DOI: https://doi.org/10.1038/s41540-026-00688-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41857070
تاريخ النشر: 2026-03-19
المؤلف: Weng Kung Peng وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث إطار عمل لتصنيف الفينوتيب عالي الإنتاجية للفول السوداني (Arachis hypogaea L.)، وهو بقوليات هامة معروفة بمحتواها العالي من الزيت، والذي يعالج التفاعلات المعقدة بين الجينوم والفينوتيب المتأثرة بالعوامل البيئية. باستخدام المجهر الرقمي وتصوير الهواتف الذكية، جنبًا إلى جنب مع تقنيات التعلم المتعدد، يحلل الدراسة أكثر من 6,500 قرن فول سوداني تم جمعها عبر الصين. تكشف النتائج عن توقيع مورفولوجي جغرافي مميز يمكّن من التمييز الدقيق بين الأصناف. تضع هذه المنهجية القابلة للتوسع الأساس لنموذج هندسي كبير يهدف إلى التنبؤ بالسمات الفينوتيبية، مما يعزز الزراعة الدقيقة ويوفر أداة قيمة لتربية الفول السوداني وتحسين المحاصيل المستدامة.
مقدمة
تسلط المقدمة الضوء على الدور البارز للصين في إنتاج الفول السوداني العالمي، حيث أنتجت 18.3 مليون طن في عام 2021، مما يشكل حوالي ثلث إجمالي الإنتاج العالمي. كحبوب بقوليات هامة ومحصول زيت، يعتبر الفول السوداني (Arachis hypogaea L.) ضروريًا لمعالجة الأمن الغذائي والفقر. تم تدجين هذا النوع من أسلافه في أمريكا الجنوبية قبل حوالي 6,000 عام، ويعاني من تنوع جيني محدود في الصين، حيث أن أكثر من 70% من الأصناف مشتقة من أسلاف شائعة. يتم زراعة السلالة A. h. fastigiata بشكل أساسي في الجنوب، بينما توجد A. h. hypogaea في الشمال.
يهدف البحث إلى سد الفجوة بين السمات الجينومية والفينوتيبية القابلة للرؤية، وهي تحدٍ في تربية النباتات على الرغم من التقدم في تقنيات التسلسل. يؤكد المؤلفون على أهمية رسم خرائط التصحيحات الجينومية-الفينوتيبية (GP) باستخدام تصنيف الفينوتيب عالي الإنتاجية وتقنيات المعلومات الحيوية المتقدمة، مثل التعلم المتعدد. يقدمون نتائج من تحليل 6,500 قرن فول سوداني، تكشف عن “بصمات جزيئية” فريدة جغرافيًا بناءً على هندسة القرن وتأسيس علاقات بين السمات الفيزيائية الحيوية والكيميائية الحيوية. تعزز هذه الطريقة المبتكرة، إلى جانب الطرق التقليدية مثل تحليل المسارات الجزيئية، فهم التفاعلات المعقدة للسمات في الفول السوداني، مما يمهد الطريق لاستراتيجيات التربية الدقيقة.
طرق البحث
في هذه الدراسة، تم جمع ما مجموعه 6,500 عينة من قرون الفول السوداني من خمس مناطق متميزة في الصين: قوانغدونغ (GD: 1,069 عينة)، يوننان (YN: 1,651)، هونان (HN: 1,786)، شاندونغ (SD: 717)، ودونغبي (DB: 1,201). تم الحصول على العينات من خلال منصة تاوباو من 25 تاجرًا مختلفًا، حيث كان توزيع العينات عبر المناطق 4 من GD، 6 من YN، 7 من HN، 3 من SD، و5 من DB. لضمان سرية التجار، تم وضع علامات على العينات بأحرف اختصار إقليمية (مثل GD1، GD2) وتم استبعاد أسماء العلامات التجارية التجارية من التحليل.
تم تحليل عينات قرون الفول السوداني في حالتها الأصلية دون أي معالجة. للحفاظ على سلامتها، تم تخزين العينات في أكياس Ziplock محكمة الإغلاق داخل مجفف عند عدم استخدامها، كما هو موضح في الشكل التوضيحي 1. تضمن هذا النهج المنهجي بقاء العينات غير ملوثة ومناسبة للتحليل اللاحق.
