净光合速率（Pn）与生物量的关系存在明显的基因型特异性：在盐敏感的9311中，Pn与生物量呈正相关；而在耐盐的CMG中，两者却呈负相关。这种相反的模式凸显了仅依赖传统的线性相关性分析来预测不同遗传背景下的生物量存在巨大挑战和误导性。CMG的负相关可能源于其在胁迫下将资源优先分配给非光合组织（如根系）或激活其他补偿机制，导致短期内Pn下降但整体生物量得以维持。 4. 随机森林模型识别关键预测因子：正是由于传统方法的不足，随机森林模型的价值得以体现。模型分析结果明确显示，在所有的六个生理参数中，吸收光性能指数（PIABS）和丙二醛（MDA）含量是预测水稻生物量的两个最重要的特征，其重要性远高于净光合速率（Pn）、电子传递率（ETR）、Fv/Fm和SOD活性。这一结果完全推翻了研究最初的假设（即Pn是碳固定的直接驱动者，应为最主要预测因子）。模型表明，在盐胁迫与PCA交互的复杂环境下，反映光系统II整体功能效率的综合性指标（PIABS）和反映细胞膜氧化损伤程度的指标（MDA），比单一过程的速度指标（如Pn）更能决定最终的生物量产出。

研究结论与意义 本研究的主要结论是：在盐胁迫与调环酸钙（PCA）联合处理的条件下，光合性能指数（PIABS）和丙二醛（MDA）含量是预测水稻生物量最稳健、最重要的生理特征。这意味着，光合机构的整体功能完整性（由PIABS表征）和氧化损伤水平（由MDA表征）共同构成了决定水稻在盐胁迫下生长表现的核心生理轴。 其科学价值在于：首先，研究通过整合机器学习和传统生理分析，成功解析了多因子互作条件下决定作物生长的关键生理性状，为复杂胁迫生理学研究提供了方法学范例。其次，研究揭示了基因型特异性响应（如Pn-生物量关系的相反模式），强调了“一刀切”的生理评价标准在育种中的应用风险。 其应用价值非常明确：研究发现为耐盐水稻育种和田间管理提供了可直接应用的生物标志物和筛选框架。PIABS可作为有效的正向选择标记，由于其测量快速、无损，适用于对大型育种群体进行高通量表型筛选，快速鉴定出在盐胁迫下仍能维持较高光合系统功能的基因型。同时，MDA可作为负向选择或胁迫损伤程度的诊断指标。这为培育和选择高产、耐盐的水稻新品种提供了理论指导和实用工具。

研究亮点 1. 方法创新：率先将随机森林机器学习模型应用于盐胁迫与植物生长调节剂互作研究，有效量化了多个生理性状对生物量预测的相对重要性，克服了传统相关性分析的局限性。 2. 核心发现颠覆直觉：研究发现最重要的预测因子并非直观上认为的“净光合速率（Pn）”，而是综合性的“光合性能指数（PIABS）”和“氧化损伤标志物（MDA）”，这深化了对盐胁迫下生长决定机制的理解。 3. 强调基因型特异性：研究明确展示了生理性状与生长关系在不同基因型间可能存在根本差异（如Pn与生物量的正负相关性），这对育种实践中性状选择标准的制定具有重要警示和指导意义。 4. 明确的转化潜力：研究所确定的PIABS和MDA作为关键生物标志物，为开发快速、无损的耐盐性筛选技术提供了直接依据，具有很高的应用前景。

其他有价值的内容 研究在讨论部分还深入探讨了PCA作用效果的品种差异性和胁迫依赖性，指出PCA等生长调节剂在非胁迫条件下效果不明显，其增益作用主要在逆境下显现，这对其农艺应用时机具有指导意义。此外，作者对未来研究方向提出了建议，包括在田间条件下验证本研究结论、将PCA测试拓展到其他非生物胁迫组合（如干旱、高温），以及利用全基因组关联分析（GWAS）来解析PIABS和MDA变异的遗传基础，以挖掘可用于分子育种的潜在基因位点。这些内容都为该领域的后续研究指明了方向。