基于机器学习建模的湿地奶牛基因型-环境互作变量加权与排序：创新育种选择方案

《The Journal of Agricultural Science》：Machine learning modelling for weighting and ranking of multivariate variables related to genotype-environment interaction: innovative protocol proposal for selecting breeding cows in wetlands

　　来自巴拉圭的研究人员针对湿地奶牛环境适应性问题，开发了基于机器学习（梯度提升机模型）的基因型-环境互作分析协议。研究识别出 phosphatase、CPK、毛发长度等关键生理变量与体况评分（BCS）的关联，揭示了低酶浓度与短毛发对适应性的正向影响，为优化湿地奶牛繁殖效率提供了数据驱动的新策略。

　　

本研究提出了一种基于机器学习模型的动物适应性选择方案，旨在通过分析巴拉圭??eembucú湿地养殖奶牛中基因型与环境互作（G×E）相关变量，优化育种选择并提升繁殖效率。机器学习技术成功识别出与环境适应性密切关联的关键生理变量，这些变量显著影响奶牛体况评分（Body Condition Score, BCS），包括：碱性磷酸酶（phosphatase）、胆固醇（cholesterol）、磷（phosphorus）、毛发长度（hair length）、肌酐（creatinine）、血细胞比容（haematocrit, HCT）、肌酸磷酸激酶（creatine phosphokinase, CPK）、血红蛋白（haemoglobin, Hb）、体温（body temperature）以及钙（calcium）。

研究采用梯度提升机（Gradient Boosting Machine）模型进行建模，该模型基于均方根误差（RMSE）和平均绝对误差（MAE）指标表现出最优性能。结果表明：较低的磷酸酶和肌酸磷酸激酶（CPK）浓度、较短的毛发长度对体况评分（BCS）产生积极影响；体温动态变化也与响应变量显著相关；较高的血细胞比容（HCT）和血红蛋白（Hb）水平同样对BCS呈正向作用。基于这些关键变量，研究者提出了一套用于育种奶牛适应性选择的科学协议。