النتائج
تستكشف الدراسة السمات المعقدة لقرون الفول السوداني، مع التركيز على هندستها، وخصائصها الفيزيائية الحيوية، والكيميائية الحيوية، المتأثرة بالعوامل الداخلية (مثل الدهون والبروتينات) والمتغيرات البيئية. تم جمع ما مجموعه 6,500 عينة من قرون الفول السوداني من مناطق مختلفة في الصين، مصنفة إلى ثلاث مجموعات جغرافية: الجنوب (يوننان وقوانغدونغ)، الشمال (هونان وشاندونغ)، والشمال الشرقي (دونغبي). تسهل هذه التصنيف دراسة التأثيرات البيئية الإقليمية على سمات القرن. تم استخدام منهجيات متقدمة، بما في ذلك تصنيف الفينوتيب العميق، والمجهر الضوئي، وmicro-NMR، لتقييم السمات الفينوتيبية للقرون الفردية، مما يكشف عن اختلافات كبيرة في السمات الفيزيائية الحيوية مثل الطول، والوزن، واللون عبر العينات.
أظهر التحليل علاقات قوية بين السمات الفيزيائية الحيوية، حيث تشير معاملات الارتباط بيرسون (r) ومعاملات التحديد (R²) إلى درجات متفاوتة من التشابه بين المناطق: قوانغدونغ (GD: r=0.85، R²=0.73)، يوننان (YN: r=0.66، R²=0.43)، هونان (HN: r=0.67، R²=0.45)، شاندونغ (SD: r=0.61، R²=0.38)، ودونغبي (DB: r=0.64، R²=0.41). أكدت تحليل خصائص التشغيل (ROC) كفاءة تصنيف هذه السمات. من الجدير بالذكر أن القرون من نفس المنطقة أظهرت تشابهًا أكبر في السمات الفيزيائية الحيوية مقارنة بتلك من مناطق مختلفة، حيث أظهرت اختبارات ANOVA اختلافات ذات دلالة إحصائية (p < 0.001). أظهر تحليل اللون، الذي تم إجراؤه باستخدام مخططات RGB الثلاثية وt-distributed stochastic neighbor embedding (t-SNE)، أن توزيع لون القرن كان مرتبطًا ارتباطًا وثيقًا بالأصل الجغرافي، لا سيما في إعدادات الارتباك المنخفضة.
المناقشة
تسلط قسم المناقشة من ورقة البحث الضوء على العلاقة المعقدة بين العوامل الجينية والبيئية في تشكيل السمات الفينوتيبية لقرون الفول السوداني، مع التأكيد على مفهوم “بصمة جزيئية” تعكس الأصل الجغرافي لهذه القرون. باستخدام تقنيات التصوير المتقدمة وطرق التعلم المتعدد، لا سيما t-distributed Stochastic Neighbor Embedding (t-SNE) وUniform Manifold Approximation and Projection (UMAP)، تكشف الدراسة عن أنماط تجميع مميزة لعينات قرون الفول السوداني بناءً على سماتها الفيزيائية الحيوية، مثل الحجم والشكل. ترتبط هذه الأنماط بمناطق زراعية محددة في الصين، مما يشير إلى أن الظروف البيئية تؤثر بشكل كبير على هندسة القرن، وبالتالي تساهم في التنوع البيولوجي.
تؤكد النتائج على إمكانيات منصات تصنيف الفينوتيب عالية الإنتاجية لمعالجة التحديات في الزراعة، مثل تغير المناخ والأمن الغذائي، من خلال تمكين تطوير محاصيل ذات سمات محسنة. علاوة على ذلك، فإن تحديد توقيعات جزيئية فريدة لأصناف الفول السوداني يقدم نهجًا واعدًا لمكافحة تلاعب الغذاء وتحسين تتبع سلسلة الإمداد الغذائي. كما تفترض الدراسة أن المنهجيات المطورة يمكن أن تمتد إلى ما هو أبعد من الزراعة، مما يوفر رؤى حول صحة الإنسان والأمراض من خلال عدسة الفينوميات، مما يمهد الطريق لتطبيقات مبتكرة في كلا المجالين. على الرغم من الاعتراف بالقيود، مثل التحيزات المحتملة في أخذ العينات وتعقيد نماذج التعلم المتعدد، تضع البحث أساسًا لاستكشافات مستقبلية في الزراعة الدقيقة والفينوميات الطبية.
DOI: https://doi.org/10.1038/s41540-026-00688-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41857070
Publication Date: 2026-03-19
Author(s): Weng Kung Peng et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents a high-throughput phenotyping framework for peanut (Arachis hypogaea L.), a significant legume known for its high oil content, which addresses the complex interactions between genotype and phenotype influenced by environmental factors. Utilizing digital microscopy and smartphone imaging, combined with manifold learning techniques, the study analyzes over 6,500 peanut pods collected across China. The findings reveal a distinct geographical morphological signature that enables accurate discrimination among cultivars. This scalable methodology lays the groundwork for a Large Geometric Model aimed at predicting phenotypic traits, thereby enhancing precision agriculture and providing a valuable tool for peanut breeding and sustainable crop improvement.
Introduction
The introduction highlights China’s prominent role in global peanut production, yielding 18.3 million tons in 2021, which constitutes about one-third of the world’s total output. As a crucial grain legume and oil crop, peanuts (Arachis hypogaea L.) are essential for addressing food security and poverty. The species, domesticated from its South American ancestors approximately 6,000 years ago, has limited genetic diversity in China, with over 70% of cultivars derived from common ancestors. The subspecies A. h. fastigiata is primarily cultivated in the south, while A. h. hypogaea is found in the north.
The research aims to bridge the gap between genotypic traits and observable phenotypes, a challenge in plant breeding despite advancements in sequencing technologies. The authors emphasize the importance of mapping genotypic-phenotypic (GP) correlograms using high-throughput phenotyping and advanced bioinformatics techniques, such as manifold learning. They present findings from an analysis of 6,500 peanut pods, revealing geographically unique ‘molecular thumbprints’ based on pod geometry and establishing correlations between biophysical and biochemical traits. This innovative approach, alongside traditional methods like molecular pathway analysis, enhances the understanding of complex trait interactions in peanuts, paving the way for precision breeding strategies.
Methods
In this study, a total of 6,500 peanut pod samples were collected from five distinct regions in China: Guangdong (GD: 1,069 samples), Yunnan (YN: 1,651), Hunan (HN: 1,786), Shandong (SD: 717), and Dongbei (DB: 1,201). The samples were sourced through the Taobao platform from 25 different merchants, with the distribution of samples across regions being 4 from GD, 6 from YN, 7 from HN, 3 from SD, and 5 from DB. To ensure merchant confidentiality, samples were labeled with regional abbreviations (e.g., GD1, GD2) and commercial brand names were excluded from the analysis.
The peanut pod samples were analyzed in their original state without any processing. To preserve their integrity, the samples were stored in sealed Ziplock bags within a desiccator when not in use, as detailed in Supplementary Figure 1. This methodological approach ensures that the samples remain uncontaminated and suitable for subsequent analysis.
Results
The study investigates the intricate traits of peanut pods, focusing on their geometry, biophysical, and biochemical characteristics, influenced by both internal factors (such as lipids and proteins) and environmental variables. A total of 6,500 peanut pod samples were collected from various regions in China, categorized into three geographical groups: South (Yunnan and Guangdong), North (Hunan and Shandong), and Northeast (Dongbei). This classification facilitates the examination of regional environmental impacts on pod traits. Advanced methodologies, including deep phenotyping, light microscopy, and micro-NMR, were employed to assess the phenotypic traits of individual pods, revealing significant variations in biophysical traits such as length, weight, and color across the samples.
The analysis demonstrated strong correlations between biophysical traits, with Pearson correlation coefficients (r) and coefficients of determination (R²) indicating varying degrees of similarity among regions: Guangdong (GD: r=0.85, R²=0.73), Yunnan (YN: r=0.66, R²=0.43), Hunan (HN: r=0.67, R²=0.45), Shandong (SD: r=0.61, R²=0.38), and Dongbei (DB: r=0.64, R²=0.41). Receiver operating characteristic (ROC) analysis confirmed the classification efficiency of these traits. Notably, pods from the same region exhibited greater similarity in biophysical traits compared to those from different regions, with ANOVA tests revealing statistically significant differences (p < 0.001). Color analysis, conducted using RGB ternary plots and t-distributed stochastic neighbor embedding (t-SNE), indicated that pod color distribution was closely linked to geographical origin, particularly at lower perplexity settings.
Discussion
The discussion section of the research paper highlights the intricate relationship between genetic and environmental factors in shaping the phenotypic traits of peanut pods, emphasizing the concept of a ‘molecular thumbprint’ that reflects the geographical origin of these pods. Utilizing advanced imaging techniques and manifold learning methods, particularly t-distributed Stochastic Neighbor Embedding (t-SNE) and Uniform Manifold Approximation and Projection (UMAP), the study reveals distinct clustering patterns of peanut pod samples based on their biophysical traits, such as size and shape. These patterns correlate with specific cultivation regions in China, suggesting that environmental conditions significantly influence pod geometry, thereby contributing to biodiversity.
The findings underscore the potential of high-throughput phenotyping platforms to address challenges in agriculture, such as climate change and food security, by enabling the development of crops with enhanced traits. Furthermore, the identification of unique molecular signatures for peanut cultivars offers a promising approach to combat food adulteration and improve traceability in the food supply chain. The study also posits that the methodologies developed could extend beyond agriculture, providing insights into human health and disease through the lens of phenomics, thus paving the way for innovative applications in both fields. Despite acknowledging limitations, such as potential biases in sampling and the complexity of manifold learning models, the research lays a foundation for future explorations in precision agriculture and medical phenomics.